CN117319231A - 一种基于蜣螂算法优化vmd的网络流量预测方法与系统 - Google Patents
一种基于蜣螂算法优化vmd的网络流量预测方法与系统 Download PDFInfo
- Publication number
- CN117319231A CN117319231A CN202311245796.2A CN202311245796A CN117319231A CN 117319231 A CN117319231 A CN 117319231A CN 202311245796 A CN202311245796 A CN 202311245796A CN 117319231 A CN117319231 A CN 117319231A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- dung
- flow
- value
- network
- 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.)
- Pending
Links
- 241000254173 Coleoptera Species 0.000 title claims abstract description 91
- 210000003608 fece Anatomy 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 241001229848 Aphodius granarius Species 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000000489 vacuum metal deposition Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000017448 oviposition Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 230000015654 memory Effects 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蜣螂算法优化VMD的网络流量预测方法与系统，包括以下步骤：采集所需要预测的网络环境内的历史网络流量信息，使用蜣螂算法优化VMD算法的参数选择，得到最佳惩罚因子和模态数的组合；使用具有最优参数组合的VMD对原始网络流量进行分解，得到若干条流量子序列；将若干条子序列重构为K维矩阵；将K维网络流量矩阵输入流量预测模型进行训练；使用训练好的模型对未来时刻的网络流量值进行预测；对预测结果计算预测精确度指标。本发明使用DBO算法优化VMD参数选择，能有效提升VMD数据分解能力，同时扩增了数据样本特征，可以使模型对网络流量预测的精度更高，效果更好。
Description
技术领域
本发明涉及网络流量预测技术领域，特别涉及一种基于蜣螂算法优化VMD的网络流量预测方法与系统。
背景技术
随着大数据时代的到来，信息技术高速发展，网络流量呈现出爆炸式的增长。对网络流量进行预测，能根据历史流量信息预测预知未来流量变化，便于提前做出资源调配，减少网络拥堵，降低网络延迟提升网络服务体验。同时，网络流量的准确预测不仅有利于降低通信延迟，提高网络资源利用率，还能帮助网络中心实时监控网络，进行故障检测判断，更能根据预测结果对网络设备制订休眠策略，节省能源。
早期，研究人员使用经典的统计学时间序列模型预测网络流量，例如泊松模型、马尔可夫模型，指数平滑法、自回归移动平均模型(Auto-Regression and Moving Average，ARMA)、差分自回归移动平均模型(Autoregressive Integrated Moving Average，ARIMA)等。但随着网络技术的发展，IP网络的大规模普及，网络应用的多样化发展、网络规模的扩大等因素，网络流量特征也发生了显著变化，统计学模型已无法满足当前网络环境的预测要求。研究学者发现，将机器学习方法引入网络流量问题是一种新的解决方式，能显著提升预测精度。这其中最具有代表性的是基于循环神经网络((Recurrent Neural Network，RNN)及其变体长短期记忆神经网络(Long Short Term Memory，LSTM)和门控循环单元(Gated Recurrent Unit，GRU)的网络。
但由于网络流量具有长相关性，自相似性等多种特征，使用单一预测模型往往很难对网络流量进行准确预测。使用变分模态分解(Variational Mode Decomposition，VMD)对原始网络流量数据进行分解，能对原始网络流量中的信息进行深度挖掘，便于预测模型进行更好的学习。但VMD算法中的两个参数(惩罚因子α和模态数K)，对分解效果影响巨大，一直都没有一个很好的确定方法。
现有技术提供了一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，该方法包括：获取非平稳SDN网络流量数据；采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；
发明内容
本发明为克服上述现有技术所述网络流量预测准确度不高的缺陷，提供一种基于蜣螂算法优化VMD的网络流量预测方法。
为解决上述技术问题，本发明的技术方案如下：
本发明提供了一种基于蜣螂算法优化VMD的网络流量预测方法，所述方法包括：
S1：获取历史网络流量信息；
S2：利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
S3：利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
S4：将若干条网络流量子序列进行组合，获得流量矩阵；
S5：将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
S6：使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
优选地，所述S2的具体方法为：
S21：设置并初始化蜣螂种群和蜣螂算法参数，包括最大迭代次数、种群维度、蜣螂总数、四种蜣螂的比例；
S22：定义蜣螂位置代表变分模态分解算法的初始惩罚因子和初始模态数，将所有蜣螂的位置带入设置的目标函数中，获得目标函数初始值；
S23：按照轨迹更新公式更新所有蜣螂的位置，获得更新后所有蜣螂的位置；
S24：将更新后所有蜣螂的位置带入目标函数中，计算目标函数更新值；
S25：将目标函数更新值与目标函数初始值进行比较，将较小目标函数值对应的蜣螂位置作为当前最优位置；
S26：重复S23-S25，直至达到最大迭代次数，获得每个迭代伦次对应的当前最优位置；
S27：比较所有当前最优位置，将当前最优位置最小值作为全局最优位置，对应的惩罚因子和模态数作为最优惩罚因子和最优模态数；
S28：将最佳惩罚因子和最优模态数保存至变分模态分解算法，获得优化后的变分模态分解算法。
优选地，所述S22中设置的目标函数为：
其中N为网络流量序列的长度，X(n)为原始未分解网络流量序列，IMFk(n)为VMD分解后第K条子序列。
优选地，所述S23的轨迹更新公式为：
四种蜣螂分别为滚球蜣螂、产卵蜣螂、小蜣螂和小偷蜣螂；
对于滚球蜣螂，前方无障碍时，轨迹更新公式为：
xi(t+1)＝xi(t)+β×q×xi(t-1)+b×Δx，Δx＝|xi(t)-Xw|
前方有障碍时，轨迹更新公式为：
其中，t表示当前蜣螂所处的迭代次数，xi(t)表示第i只蜣螂在第t轮迭代时的位置，β为自然系数赋值为-1或1，q∈(0，0.2]为偏转系数，b∈(0，1)表示常数，Xw为全局最差位置，Δx为模拟的光照强度变化。
对于产卵蜣螂，轨迹更新公式为：
xi(t+1)＝X*+b1×(xi(t)-Lb*)+b2×(xi(t)-Ub*)
Lb*＝max(X*×(1-R)，Lb)
Ub*＝min(X*×(1+R)，Ub)
式中，X*代表当前局部最优位置，Ub*和Lb*为产卵区的上下限，R＝1-t/Tmax表示随着迭代次数的变化活动范围改变，Ub和Lb为待优化参数的上下限，b1和b2代表两个大小为1×D的独立随机向量，D表示优化问题的维度。对于小蜣螂，轨迹更新公式为：
xi(t+1)＝xi(t)+C1×(xi(t)-Lbb)+C2×(xi(t)-Ubb)
Lbb＝max(Xb×(1-R)，Lb)
Ubb＝min(Xb×(1+R)，Ub)
式中，Xb代表全局最优位置，Ubb和Lbb为产卵区的上下限，C1是一个随机数服从N(0，1)分布，C2∈(0，1)表示随机向量。
对于小偷蜣螂，轨迹更新公式为：
xi(t+1)＝Xb+S×g×(|xi(t)-X*|+|xi(t)-Xb|)
式中，g为一个服从正态分布的尺寸为1×D的随机向量，S为常数值。
优选地，所述S3的具体方法为：
S31：基于历史网络流量信息，构造约束变分问题的求解表达式，所述约束变分问题的求解表达式为：
其中，{uk}＝{u1，u2，...，uK}，{ωk}＝{ω1，ω2，...，ωK}分别表示K个流量子序列和其中心频率，f为原始未分解流量序列，是对时间的偏导，δ(t)是狄拉克冲激函数，“*”是卷积计算，“||.||2”是L2范数；
S32：将约束变分问题的求解表达式中引入拉格朗日乘法算子λ和惩罚系数α，转变为增广拉格朗日表达式；
S33：基于增广拉格朗日表达式进行迭代求解，获得网络流量子序列的分解结果；
优选地，S33进行迭代求解的公式为：
其中，是由傅里叶变换得到的参数；ωk为中心频率，τ为噪声容限。
S33进行迭代求解的判定公式为：
其中，∈为收敛容差，控制分解的精度；K为K条网络流量子序列；和/>是具有限带宽的子信号。
优选地，所述S5中的构建的流量预测模型包括依次连接的输入层、TCN层、GRU层、全连接层、输出层。
优选地，所述流量预测模型中的TCN层、GRU层、全连接层具体为：
1)TCN层
首先输入至TCN层进行第一次特征提取长期依赖性，TCN更新阶段：TCN中每个卷积层的输出可以表示为：
yl(t)＝Fl(yl-1(t)，Wl)
其中，yl(t)表示第l层卷积的输出，Fl表示第l层卷积操作，Wl表示第l层卷积核的参数，yl-1(t)表示上一卷积层的输出作为当前卷积层的输入(当l为1时，yl-1(t)即为整个TCN层的外部输入x(t)，外部输入x(t)是网络流量矩阵M中代表t时刻的K维网络流量向量)。在最后一个卷积层输出时，对其进行残差连接得到TCN层的输出z(t)：
z(t)＝yl(t)+x(t)
2)、GRU层
将TCN的输出z(t)输入到GRU中提取短期依赖性：
h(t)＝GRU(z(t))
GRU的隐藏状态h(t)和记忆单元c(t)的更新过程如下：
重置门：r(t)＝σ(Wr·[h(t-1)，z(t)])
更新门：u(t)＝σ(Wu·[h(t-1)，z(t)])
更新后的记忆单元候选值：
更新记忆单元：
隐藏状态等于记忆单元：h(t)＝c(t)
其中，W代表各个单元系统需要学习调整的权重和偏置参数，σ和tanh分别代表激活函数和/>
3)、全连接层
最后，通过一个全连接层得到最终预测的流量值：
x(t+1)＝Wout·h(t)
其中，x(t+1)表示在t的下一时刻的网络流量预测值[xt+1]，Wout为全连接层的权重和偏置参数。
即原始K维的历史网络流量输入，得到1维的未来网络流量预测值输出。
优选地，所述S5的具体方法为：
S51：将流量矩阵进行划分，获得训练集和验证集；
S52：进行每一轮训练时将训练集输入到构建的流量预测模型中前向传播，获得当前轮次的预测值；
S53：根据当前轮次的预测值与真实值，计算训练集的均方根误差损失值；
S54：反向传播计算训练集的均方根误差损失值对构建的流量预测模型参数的梯度，使用Adam优化器根据所述梯度调整学习率，更新构建的流量预测模型参数；
S55：将验证集输入构建的流量预测模型中，获得验证集的均方根误差损失值；
S56：重复S52-S55，直至验证集的均方根误差损失值收敛后达到预设的迭代次数，获得训练好的流量预测模型。
优选地，所述方法还包括：
S7：将未来时刻的网络流量预测值与真实网络流量值进行比对，获得预测精度；
式中，N代表网络流量序列的长度，yt和表示在t时刻的真实网络流量值和网络流量预测值，当计算MASE时，分子是测试集的MAE，分母是在训练集上计算的，T1是训练集的长度。
本发明还提供了一种基于蜣螂算法优化VMD的网络流量预测系统，用于实现上述的方法，所述系统包括：
信息获取模块，获取历史网络流量信息；
优化模块，利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
分解模块，利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
组合模块，将若干条网络流量子序列进行组合，获得流量矩阵；
训练模块，将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
预测模块，使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种基于蜣螂算法优化VMD的网络流量预测方法与系统，包括以下步骤：采集所需要预测的网络环境内的历史网络流量信息，使用蜣螂算法优化VMD算法的参数选择，得到最佳惩罚因子和模态数的组合；使用具有最优参数组合的VMD对原始网络流量进行分解，得到若干条流量子序列；将若干条子序列重构为K维矩阵；将K维网络流量矩阵输入流量预测模型进行训练；使用训练好的模型对未来时刻的网络流量值进行预测；对预测结果计算预测精确度指标。本发明使用DBO算法优化VMD参数选择，能有效提升VMD数据分解能力，同时扩增了数据样本特征，可以使模型对网络流量预测的精度更高，效果更好。
附图说明
图1为实施例1中所述基于蜣螂算法优化VMD的网络流量预测方法的流程图；
图2为实施例2中所述基于蜣螂算法优化VMD算法的流程图；
图3为实施例2中所述流量预测模型的结构示意图；
图4位实施例3中所述基于蜣螂算法优化VMD的网络流量预测系统的结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供了一种基于蜣螂算法优化VMD的网络流量预测方法，如图1所示，所述方法包括：
S1：获取历史网络流量信息；
S2：利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
S3：利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
S4：将若干条网络流量子序列进行组合，获得流量矩阵；
S5：将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
S6：使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
本实施例提供了一种基于蜣螂算法优化VMD的网络流量预测方法，包括以下步骤：采集所需要预测的网络环境内的历史网络流量信息，使用蜣螂算法优化VMD算法的参数选择，得到最佳惩罚因子和模态数的组合；使用具有最优参数组合的VMD对原始网络流量进行分解，得到若干条流量子序列；将若干条子序列重构为流量矩阵；将流量矩阵输入流量预测模型进行训练；使用训练好的模型对未来时刻的网络流量值进行预测；对预测结果计算预测精确度指标。本发明使用DBO算法优化VMD参数选择，能有效提升VMD数据分解能力，同时扩增了数据样本特征，可以使模型对网络流量预测的精度更高，效果更好。
实施例2
本实施例提供了一种基于蜣螂算法优化VMD的网络流量预测方法，所述方法包括：
S1：获取历史网络流量信息；
S2：利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
S21：设置并初始化蜣螂种群和蜣螂算法参数，包括最大迭代次数、种群维度、蜣螂总数、四种蜣螂的比例；
S22：定义蜣螂位置代表变分模态分解算法的初始惩罚因子和初始模态数，将所有蜣螂的位置带入设置的目标函数中，获得目标函数初始值；
所述S22中设置的目标函数为：
其中N为网络流量序列的长度，X(n)为原始未分解网络流量序列，IMFk(n)为VMD分解后第K条子序列
S23：按照轨迹更新公式更新所有蜣螂的位置，获得更新后所有蜣螂的位置；
所述S23的轨迹更新公式为：
四种蜣螂分别为滚球蜣螂、产卵蜣螂、小蜣螂和小偷蜣螂；
对于滚球蜣螂，前方无障碍时，轨迹更新公式为：
xi(t+1)＝xi(t)+β×q×xi(t-1)+b×Δx，Δx＝|xi(t)-Xw|
前方有障碍时，轨迹更新公式为：
其中，t表示当前蜣螂所处的迭代次数，xi(t)表示第i只蜣螂在第t轮迭代时的位置，β为自然系数赋值为-1或1，q∈(0，0.2]为偏转系数，b∈(0，1)表示常数，Xw为全局最差位置，Δx为模拟的光照强度变化。
对于产卵蜣螂，轨迹更新公式为：
xi(t+1)＝X*+b1×(xi(t)-Lb*)+b2×(xi(t)-Ub*)
Lb*＝max(X*×(1-R)，Lb)
Ub*＝min(X*×(1+R)，Ub)
式中，X*代表当前局部最优位置，Ub*和Lb*为产卵区的上下限，R＝1-t/Tmax表示随着迭代次数的变化活动范围改变，Ub和Lb为待优化参数的上下限，b1和b2代表两个大小为1×D的独立随机向量，D表示优化问题的维度。对于小蜣螂，轨迹更新公式为：
xi(t+1)＝xi(t)+C1×(xi(t)-Lbb)+C2×(xi(t)-Ubb)
Lbb＝max(Xb×(1-R)，Lb)
Ubb＝min(Xb×(1+R)，Ub)
式中，Xb代表全局最优位置，Ubb和Lbb为产卵区的上下限，C1是一个随机数服从N(0，1)分布，C2∈(0，1)表示随机向量。
对于小偷蜣螂，轨迹更新公式为：
xi(t+1)＝Xb+S×g×(|xi(t)-X*|+|xi(t)-Xb|)
式中，g为一个服从正态分布的尺寸为1×D的随机向量，S为常数值。
S24：将更新后所有蜣螂的位置带入目标函数中，计算目标函数更新值；
S25：将目标函数更新值与目标函数初始值进行比较，将较小目标函数值对应的蜣螂位置作为当前最优位置；
S26：重复S23-S25，直至达到最大迭代次数，获得每个迭代伦次对应的当前最优位置；
S27：比较所有当前最优位置，将当前最优位置最小值作为全局最优位置，对应的惩罚因子和模态数作为最优惩罚因子和最优模态数；
S28：将最佳惩罚因子和最优模态数保存至变分模态分解算法，获得优化后的变分模态分解算法。
S3：利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
如图2所示，所述S3的具体方法为：
S31：基于历史网络流量信息，构造约束变分问题的求解表达式，所述约束变分问题的求解表达式为：
其中，{uk}＝{u1，u2，...，uK}，{ωk}＝{ω1，ω2，...，ωK}分别表示K个流量子序列和其中心频率，f为原始未分解流量序列，是对时间的偏导，δ(t)是狄拉克冲激函数，“*”是卷积计算，“||.||2”是L2范数；
S32：将约束变分问题的求解表达式中引入拉格朗日乘法算子λ和惩罚系数α，转变为增广拉格朗日表达式；
S33：基于增广拉格朗日表达式进行迭代求解，获得网络流量子序列的分解结果；
S33进行迭代求解的公式为：
其中，是由傅里叶变换得到的参数；ωk为中心频率，τ为噪声容限。
S33进行迭代求解的判定公式为：
其中，∈为收敛容差，控制分解的精度；K为K条网络流量子序列；和/>是具有限带宽的子信号。
S4：将若干条网络流量子序列进行组合，获得流量矩阵；
S5：将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
如图3所示，所述S5中的构建的流量预测模型包括依次连接的输入层、TCN层、GRU层、全连接层、输出层。
所述流量预测模型中的TCN层、GRU层、全连接层具体为：
1)TCN层
首先输入至TCN层进行第一次特征提取长期依赖性，TCN更新阶段：TCN中每个卷积层的输出可以表示为：
yl(t)＝Fl(yl-1(t)，Wl)
其中，yl(t)表示第l层卷积的输出，Fl表示第l层卷积操作，Wl表示第l层卷积核的参数，yl-1(t)表示上一卷积层的输出作为当前卷积层的输入(当l为1时，yl-1(t)即为整个TCN层的外部输入x(t)，外部输入x(t)是网络流量矩阵M中代表t时刻的K维网络流量向量)。在最后一个卷积层输出时，对其进行残差连接得到TCN层的输出z(t)：
z(t)＝yl(t)+x(t)
2)、GRU层
将TCN的输出z(t)输入到GRU中提取短期依赖性：
h(t)＝GRU(z(t))
GRU的隐藏状态h(t)和记忆单元c(t)的更新过程如下：
重置门：r(t)＝σ(Wr·[h(t-1)，z(t)])
更新门：u(t)＝σ(Wu·[h(t-1)，z(t)])
更新后的记忆单元候选值：
更新记忆单元：
隐藏状态等于记忆单元：h(t)＝c(t)
其中，W代表各个单元系统需要学习调整的权重和偏置参数，σ和tanh分别代表激活函数和/>
3)、全连接层
最后，通过一个全连接层得到最终预测的流量值：
x(t+1)＝Wout·h(t)
其中，x(t+1)表示在t的下一时刻的网络流量预测值[xt+1]，Wout为全连接层的权重和偏置参数。
即原始K维的历史网络流量输入，得到1维的未来网络流量预测值输出。
所述S5的具体方法为：
S51：将流量矩阵进行划分，获得训练集和验证集；
S52：进行每一轮训练时将训练集输入到构建的流量预测模型中前向传播，获得当前轮次的预测值；
S53：根据当前轮次的预测值与真实值，计算训练集的均方根误差损失值；
S54：反向传播计算训练集的均方根误差损失值对构建的流量预测模型参数的梯度，使用Adam优化器根据所述梯度调整学习率，更新构建的流量预测模型参数；
S55：将验证集输入构建的流量预测模型中，获得验证集的均方根误差损失值；
S56：重复S52-S55，直至验证集的均方根误差损失值收敛后达到预设的迭代次数，获得训练好的流量预测模型
S6：使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
S7：将未来时刻的网络流量预测值与真实网络流量值进行比对，获得预测精度
式中，N代表网络流量序列的长度，yt和表示在t时刻的真实网络流量值和网络流量预测值，当计算MASE时，分子是测试集的MAE，分母是在训练集上计算的，T1是训练集的长度。
实施例3
本实施例提供了一种基于蜣螂算法优化VMD的网络流量预测系统，用于实现实施例1或2所述的方法，如图4所示，所述系统包括：
信息获取模块，获取历史网络流量信息；
优化模块，利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
分解模块，利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
组合模块，将若干条网络流量子序列进行组合，获得流量矩阵；
训练模块，将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
预测模块，使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述方法包括：
S1：获取历史网络流量信息；
S2：利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
S3：利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
S4：将若干条网络流量子序列进行组合，获得流量矩阵；
S5：将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
S6：使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
2.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S2的具体方法为：
S21：设置并初始化蜣螂种群和蜣螂算法参数，包括最大迭代次数、种群维度、蜣螂总数、四种蜣螂的比例；
S22：定义蜣螂位置代表变分模态分解算法的初始惩罚因子和初始模态数，将所有蜣螂的位置带入设置的目标函数中，获得目标函数初始值；
S23：按照轨迹更新公式更新所有蜣螂的位置，获得更新后所有蜣螂的位置；
S24：将更新后所有蜣螂的位置带入目标函数中，计算目标函数更新值；
S25：将目标函数更新值与目标函数初始值进行比较，将较小目标函数值对应的蜣螂位置作为当前最优位置；
S26：重复S23-S25，直至达到最大迭代次数，获得每个迭代伦次对应的当前最优位置；
S27：比较所有当前最优位置，将当前最优位置最小值作为全局最优位置，对应的惩罚因子和模态数作为最优惩罚因子和最优模态数；
S28：将最佳惩罚因子和最优模态数保存至变分模态分解算法，获得优化后的变分模态分解算法。
3.根据权利要求2所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S22中设置的目标函数为：
其中N为网络流量序列的长度，X(n)为原始未分解网络流量序列，IMFk(n)为VMD分解后第K条子序列。
4.根据权利要求2所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S23的轨迹更新公式为：
四种蜣螂分别为滚球蜣螂、产卵蜣螂、小蜣螂和小偷蜣螂；
对于滚球蜣螂，前方无障碍时，轨迹更新公式为：
xi(t+1)＝xi(t)+β×q×xi(t-1)+b×Δx，Δx＝|xi(t)-Xw|
前方有障碍时，轨迹更新公式为：
其中，t表示当前蜣螂所处的迭代次数，xi(t)表示第i只蜣螂在第t轮迭代时的位置，β为自然系数赋值为-1或1，q∈(0，0.2]为偏转系数，b∈(0，1)表示常数，Xw为全局最差位置，Δx为模拟的光照强度变化；
对于产卵蜣螂，轨迹更新公式为：
xi(t+1)＝X*+b1×(xi(t)-Lb*)+b2×(xi(t)-Ub*)
Lb*＝max(X*×(1-R)，Lb)
Ub*＝min(X*×(1+R)，Ub)
式中，X*代表当前局部最优位置，Ub*和Lb*为产卵区的上下限，R＝1-t/Tmax表示随着迭代次数的变化活动范围改变，Ub和Lb为待优化参数的上下限，b1和b2代表两个大小为1×D的独立随机向量，D表示优化问题的维度；对于小蜣螂，轨迹更新公式为：
xi(t+1)＝xi(t)+C1×(xi(t)-Lbb)+C2×(xi(t)-Ubb)
Lbb＝max(Xb×(1-R)，Lb)
Ubb＝min(Xb×(1+R)，Ub)
式中，Xb代表全局最优位置，Ubb和Lbb为产卵区的上下限，C1是一个随机数服从N(0，1)分布，C2∈(0，1)表示随机向量；
对于小偷蜣螂，轨迹更新公式为：
xi(t+1)＝Xb+S×g×(|xi(t)-X*|+|xi(t)-Xb|)
式中，g为一个服从正态分布的尺寸为1×D的随机向量，S为常数值。
5.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S3的具体方法为：
S31：基于历史网络流量信息，构造约束变分问题的求解表达式，所述约束变分问题的求解表达式为：
其中，{uk}＝{u1,u2,…,uK}，{ωk}＝{ω1,ω2,…,ωK}分别表示K个流量子序列和其中心频率，f为原始未分解流量序列，是对时间的偏导，δ(t)是狄拉克冲激函数，“*”是卷积计算，“‖.‖2”是L2范数；
S32：将约束变分问题的求解表达式中引入拉格朗日乘法算子λ和惩罚系数α，转变为增广拉格朗日表达式；
S33：基于增广拉格朗日表达式进行迭代求解，获得网络流量子序列的分解结果。
6.根据权利要求5所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，S33进行迭代求解的公式为：
其中，是由傅里叶变换得到的参数；ωk为中心频率，τ为噪声容限；
S33进行迭代求解的判定公式为：
其中，∈为收敛容差，控制分解的精度；K为K条网络流量子序列；和/>是具有限带宽的子信号。
7.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S5中的构建的流量预测模型包括依次连接的输入层、TCN层、GRU层、全连接层、输出层。
8.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S5的具体方法为：
S51：将流量矩阵进行划分，获得训练集和验证集；
S52：进行每一轮训练时将训练集输入到构建的流量预测模型中前向传播，获得当前轮次的预测值；
S53：根据当前轮次的预测值与真实值，计算训练集的均方根误差损失值；
S54：反向传播计算训练集的均方根误差损失值对构建的流量预测模型参数的梯度，使用Adam优化器根据所述梯度调整学习率，更新构建的流量预测模型参数；
S55：将验证集输入构建的流量预测模型中，获得验证集的均方根误差损失值；
S56：重复S52-S55，直至验证集的均方根误差损失值收敛后达到预设的迭代次数，获得训练好的流量预测模型。
9.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述方法还包括：
S7：将未来时刻的网络流量预测值与真实网络流量值进行比对，获得预测精度；
式中，N代表网络流量序列的长度，yt和表示在t时刻的真实网络流量值和网络流量预测值，当计算MASE时，分子是测试集的MAE，分母是在训练集上计算的，T1是训练集的长度。
10.一种基于蜣螂算法优化VMD的网络流量预测系统，用于实现权利要求1-9任一项所述的方法，其特征在于，所述系统包括：
信息获取模块，获取历史网络流量信息；
优化模块，利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
分解模块，利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
组合模块，将若干条网络流量子序列进行组合，获得流量矩阵；
训练模块，将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
预测模块，使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311245796.2A CN117319231A (zh) | 2023-09-25 | 2023-09-25 | 一种基于蜣螂算法优化vmd的网络流量预测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311245796.2A CN117319231A (zh) | 2023-09-25 | 2023-09-25 | 一种基于蜣螂算法优化vmd的网络流量预测方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117319231A true CN117319231A (zh) | 2023-12-29 |
Family
ID=89249293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311245796.2A Pending CN117319231A (zh) | 2023-09-25 | 2023-09-25 | 一种基于蜣螂算法优化vmd的网络流量预测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117319231A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591849A (zh) * | 2024-01-18 | 2024-02-23 | 南京先维信息技术有限公司 | 一种高维网络流量数据的特征选择方法及系统 |
| CN117874495A (zh) * | 2024-01-17 | 2024-04-12 | 昆明理工大学 | 一种太阳能发电功率组合预测方法及其装置 |
| CN117872307A (zh) * | 2024-01-12 | 2024-04-12 | 兰州理工大学 | 基于蜣螂优化算法的多扩展目标跟踪优化方法 |
| CN117872307B (zh) * | 2024-01-12 | 2024-06-11 | 兰州理工大学 | 基于蜣螂优化算法的多扩展目标跟踪优化方法 |
-
2023
- 2023-09-25 CN CN202311245796.2A patent/CN117319231A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872307A (zh) * | 2024-01-12 | 2024-04-12 | 兰州理工大学 | 基于蜣螂优化算法的多扩展目标跟踪优化方法 |
| CN117872307B (zh) * | 2024-01-12 | 2024-06-11 | 兰州理工大学 | 基于蜣螂优化算法的多扩展目标跟踪优化方法 |
| CN117874495A (zh) * | 2024-01-17 | 2024-04-12 | 昆明理工大学 | 一种太阳能发电功率组合预测方法及其装置 |
| CN117591849A (zh) * | 2024-01-18 | 2024-02-23 | 南京先维信息技术有限公司 | 一种高维网络流量数据的特征选择方法及系统 |
| CN117591849B (zh) * | 2024-01-18 | 2024-04-05 | 南京先维信息技术有限公司 | 一种高维网络流量数据的特征选择方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
| Tian | Modes decomposition forecasting approach for ultra-short-term wind speed | |
| JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
| CN108090621B (zh) | 一种基于分阶段整体优化的短期风速预测方法与系统 | |
| CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
| CN114880958B (zh) | 一种基于多气象因子智能深度学习的能见度预报方法 | |
| CN117319231A (zh) | 一种基于蜣螂算法优化vmd的网络流量预测方法与系统 | |
| CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
| CN113641722A (zh) | 一种基于变体lstm的长期时间序列数据预测方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN113393032A (zh) | 基于重采样下的航迹循环预测方法 | |
| CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
| CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
| CN115347571A (zh) | 基于迁移学习的光伏发电功率短期预测方法及装置 | |
| Anh et al. | Effect of gradient descent optimizers and dropout technique on deep learning LSTM performance in rainfall-runoff modeling | |
| Gao et al. | Optimization methods for large-scale machine learning | |
| CN113610665B (zh) | 一种基于多延迟输出回声状态网的风力发电功率预测方法 | |
| Ge et al. | SCHMM-based modeling and prediction of random delays in networked control systems | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN117035464A (zh) | 基于时序网络改进循环网络的企业用电碳排放预测方法 | |
| CN116565876A (zh) | 一种鲁棒强化学习的配网潮流优化方法及计算机可读介质 | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
| CN113240181B (zh) | 一种水库调度运行滚动模拟方法及装置 | |
| CN115358178A (zh) | 一种基于融合神经网络的电路良率分析方法 | |
| CN110829434B (zh) | 一种提高深度神经网络潮流模型扩展性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |