CN106100922B - 列车通信网络的网络流量的预测方法和装置 - Google Patents
列车通信网络的网络流量的预测方法和装置 Download PDFInfo
- Publication number
- CN106100922B CN106100922B CN201610408710.7A CN201610408710A CN106100922B CN 106100922 B CN106100922 B CN 106100922B CN 201610408710 A CN201610408710 A CN 201610408710A CN 106100922 B CN106100922 B CN 106100922B
- Authority
- CN
- China
- Prior art keywords
- search
- network
- grid
- flow
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种列车通信网络的网络流量的预测方法和装置。其中,该方法包括:获取列车通信网络的历史网络流量;根据历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型;基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量。本发明解决了采用现有的基于支持向量机模型的方法,对列车通信网络流量进行预测,预测效率低的技术问题。
Description
技术领域
本发明涉及交通信息工程领域,具体而言,涉及一种列车通信网络的网络流量的预测方法和装置。
背景技术
通信网络是列车运行系统的中枢。为适应未来高速铁路宽带通信网发展,现代列车通信已由传统的WTB(绞线式列车总线,Wire Train Bus的简写)及MVB(多功能车辆总线,Multifunction Vehicle Bus的简写)总线向更高带宽及传输速度的ECN(电子通信网络,Electronic Communication Network的简写)和ETB(以太列车骨干网,Ethernet TrainBackbone)过渡,因此基于以太网技术的列车通信网络已经成为下一代列车通信网络的发展方向。以太网技术可以解决列车网络带宽不足的问题,但是在列车网络中简单的引入以太网技术并不能保证列车通信的实时性、确定性,为此,对列车通信网络进行数据分析及监测,优化其网络性能,具有重要的意义。
网络流量是所有影响网络特性的最主要的因素。网络流量具有连贯性、类周期性及相似性,决定了在某种程度上对其进行预测的可能性。利用网络流量预测技术,可以把握不同总线间流量传递过程,更好地进行网络优化、路由设计和负载均衡,提升网络稳定性。目前针对网络流量的预测,大致分为基于的模型方法和基于数据统计特性的方法。基于模型的方法需要对研究对象(网络流量)有充分的把握,需提取网络流量关键特性,如尖峰、长相关、曲线能量、振荡特性等。例如,可以按照预测时间长短以及平稳性等进行具体设计,如AR(自回归,Auto Regressive的简写)、ARIMA(差分自回归滑动平均,AutoregressiveIntegrated Moving Average的简写)的线性预测模型等。基于数据统计特性的方法如灰色模型预测法、模糊模型预测法以及神经网络等智能学习算法。注意到,神经网络依赖于经验性启发,采用经验风险最小化原则,因此在数据样本量较少的情况下,泛化能力下降,导致精度降低;而其运算的复杂性受网络结构复杂性和样本复杂性的影响较大。相比之下,支持向量机(support vector machines,SVM)采用结构风险最小化原则,从本质上提高学习机的泛化能力,不存在局部最小问题。然而,如何进行SVM的参数选择是系统预测的重点和难点。目前最常用的网格搜索法属于遍历型算法,在粗网格情况下速度有保障,但精度过低,而过细网格搜索虽保证了精度,但搜索速度和效率过低。
针对采用现有的基于支持向量机模型的方法,对列车通信网络流量进行预测,预测效率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种列车通信网络的网络流量的预测方法和装置,以至少解决采用现有的基于支持向量机模型的方法,对列车通信网络流量进行预测,预测效率低的技术问题。
根据本发明实施例的一个方面,提供了一种列车通信网络的网络流量的预测方法,包括:获取列车通信网络的历史网络流量;根据历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型;基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量。
根据本发明实施例的另一方面,还提供了一种列车通信网络的网络流量的预测装置,包括:获取模块,用于获取列车通信网络的历史网络流量;处理模块,用于根据历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型;预测模块,用于基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量。
在本发明实施例中,可以获取列车通信网络的历史网络流量,根据获取到的历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型,并基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量,从而实现对列车通信网络的网络流量进行预测的目的。由于针对列车通信网络的历史网络流量,并采用可调加权双网格搜索算法,得到参数优化后的网络流量预测模型,解决了采用现有的基于支持向量机模型的方法,对列车通信网络流量进行预测,预测效率低的技术问题。因此,通过本发明上述实施例提供的方案,可以提供一种有针对性的,简单且高效、实用的列车通信网络的网络流量预测方法,提升预测速度和预测准确度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种列车通信网络的网络流量的预测方法的流程图;
图2是根据本发明实施例的一种可选的列车通信网络的网络流量的预测方法的示意图;以及
图3是根据本发明实施例的一种列车通信网络的网络流量的预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种列车通信网络的网络流量的预测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种列车通信网络的网络流量的预测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取列车通信网络的历史网络流量。
具体的,上述步骤中的列车通信网络的历史网络流量可以是列车通信网络的过去任意特定时间段内各采样时间点对应的网络流量数值。
步骤S104,根据历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型。
具体的,上述步骤中的预设的网格搜索算法可以是可调加权双网格搜索算法,即加入加权因子作为约束条件,在加权约束条件下的双网格搜索算法。
在一种可选的方案中,可以将获取到的列车通信网络的历史网络流量作为训练样本,进行支持向量机模型的训练,并采用可调加权双网格搜索算法对支持向量机模型的参数进行优化,得到参数优化后的列车通信网络流量预测模型。
此处需要说明的是,采用可调加权双网格搜索算法对支持向量机模型的参数进行优化,可以得到最优的参数值,从而得到最优的列车通信网络流量预测模型。
步骤S106,基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量。
具体的,上述预设时间段可以是根据未来网络流量的预测需求,提前设定的预测周期。
在一种可选的方案中,在得到参数优化后的列车通信网络流量预测模型之后,可以基于最优的列车通信网络流量预测模型预测未来给定预测周期内的列测通信网络流量。
根据本发明上述实施例,可以获取列车通信网络的历史网络流量,根据获取到的历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型,并基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量,从而实现对列车通信网络的网络流量进行预测的目的。由于针对列车通信网络的历史网络流量,并采用可调加权双网格搜索算法,得到参数优化后的网络流量预测模型,解决了采用现有的基于支持向量机模型的方法,对列车通信网络流量进行预测,预测效率低的技术问题。因此,通过本发明上述实施例提供的方案,可以提供一种有针对性的,简单且高效、实用的列车通信网络的网络流量预测方法,提升预测速度和预测准确度。
可选的,在本发明上述实施例中,步骤S104,根据历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型,包括:
步骤S112,将历史网络流量作为训练样本。
步骤S114,根据训练样本进行支持向量机的训练,得到初始网络流量预测模型。
具体的,上述初始网络流量预测模型可以是支持向量机模型。
在一种可选的方案中,为了能够得到参数优化后的网络流量预测模型,可以采用基于支持向量机模型的预测方法,将列车通信网络的历史网络流量作为支持向量机模型的训练样本,并根据支持向量机模型的训练样本进行支持向量机模型的训练,从而得到初始网络流量预测模型。
可选的,在本发明上述实施例中,上述初始网络流量预测模型可以为:
其中,f(x)为初始网络流量预测模型的输出数据,x为初始网络流量预测模型的输入数据,N为训练样本的维数,N为正整数,1≤i≤N,i为整数,xi为第i个训练样本,b为偏置项,是K(x,xi)为支持向量机的核函数,且
K(x,xi)=exp(-g||x-xi||2),
其中,exp为指数函数,g为核函数的临界参数,且g>0,αi和分别为第i个训练样本的拉格朗日乘子。
此处需要说明的是,偏置项b是一个常数,具体可以根据经验值进行确定。
可选的,在本发明上述实施例中,αi和可以满足如下公式:
且
其中,c为惩罚因子,wi为第i个训练样本对应的加权因子。
可选的,在本发明上述实施例中,开通过如下公式计算第i个训练样本对应的加权因子wi:
其中,t为预测时刻,ti为第i个训练样本对应的采样时间点,T为预设时间段(即提前设定的预测周期),mod为取余运算符号,m和n为误差控制因子,λ为调节参数。
在一种可选的方案中,可以根据列车通信网络流量的类周期特性,以及越接近预测时间点的流量重要性越高的原则,得到加权因子的计算公式,则初始网络流量预测模型可以表述为:
步骤S116,基于预设的网格搜索算法,对初始网络流量预测模型中的参数进行优化,得到网络流量预测模型。
在一种可选的方案中,可以基于可调加权双网格搜索算法,对支持向量机模型的最优参数进行寻优,从而实现加权约束下的粗搜索与细搜索相结合的可调加权双网格支持向量机模型,避免了传统支持向量机模型参数寻优算法精度和速度的矛盾。
可选的,在本发明上述实施例中,步骤S116,基于预设的网格搜索算法,对初始网络流量预测模型中的参数进行优化,得到网络流量预测模型,包括:
步骤S122,基于权值分布规律,对误差控制因子m和n,以及调节参数λ进行优化,得到优化后的加权因子wi。
需要说明的是,上述权值分布规律可由技术人员经验和列车网络流量系统特性确定。
在一种可选的方案中,可以根据列车通信网络的网络流量系统的特性对应调节误差控制因子m和n,以及调节参数λ。
可选的,在实际操作中,可以根据上述原则,误差控制因子m和n的取值范围均为[5,20],调节参数λ的取值范围为[0,1]。
步骤S124,基于双网格搜索算法,对惩罚因子c和核函数的临界参数g进行优化,得到优化后的惩罚因子c和优化后的核函数的临界参数g。
在一种可选的方案中,可以基于双网格搜索算法,对初始网络流量预测模型中的惩罚因子和函数的临界参数进行寻优,得到最优的惩罚因子和核函数的临界参数。
步骤S126,根据优化后的加权因子wi,优化后的惩罚因子c和优化后的核函数的临界参数g,得到网络流量预测模型。
在一种可选的方案中,在通过可调加权双网格搜索算法对加权因子wi,惩罚因子c和核函数的临界参数g进行优化之后,可以将优化后的加权因子wi,惩罚因子c和核函数的临界参数g代入到初始网络流量预测模型中,得到优化后的网络流量预测模型。
可选的,在本发明上述实施例中,步骤S124,基于双网格搜索算法,对惩罚因子c和核函数的临界参数g进行优化,得到优化后的惩罚因子c和优化后的核函数的临界参数g,包括:
步骤S132,在惩罚因子c和核函数的临界参数g的第一网格搜索范围内进行搜索,得到惩罚因子c和核函数的临界参数g的局部最优值。
步骤S134,在以局部最优值为中心的第二网格搜索范围内进行二次搜索,得到优化后的惩罚因子c和优化后的核函数的临界参数g。
其中,第一网格搜索范围大于第二网格搜索范围。
此处需要说明的是,上述第一网格搜索范围可以是步长较大的粗网格,而第二网格搜索范围可以是步长较小的细网格。
在一种可选的方案中,首先可以在粗网格中对惩罚因子c和核函数的临界参数g进行遍历,根据预设算法,对遍历到的惩罚因子c和核函数的临界参数g进行筛选,得到惩罚因子c和核函数的临界参数g的局部最优值,记为(c,g)local。其次,在以局部最优值(c,g)local为中心的细网格中进行二次遍历,并根据预设算法,对便利到的惩罚因子c和核函数的临界参数g进行筛选,从而得到惩罚因子c和核函数的临界参数g的全局最优值,记为(c,g)optimal,即优化后的惩罚因子c和优化后的核函数的临界参数g。
此处需要说明的是,采用大网格搜索范围可以提高搜索速度,但是搜索精确度不高;而采用小网格搜索范围可以提高搜索精度,但是搜索速度会降低。因此,可以采用大网格搜索范围进行快速搜索,并采用小网格搜索范围进行精确搜索,从而在保证搜索速度的基础上,可以提升搜索精度。
通过上述步骤S132至步骤S134,可以采用加权约束下的粗搜索与细搜索相结合的可调加权双网格搜索算法,对惩罚因子c和核函数的临界参数g进行优化,从而避免了传统支持向量机模型参数寻优算法精度和速度的矛盾。进而,将最优支持向量机模型应用列车通信网络系统,实现快速精确的流量预测。
可选的,在本发明上述实施例中,步骤S132,在惩罚因子c和核函数的临界参数g的第一网格搜索范围内进行搜索,得到惩罚因子c和核函数的临界参数g的局部最优值,包括:
步骤S142,在第一网格搜索范围内,利用第一搜索步长δbig进行搜索,得到惩罚因子c和核函数的临界参数g的多组搜索结果。
可选的,通常情况下,在实际优化过程中,大网格搜索范围的搜索半径可以为106,大搜索步长δbig无具体计算公式,通常通过面向的列车通信网络对象由经验给出,一般可以为100.5。
步骤S144,根据每组搜索结果,计算相应的初始网络流量预测模型对应的均方根误差值,得到多个均方根误差值。
步骤S146,获取多个均方根误差值中的最小均方根误差值对应的搜索结果,得到局部最优值。
在一种可选的方案中,在的惩罚因子c和核函数的临界参数g的大网格搜索范围内,利用大搜索步长δbig进行搜索;根据搜索结果逐步计算均方根误差,均方根误差最小值对应的(c,g)为局部最优值,记为(c,g)local。
可选的,在本发明上述实施例中,步骤S134,在以局部最优值为中心的第二网格搜索范围内进行二次搜索,得到优化后的惩罚因子c和优化后的核函数的临界参数g,包括:
步骤S142,在第二网格搜索范围内,利用第二搜索步长δsmall进行搜索,得到惩罚因子c和核函数的临界参数g的多组搜索结果。
可选的,在本发明上述实施例中,可以通过如下公式计算得到第二搜索步长δsmall:
其中,k为速度-精度调节因子。
可选的,在本发明上述实施例中,速度-精度调节因子k的取值范围可以为1≤k≤5。
此处需要说明的是,在取值范围内,速度-精度调节因子k的取值越大,则小搜索步长δsmall越大,小网格搜索速度越快,对应的精度也约定。
通常情况下,在实际优化过程中可以默认k=1,则上述的第二搜索步长δsmall为100.05;作为对比,k=5时δsmall接近等于δbig。
可选的,通常情况下,在实际优化过程中,第二网格搜索范围的搜索半径为102,第二搜索步长δsmall为100.05。
步骤S144,根据每组搜索结果,计算相应的初始网络流量预测模型的均方根误差值,得到多个均方根误差值。
步骤S146,获取多个均方根误差值中的最小均方根误差值对应的搜索结果,得到全局最优值,其中,全局最优值中包括优化后的惩罚因子c和优化后的核函数的临界参数g。
在一种可选的方案中,在以局部最优值(c,g)local为中心的小网格搜索范围内,利用小搜索步长δsmall进行二次搜索;根据搜索结果逐步计算均方根误差,均方根误差最小值对应的(c,g)为全局最优值(c,g)optimal。
可选的,在本发明上述实施例中,在步骤S112,将历史网络流量作为训练样本之前,上述方法还包括:
步骤S152,对历史网络流量进行归一化处理,将处理后的历史网络流量作为训练样本。
在一种可选的方案中,为了方便根据列车通信网络的历史网络流量得到网络流量预测模型,可以对采集到的历史网络流量进行归一化处理,并将归一化处理后的历史网络流量作为训练样本,采用可调加权双网格搜索算法,得到优化后的网络流量预测模型。
下面结合图2对本发明一种优选的列车通信网络的网络流量预测方法实施例进行详细说明。
如图2所示,可以将列车通信网络的历史网络流量作为数据输入,在将历史网络流量进行归一化处理之后,可以将处理后的历史网络流量送入加权双网格支持向量机模型(SVM),进行模拟训练。
上述模拟训练的核心思想是引入可调加权双重网格搜索,即将惩罚因子c和核函数的临界参数g的待搜索区域在对数单位上进行划分;同时,在约束条件中,考虑列车通信网络流量的类周期特性,以及越接近预测时间点的流量重要性越高的原则,引入加权因子。在此基础上,先采用大步长δbig进行粗搜索,根据搜索结果逐步计算均方根误差,得到局部最优值(c,g)local;进而在(c,g)local附近的小范围区域内进行二次精确搜索,得到全局最优值(c,g)optimal,从而得到最优的支持向量机模型。
此处需要说明的是,可以在约束条件中加入速度-精度调节因子,根据速度-精度调节因子可以确定(c,g)local附近的小范围区域,从而可以进行二次精确搜索。
将待预测的网络流量参数(如预测周期、预测时刻)输入最优支持向量机模型(SVM),进行未来网络流量的预测,并且可以根据实际网络流量,进行预测精度的计算和分析。
在计算得到的预测精度无法满足预测要求的情况下,还可以根据实际网络流量,对最优支持向量机模型进行调节。
实施例2
根据本发明实施例,还提供了一种列车通信网络的网络流量的预测装置的装置实施例。
图3是根据本发明实施例的一种列车通信网络的网络流量的预测装置的示意图,如图3所示,该装置包括:获取模块31,处理模块33和预测模块35。
其中,获取模块31用于获取列车通信网络的历史网络流量。
具体的,上述步骤中的列车通信网络的历史网络流量可以是列车通信网络的过去任意特定时间段内各采样时间点对应的网络流量数值。
处理模块33用于根据历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型。
具体的,上述步骤中的预设的网格搜索算法可以是可调加权双网格搜索算法,即加入加权因子作为约束条件,在加权约束条件下的两级网格搜索算法。
在一种可选的方案中,可以将获取到的列车通信网络的历史网络流量作为训练样本,进行支持向量机模型的训练,并采用可调加权双网格搜索算法对支持向量机模型的参数进行优化,得到参数优化后的列车通信网络流量预测模型。
此处需要说明的是,采用可调加权双网格搜索算法对支持向量机模型的参数进行优化,可以得到最优的参数值,从而得到最优的列车通信网络流量预测模型。
预测模块35用于基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量。
具体的,上述预设时间段可以是根据未来网络流量的预测需求,提前设定的预测周期。
在一种可选的方案中,在得到参数优化后的列车通信网络流量预测模型之后,可以基于最优的列车通信网络流量预测模型预测未来给定预测周期内的列测通信网络流量。
根据本发明上述实施例,可以获取列车通信网络的历史网络流量,根据获取到的历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型,并基于网络流量预测模型,预测预设时间段内列车通信网络的网络流量,从而实现对列车通信网络的网络流量进行预测的目的。由于针对列车通信网络的历史网络流量,并采用可调加权双网格搜索算法,得到参数优化后的网络流量预测模型,解决了采用现有的基于支持向量机模型的方法,对列车通信网络流量进行预测,预测效率低的技术问题。因此,通过本发明上述实施例提供的方案,可以提供一种有针对性的,简单且高效、实用的列车通信网络的网络流量预测方法,提升预测速度和预测准确度。
可选的,在本发明上述实施例中,上述处理模块33包括:处理子模块,训练子模块和优化子模块。
其中,处理子模块用于将历史网络流量作为训练样本。
训练子模块用于根据训练样本进行支持向量机的训练,得到初始网络流量预测模型。
具体的,上述初始网络流量预测模型可以是支持向量机模型。
在一种可选的方案中,为了能够得到参数优化后的网络流量预测模型,可以采用基于支持向量机模型的预测方法,将列车通信网络的历史网络流量作为支持向量机模型的训练样本,并根据支持向量机模型的训练样本进行支持向量机模型的训练,从而得到初始网络流量预测模型。
可选的,在本发明上述实施例中,上述初始网络流量预测模型可以为:
其中,f(x)为初始网络流量预测模型的输出数据,x为初始网络流量预测模型的输入数据,N为训练样本的维数,N为正整数,1≤i≤N,i为整数,xi为第i个训练样本,b为偏置项常数,K(x,xi)为支持向量机的核函数,且
K(x,xi)=exp(-g||x-xi||2),
其中,exp为指数函数,g为核函数的临界参数,且g>0,αi和分别为第i个训练样本的拉格朗日乘子。
此处需要说明的是,偏置项b是一个常数,具体可以根据经验值进行确定。
可选的,在本发明上述实施例中,αi和可以满足如下公式:
且
其中,c为惩罚因子,wi为第i个训练样本对应的加权因子。
可选的,在本发明上述实施例中,开通过如下公式计算第i个训练样本对应的加权因子wi:
其中,t为预测时刻,ti为第i个训练样本对应的采样时间点,T为预设时间段(即提前设定的预测周期),mod为取余运算符号,m和n为误差控制因子,λ为调节参数。
在一种可选的方案中,可以根据列车通信网络流量的类周期特性,以及越接近预测时间点的流量重要性越高的原则,得到加权因子的计算公式,则初始网络流量预测模型可以表述为:
优化子模块用于基于预设的网格搜索算法,对初始网络流量预测模型中的参数进行优化,得到网络流量预测模型。
在一种可选的方案中,可以基于可调加权双网格搜索算法,对支持向量机模型的最优参数进行寻优,从而实现加权约束下的粗搜索与细搜索相结合的可调加权双网格支持向量机模型,避免了传统支持向量机模型参数寻优算法精度和速度的矛盾。
可选的,在本发明上述实施例中,上述装置还包括:归一化处理模块。
归一化处理模块,用于对历史网络流量进行归一化处理,将处理后的历史网络流量作为训练样本。
在一种可选的方案中,为了方便根据列车通信网络的历史网络流量得到网络流量预测模型,可以对采集到的历史网络流量进行归一化处理,并将归一化处理后的历史网络流量作为训练样本,采用可调加权双网格搜索算法,得到优化后的网络流量预测模型。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (17)
1.一种列车通信网络的网络流量的预测方法,其特征在于,包括:
获取列车通信网络的历史网络流量;
根据所述历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型;
基于所述网络流量预测模型,预测预设时间段内所述列车通信网络的网络流量;
其中,所述预设的网格搜索算法为可调加权双网格搜索算法,通过如下公式计算所述可调加权双网格搜索算法的加权因子wi:
其中,wi为第i个训练样本对应的加权因子,t为预测时刻,ti为第i个训练样本对应的采样时间点,T为所述预设时间段,mod为取余运算符号,m和n为误差控制因子,λ为调节参数。
2.根据权利要求1所述的方法,其特征在于,根据所述历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型,包括:
将所述历史网络流量作为训练样本;
根据所述训练样本进行支持向量机的训练,得到初始网络流量预测模型;
基于所述预设的网格搜索算法,对所述初始网络流量预测模型中的参数进行优化,得到所述网络流量预测模型。
3.根据权利要求2所述的方法,其特征在于,所述初始网络流量预测模型为:
其中,f(x)为所述初始网络流量预测模型的输出数据,x为所述初始网络流量预测模型的输入数据,N为所述训练样本的维数,所述N为正整数,1≤i≤N,所述i为整数,xi为第i个训练样本,b为偏置项,K(x,xi)为所述支持向量机的核函数,且K(x,xi)=exp(-g||x-xi||2),
其中,exp为指数函数,g为所述核函数的临界参数,且g>0,αi和αi *分别为第i个训练样本的拉格朗日乘子。
4.根据权利要求3所述的方法,其特征在于,所述αi和所述满足如下公式:
且
其中,c为惩罚因子,wi为第i个训练样本对应的加权因子。
5.根据权利要求4所述的方法,其特征在于,基于所述预设的网格搜索算法,对所述初始网络流量预测模型中的参数进行优化,得到所述网络流量预测模型,包括:
基于权值分布规律,对所述误差控制因子m和n,以及所述调节参数λ进行优化,得到优化后的加权因子wi;
基于双网格搜索算法,对所述惩罚因子c和所述核函数的临界参数g进行优化,得到优化后的惩罚因子c和优化后的核函数的临界参数g;
根据所述优化后的加权因子wi,所述优化后的惩罚因子c和所述优化后的核函数的临界参数g,得到所述网络流量预测模型。
6.根据权利要求5所述的方法,其特征在于,所述误差控制因子m和n的取值范围均为[5,20],所述调节参数λ的取值范围为[0,1]。
7.根据权利要求5或6所述的方法,其特征在于,基于双网格搜索算法,对所述惩罚因子c和所述核函数的临界参数g进行优化,得到优化后的惩罚因子c和优化后的核函数的临界参数g,包括:
在所述惩罚因子c和所述核函数的临界参数g的第一网格搜索范围内进行搜索,得到所述惩罚因子c和所述核函数的临界参数g的局部最优值;
在以所述局部最优值为中心的第二网格搜索范围内进行二次搜索,得到所述优化后的惩罚因子c和所述优化后的核函数的临界参数g;
其中,所述第一网格搜索范围大于所述第二网格搜索范围。
8.根据权利要求7所述的方法,其特征在于,在所述惩罚因子c和所述核函数的临界参数g的第一网格搜索范围内进行搜索,得到所述惩罚因子c和所述核函数的临界参数g的局部最优值,包括:
在所述第一网格搜索范围内,利用第一搜索步长δbig进行搜索,得到所述惩罚因子c和所述核函数的临界参数g的多组搜索结果;
根据每组搜索结果,计算相应的初始网络流量预测模型的均方根误差值,得到多个均方根误差值;
获取所述多个均方根误差值中的最小均方根误差值对应的搜索结果,得到所述局部最优值。
9.根据权利要求8所述的方法,其特征在于,所述第一网格搜索范围的搜索半径为106,所述第一搜索步长δbig为100.5。
10.根据权利要求7所述的方法,其特征在于,在以所述局部最优值为中心的第二网格搜索范围内进行二次搜索,得到所述优化后的惩罚因子c和所述优化后的核函数的临界参数g,包括:
在所述第二网格搜索范围内,利用第二搜索步长δsmall进行搜索,得到所述惩罚因子c和所述核函数的临界参数g的多组搜索结果;
根据每组搜索结果,计算相应的初始网络流量预测模型的均方根误差值,得到多个均方根误差值;
获取所述多个均方根误差值中的最小均方根误差值对应的搜索结果,得到全局最优值,其中,所述全局最优值中包括所述优化后的惩罚因子c和所述优化后的核函数的临界参数g。
11.根据权利要求10所述的方法,其特征在于,通过如下公式计算得到所述第二搜索步长δsmall:
其中,k为速度-精度调节因子。
12.根据权利要求11所述的方法,其特征在于,所述速度-精度调节因子k的取值范围为1≤k≤5。
13.根据权利要求11至12中任意一项所述的方法,其特征在于,所述第二网格搜索范围的搜索半径为102,所述第二搜索步长δsmall为100.05。
14.根据权利要求2所述的方法,其特征在于,在将所述历史网络流量作为训练样本之前,所述方法还包括:
对所述历史网络流量进行归一化处理,将处理后的历史网络流量作为所述训练样本。
15.一种列车通信网络的网络流量的预测装置,其特征在于,包括:
获取模块,用于获取列车通信网络的历史网络流量;
处理模块,用于根据所述历史网络流量,采用预设的网格搜索算法,得到网络流量预测模型;
预测模块,用于基于所述网络流量预测模型,预测预设时间段内所述列车通信网络的网络流量;
其中,所述预设的网格搜索算法为可调加权双网格搜索算法,通过如下公式计算所述可调加权双网格搜索算法的加权因子wi:
其中,wi为第i个训练样本对应的加权因子,t为预测时刻,ti为第i个训练样本对应的采样时间点,T为所述预设时间段,mod为取余运算符号,m和n为误差控制因子,λ为调节参数。
16.根据权利要求15所述的装置,其特征在于,所述处理模块包括:
处理子模块,用于将所述历史网络流量作为训练样本;
训练子模块,用于根据所述训练样本进行支持向量机的训练,得到初始网络流量预测模型;
优化子模块,用于基于所述预设的网格搜索算法,对所述初始网络流量预测模型中的参数进行优化,得到所述网络流量预测模型。
17.根据权利要求16所述的装置,其特征在于,所述装置还包括:
归一化处理模块,用于对所述历史网络流量进行归一化处理,将处理后的历史网络流量作为所述训练样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610408710.7A CN106100922B (zh) | 2016-06-12 | 2016-06-12 | 列车通信网络的网络流量的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610408710.7A CN106100922B (zh) | 2016-06-12 | 2016-06-12 | 列车通信网络的网络流量的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106100922A CN106100922A (zh) | 2016-11-09 |
CN106100922B true CN106100922B (zh) | 2019-07-16 |
Family
ID=57229163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610408710.7A Active CN106100922B (zh) | 2016-06-12 | 2016-06-12 | 列车通信网络的网络流量的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106100922B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
CN108964969B (zh) * | 2018-05-07 | 2021-12-07 | 中国铁路总公司 | 混合神经网络和ar模型的高速铁路信号系统流量预测方法 |
CN110855519A (zh) * | 2019-11-07 | 2020-02-28 | 深圳市高德信通信股份有限公司 | 一种网络流量预测方法 |
CN110749307A (zh) * | 2019-12-03 | 2020-02-04 | 国家电网有限公司 | 基于北斗定位的输电线路位移沉降判定方法及系统 |
CN111130890A (zh) * | 2019-12-26 | 2020-05-08 | 深圳市高德信通信股份有限公司 | 一种网络流量动态预测系统 |
CN114666230B (zh) * | 2022-05-24 | 2022-08-12 | 南京信息工程大学 | 一种基于修正因子的网络流量灰色预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
US8682812B1 (en) * | 2010-12-23 | 2014-03-25 | Narus, Inc. | Machine learning based botnet detection using real-time extracted traffic features |
-
2016
- 2016-06-12 CN CN201610408710.7A patent/CN106100922B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8682812B1 (en) * | 2010-12-23 | 2014-03-25 | Narus, Inc. | Machine learning based botnet detection using real-time extracted traffic features |
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
Non-Patent Citations (2)
Title |
---|
基于相对距离的加权支持向量机;王红蔚,孔波;《河南大学学报(自然科学版)》;20110331;第0-1章 |
基于网格搜索支持向量机的网络流量预测;刘道文,忽海娜;《计算机应用与软件》;20121130;第1-2章及图1-2 |
Also Published As
Publication number | Publication date |
---|---|
CN106100922A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106100922B (zh) | 列车通信网络的网络流量的预测方法和装置 | |
Cavalcante et al. | LASSO vector autoregression structures for very short‐term wind power forecasting | |
Meng et al. | An intelligent hybrid wavelet-adversarial deep model for accurate prediction of solar power generation | |
Taş et al. | The time-dependent vehicle routing problem with soft time windows and stochastic travel times | |
Crawford et al. | Parameter tuning of a choice-function based hyperheuristic using particle swarm optimization | |
Chen et al. | Edge intelligent networking optimization for internet of things in smart city | |
Hakli | BinEHO: a new binary variant based on elephant herding optimization algorithm | |
CN103678004A (zh) | 一种基于非监督特征学习的主机负载预测方法 | |
Padhi et al. | Solving dynamic economic emission dispatch problem with uncertainty of wind and load using whale optimization algorithm | |
CN114330692A (zh) | 神经网络模型的部署方法、装置、设备及存储介质 | |
CN104035779A (zh) | 一种数据流决策树分类中的缺失值处理方法 | |
CN110059875A (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
Alsajri et al. | A review on the recent application of Jaya optimization algorithm | |
Peng et al. | A cloud load forecasting model with nonlinear changes using whale optimization algorithm hybrid strategy | |
CN104199870A (zh) | 基于混沌搜索的ls-svm预测模型的建立方法 | |
Zaman et al. | Novel approaches for vnf requirement prediction using dnn and lstm | |
Wang et al. | Short‐term probabilistic forecasting for regional wind power using distance‐weighted kernel density estimation | |
CN107451694A (zh) | 一种用于移动系统中上下文感知与自适应的应用预测方法 | |
Teng et al. | A hybrid algorithm based on GWO and GOA for cycle traffic light timing optimization | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
Zhao et al. | Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC | |
CN103902706A (zh) | 一种基于svm的大数据分类预测方法 | |
Bantouna et al. | Network load predictions based on big data and the utilization of self-organizing maps | |
Hijazi et al. | Transfer learning for transient stability predictions in modern power systems under enduring topological changes | |
Ouyang et al. | Amended harmony search algorithm with perturbation strategy for large-scale system reliability problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |