CN117579500B - 一种网络流量预测方法、装置、设备及介质 - Google Patents
一种网络流量预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117579500B CN117579500B CN202311042687.0A CN202311042687A CN117579500B CN 117579500 B CN117579500 B CN 117579500B CN 202311042687 A CN202311042687 A CN 202311042687A CN 117579500 B CN117579500 B CN 117579500B
- Authority
- CN
- China
- Prior art keywords
- model
- network traffic
- network flow
- prediction
- optimization algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000009396 hybridization Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000009395 breeding Methods 0.000 claims abstract description 12
- 230000001488 breeding effect Effects 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000009402 cross-breeding Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 21
- 108090000623 proteins and genes Proteins 0.000 claims description 19
- 230000006872 improvement Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 241000209094 Oryza Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种网络流量预测方法、装置、设备及介质，涉及计算机网络技术领域，包括以下步骤：步骤1：获取网络流量原始数据，利用滑动窗口技术对采集到的网络流量原始数据进行处理，得到处理后的网络流量数据，并将其划分为训练集和测试集，同时对其进行归一化处理；该杂交育种预测方法、装置、设备及介质，通过设置数据获取模块、数据处理模块、模型构建单元，将改进的杂交育种优化算法与LSTM相结合，利用改进的杂交育种优化算法自动搜索模型的超参数值，从而建立最优的基于LSTM的网络流量预测模型，实现了提升网络流量预测效果，同时降低调整超参数值的时间成本和人力成本的效果。
Description
技术领域
本发明涉及计算机网络技术领域，具体涉及一种网络流量预测方法、装置、设备及介质。
背景技术
随着网络技术的发展，网络的复杂性不断增强，而网络的规划和设计在很大程度上依赖于网络流量。网络流量的有效预测对增强网络性能、避免网络拥堵具有重要作用。研究人员引入马尔科夫模型以描述网络流量，但随着模型参数的增加，计算量随之大幅增加。此外，线性时间序列预测模型也被用于处理网络流量预测问题，包括自回归模型(AutoRegressive，AR)、自回归移动平均(Auto Regressive Moving Average，ARMA)模型、自回归综合移动平均(Auto Regressive Integrated Moving Average，ARIMA)模型等。AR和ARMA方法简单且求解速度快，但无法有效地描述网络流量的非平稳性。ARIMA在预测变化不大或变化存在规律的网络流量时具有较好的效果，但其主要用于处理短期预测问题，在解决长期预测问题时表现不佳。
为进一步提升网络流量预测效果，且考虑到网络流量非线性的特点，研究人员利用机器学习方法处理网络流量预测问题。基于支持向量机(Support Vector Machine，SVM)的网络流量预测方法能够有效解决网络流量数据样本小、高维非线性等问题，但训练样本和网络参数会对预测效果产生较大影响。随着深度学习技术的发展，学者们致力于研究基于深度学习的网络流量预测方法。基于长短期记忆(Long Short Term Memory，LSTM)网络的网络流量预测方法被提出，有效提高了网络流量预测的准确性。LSTM在网络流量预测时表现较好，但超参数的值在很大程度上会影响其预测效果。随着数据和模型日渐复杂，人工调整超参数需要花费大量时间与精力，因此亟需一种有效且高效的超参数优化方法。
传统的超参数优化方法包括网格搜索法和随机搜索法等。网格搜索法需尝试超参数组合集的所有可能取值，效率较低；随机搜索法在下一次迭代中无法考虑之前的评估结果，因此其优化效果不稳定。随着研究的深入，开始涌现出基于启发式算法的超参数优化方法。相较于传统超参数优化方法而言，基于启发式算法的超参数优化方法的寻优效果更好。杂交育种优化算法(Hybrid Breeding Optimization，HBO)是近几年提出的启发式算法，其因收敛速度快且参数少而被应用于多个领域。考虑到杂交育种优化算法优秀的搜索能力，将其扩展为一种基于杂交育种优化算法的超参数优化方法，并利用该方法优化LSTM网络超参数以构建基于LSTM的网络流量预测模型。此外，由于杂交育种优化算法存在收敛精度不高等问题，因此需对其进行改进以进一步提升模型的预测效果。
发明内容
本发明的目的是提供一种网络流量预测方法、装置、设备及介质，以解决现有技术中的杂交育种优化算法收敛精度不高的问题，利用莱维飞行和疯狂算子提升其寻优能力。
为了实现上述目的，本发明提供如下技术方案：一种网络流量预测方法，包括以下步骤：
步骤1：获取网络流量原始数据，利用滑动窗口技术对采集到的网络流量原始数据进行处理，得到处理后的网络流量数据，并将其划分为训练集和测试集，同时对其进行归一化处理；
步骤2：确定基于LSTM的网络流量预测模型的基本结构；
步骤3：利用改进的杂交育种优化算法优化网络流量预测模型中的关键超参数，得到基于改进杂交育种优化算法优化LSTM的网络流量预测模型；
步骤4：根据改进杂交育种优化算法搜索所得超参数值确定最优的基于LSTM的网络流量预测模型；
步骤5：将训练集作为输入数据训练最优的基于LSTM的网络流量预测模型，训练后的模型可用于直接预测网络流量；利用测试集测试该模型的预测效果。
进一步的，所述网络流量预测模型包括输入层、两层隐含层以及输出层，在两层隐含层之间设置有随机舍弃率dropout，用于防止过拟合；所述网络流量预测模型中的关键超参数包括学习率、随机舍弃率dropout、第一层隐藏层神经元数量及第二层隐藏层神经元数量、样本批大小、训练次数。
进一步的，利用测试集测试该模型的预测效果时，将测试集的预测结果的平均绝对百分比误差、均方根误差和平均绝对误差求取平均值作为该预测方法最后的评定指标。
进一步的，所述步骤3具体包括以下步骤：
步骤3.1：初始化改进杂交育种优化算法的参数，并将上述六个待优化超参数编码为算法中水稻个体的基因X，初始化个体数为N的种群；
步骤3.2：将个体解码为超参数值，根据超参数值构建基于LSTM的网络流量预测模型；训练模型并在测试集上进行测试，通过适应度函数计算初始化种群个体对应的适应度值；
步骤3.3：根据改进杂交育种优化算法的流程更新个体并重复步骤3.2，确定局部最优和全局最优；
步骤3.4：判断是否满足终止条件，若不满足则继续更新个体重复步骤3.3，若满足则停止迭代并输出全局最优，将输出的全局最优个体解码为超参数值。
进一步的，所述适应度函数为均方误差，用于衡量模型预测值与真实值之间的偏离程度。
进一步的，所述改进杂交育种优化算法通过基本杂交育种优化算法改进得到，所述改进为：利用莱维飞行对保持系个体进行更新，在重置操作中加入疯狂算子，重置所得个体能够有效增强种群多样性。
进一步的，所述改进具体步骤为：
a、产生莱维分布随机数，方法如下式：
式中，s代表莱维飞行产生的路径，β∈[0,2]，u～N(0,σ2)，v～N(0,1)，u～N(0,σ2)表示u服从N(0,σ2)分布，v～N(0,1)表示v服从N(0,1)分布，σ的数学描述如下式：
b、当t_self超过Tmax时，对该恢复系个体执行重置操作，在重置操作中融入疯狂算子用于对恢复系个体在预先设定的疯狂概率下进行扰动，其数学描述如下式所示：
craze＝P(C4)sign(C4)Xc，
式中，C4为服从[0，1]间均匀分布的随机数，Xc为常数，P(C4)和sign(C4)的定义分别如下式所示：
式中，Pc为设置的疯狂概率，当随机数C4小于Pc时，疯狂算子发挥作用对个体进行扰动。
一种网络流量预测装置，包括数据获取模块、数据处理模块、模型构建单元、预测输出模块；
所述数据获取模块用于根据滑动窗口技术获取网络流量原始数据；
所述数据处理模块用于对网络流量原始数据进行处理，并将处理后的网络流量原始数据划分为训练集和测试集，对训练集和测试集进行归一化处理；
所述模型构建单元包括模型储存模块、模型改进模块；所述模型储存模块内储存有基于LSTM的网络流量预测模型的基本结构；所述模型改进模块与模型储存模块连接，用于通过模型改进模块对模型储存模块内的基于LSTM的网络流量预测模型的基本结构进行修改、更新得到改进杂交育种优化算法；
所述预测输出模块与模型储存模块连接，用于输出模型储存模块内的算法的输出。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行程序时实现一种网络流量预测方法。
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种网络流量预测方法。
与现有技术相比，本发明提供的一种网络流量预测方法、装置、设备及介质，通过设置数据获取模块、数据处理模块、模型构建单元、预测输出模块，将改进的杂交育种优化算法与LSTM相结合，利用改进的杂交育种优化算法自动搜索模型的超参数值，从而建立最优的基于LSTM的网络流量预测模型，实现了提升网络流量预测效果，同时降低调整超参数值的时间成本和人力成本的效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于改进杂交育种优化算法优化LSTM的网络流量预测方法的流程图；
图2为本发明实施例提供的基于LSTM的网络流量预测模型的结构图；
图3为本发明实施例提供的种群个体编码与超参数之间的编码解码关系示意图；
图4为本发明实施例提供的改进的杂交育种优化算法的流程图；
图5为本发明实施例提供的装置结构框图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
请参阅图1-图4，一种网络流量预测方法，如图1所示，包括如下步骤：
步骤1：获取网络流量原始数据，利用滑动窗口技术对采集到的网络流量原始数据进行处理，得到处理后的网络流量数据，并将其划分为训练集和测试集，同时对其进行归一化处理；
步骤2：确定基于LSTM的网络流量预测模型的基本结构；
所述网络流量预测模型的基本结构如图2所示，包括输入层、两层隐含层以及输出层，在两层隐含层之间设置随机舍弃率dropout以起到防止过拟合的作用；
步骤3：利用改进的杂交育种优化算法优化网络流量预测模型中的关键超参数，得到基于改进杂交育种优化算法优化LSTM的网络流量预测模型；
所述网络流量预测模型中的关键超参数包括学习率、随机舍弃率dropout、第一层隐藏层神经元数量及第二层隐藏层神经元数量、样本批大小、训练次数；
步骤3.1：初始化改进杂交育种优化算法的参数，并将上述六个待优化超参数编码为算法中水稻个体的基因X，初始化个体数为N的种群；
步骤3.2：将个体解码为超参数值，种群个体编码与超参数之间的编码解码关系如图3所示；根据超参数值构建基于LSTM的网络流量预测模型；训练模型并在测试集上进行测试，通过适应度函数计算初始化种群个体对应的适应度值；
所述适应度函数选用均方误差，均方误差可衡量模型预测值与真实值之间的偏离程度，其数学描述如式(1)所示：
式中，yi表示第i个数据样本的真实值，表示第i个数据样本的预测值，n表示数据样本的总量。
步骤3.3：根据改进杂交育种优化算法的流程更新个体并重复步骤3.2，进而确定局部最优和全局最优；
所述改进杂交育种优化算法由基本杂交育种优化算法改进而得。基本杂交育种优化算法的主要步骤包括种群划分、杂交操作、自交操作以及重置操作，具体如下：
种群划分是指根据适应度值对个体由优至劣排序，将前1/3个体划分入保持系(Maintainer line，M)，后1/3个体划分入不育系(Sterile line，S)，其余个体划分入恢复系(Restorer line，R)。
杂交操作是从保持系与不育系中分别选取个体作为父代，将其进行基因重组产生新个体，其数学描述如式(2)所示：
式中，表示t轮育种过程中杂交生成不育系新个体的第d维基因，/>表示t轮育种时保持系中第a个个体的第d维基因，/>表示t轮育种时不育系中第b个个体的第d维基因，r1、r2为[0，1]之间的随机数，且两者不相等。随机杂交时，a≠b；对映杂交时，a＝b。若XS(t+1)的适应度值优于XSb(t)，则取代XSb(t)以更新不育系；反之仍保留原个体。
自交操作是指恢复系中的个体通过相应的更新策略向最优解方向靠拢。针对自交操作设置了自交执行次数t_self和最大自交次数Tmax。若恢复系中个体自交产生的新个体优于原个体，则取代原个体并将t_self置为0；若新个体劣于原个体，则保留原个体并执行t_self＝t_self+1。自交操作的数学描述如式(3)所示：
式中，表示t轮育种过程中通过自交生成新个体的第d维基因，/>表示当前最优个体的第d维基因，/>和/>分别表示恢复系中第i个和第j个个体的第d维基因，r3为[0，1]之间的随机数。
重置操作是当t_self超过设定的Tmax时会触发的操作，其数学描述如式(4)所示：
式中，表示t轮育种过程中重置生成新个体的第d维基因，/>表示待重置个体的第d维基因，/>和/>分别代表第d维自变量取值范围的上下限，r4为[0，1]之间的随机数。
基本杂交育种优化算法在搜索空间内搜索解时，其易陷入局部最优，寻优精度仍有待提升。因此，对基本杂交育种优化算法进行改进，包含两项改进：利用莱维飞行对保持系个体进行更新；在重置操作中加入疯狂算子，重置所得个体能够有效增强种群多样性。改进杂交育种优化算法的流程如图4所示，具体改进如下：
由上述基本杂交育种优化算法的步骤介绍可知，保持系个体在迭代过程中没有通过基因重组进行更新。虽然保持系个体已是种群中适应度较优的个体，但其没有进行适时的更新，这在一定程度上会影响种群整体质量，进而影响最终解的质量。鉴于这种情况，使用莱维飞行对保持系个体进行更新，从而有助于算法跳出局部最优解。产生莱维分布随机数的方法如式(5)所示：
式中，s代表莱维飞行产生的路径，β∈[0,2]，u～N(0,σ2)，v～N(0,1)，u～N(0,σ2)表示u服从N(0,σ2)分布，v～N(0,1)表示v服从N(0,1)分布，σ的数学描述如式(6)所示：
当t_self超过Tmax时，需要对该恢复系个体执行重置操作。重置操作原始公式中包含该恢复系个体的原始基因，但原始基因对重置结果影响相对较大，限制了重置操作所得个体的多样性。此外，原重置操作易出现越界问题。因此，在重置操作中融入疯狂算子以确保对恢复系个体在预先设定的疯狂概率下进行一定扰动，从而减小原始基因对重置结果的影响，同时在一定程度上降低越界的概率。改进的重置操作数学描述如式(7)和式(8)所示：
craze＝P(C4)sign(C4)Xc(8)，
式中，C4为服从[0，1]间均匀分布的随机数，Xc通常取较小的常数，此处取值为0.0001。P(C4)和sign(C4)的定义分别如式(9)和式(10)所示：
式中，Pc为设置的疯狂概率，此处Pc＝0.3。当随机数C4小于Pc时，疯狂算子发挥作用对个体进行扰动。
步骤3.4：判断是否满足终止条件，若不满足则继续更新个体重复步骤3.3，若满足则停止迭代并输出全局最优，将输出的全局最优个体解码为超参数值；
步骤4：根据改进杂交育种优化算法搜索所得超参数值确定最优的基于LSTM的网络流量预测模型；
步骤5：将训练集作为输入数据训练最优的基于LSTM的网络流量预测模型，训练后的模型可用于直接预测网络流量；最后，利用测试集测试该模型的预测效果。采用平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE)衡量预测效果，MAPE、RMSE、MAE的计算方式如式(11)至式(13)所示：
yi表示第i个数据样本的真实值，表示第i个数据样本的预测值。上述三个指标均可以反映预测值和真实值之间的偏差，其值越小说明模型所预测的值越接近真实值，模型预测的准确率越高。为了验证所述网络流量预测方法的有效性，将该方法多次独立运行并在测试集上进行实验，对多次预测结果的平均绝对百分比误差、均方根误差和平均绝对误差求取平均值作为该预测方法最后的评定指标。
请参照图5，本发明还提供一种网络流量预测装置，包括数据获取模块、数据处理模块、模型构建单元、预测输出模块；
数据获取模块用于根据滑动窗口技术获取网络流量原始数据；
数据处理模块用于对网络流量原始数据进行处理，并将处理后的网络流量原始数据划分为训练集和测试集，对训练集和测试集进行归一化处理；
模型构建单元包括模型储存模块、模型改进模块；模型储存模块内储存有基于LSTM的网络流量预测模型的基本结构；模型改进模块与模型储存模块连接，用于通过模型改进模块对模型储存模块内的基于LSTM的网络流量预测模型的基本结构进行修改、更新得到改进杂交育种优化算法；
预测输出模块与模型储存模块连接，用于输出模型储存模块内的算法的输出。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明的一种网络流量预测方法。
一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本发明的一种网络流量预测方法。
以上描述了本发明的基本原理和具体步骤。本行业的技术人员应该了解，本发明不受上述实施例的限制，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (6)
1.一种网络流量预测方法，其特征在于：包括以下步骤：
步骤1：获取网络流量原始数据，利用滑动窗口技术对采集到的网络流量原始数据进行处理，得到处理后的网络流量数据，并将其划分为训练集和测试集，同时对其进行归一化处理；
步骤2：确定基于LSTM的网络流量预测模型的基本结构；
步骤3：利用改进的杂交育种优化算法优化网络流量预测模型中的关键超参数，得到基于改进杂交育种优化算法优化LSTM的网络流量预测模型；
步骤4：根据改进杂交育种优化算法搜索所得超参数值确定最优的基于LSTM的网络流量预测模型；
步骤5：将训练集作为输入数据训练最优的基于LSTM的网络流量预测模型，训练后的模型可用于直接预测网络流量；利用测试集测试该模型的预测效果；
所述网络流量预测模型包括输入层、两层隐含层以及输出层，在两层隐含层之间设置有随机舍弃率dropout，用于防止过拟合；
所述网络流量预测模型中的关键超参数包括学习率、随机舍弃率dropout、第一层隐藏层神经元数量及第二层隐藏层神经元数量、样本批大小和训练次数；
所述步骤3具体包括以下步骤：
步骤3.1：初始化改进杂交育种优化算法的参数，并将所述关键超参数中六个待优化超参数编码为算法中水稻个体的基因X，初始化个体数为N的种群；
步骤3.2：将个体解码为超参数值，根据超参数值构建基于LSTM的网络流量预测模型；训练模型并在测试集上进行测试，通过适应度函数计算初始化种群个体对应的适应度值；
步骤3.3：根据改进杂交育种优化算法的流程更新个体并重复步骤3.2，确定局部最优和全局最优；
步骤3.4：判断是否满足终止条件，若不满足则继续更新个体重复步骤3.3，若满足则停止迭代并输出全局最优，将输出的全局最优个体解码为超参数值；
所述改进杂交育种优化算法通过基本杂交育种优化算法改进得到，所述改进为：利用莱维飞行对保持系个体进行更新，在重置操作中加入疯狂算子，重置所得个体能够有效增强种群多样性；
所述改进具体步骤为：
产生莱维分布随机数，方法如下式：
式中，s代表莱维飞行产生的路径，β∈[0,2]，u～N(0,σ2)，v～N(0,1)，u～N(0,σ2)表示u服从N(0,σ2)分布，v～N(0,1)表示v服从N(0,1)分布，σ的数学描述如下式：
当自交执行次数t_self超过最大自交次数Tmax时，对恢复系个体执行重置操作，在重置操作中融入疯狂算子用于对恢复系个体在预先设定的疯狂概率下进行扰动，其数学描述如下式所示：
craze＝P(C4)sign(C4)Xc，
式中，表示t轮育种过程中重置生成新个体的第d维基因，/>表示待重置个体的第d维基因，/>和/>分别代表第d维自变量取值范围的上下限，r4为[0，1]之间的随机数，C4为服从[0，1]间均匀分布的随机数，Xc为常数，P(C4)和sign(C4)的定义分别如下式所示：
式中，Pc为设置的疯狂概率，当随机数C4小于Pc时，疯狂算子发挥作用对个体进行扰动。
2.根据权利要求1所述的一种网络流量预测方法，其特征在于：利用测试集测试该模型的预测效果时，将测试集的预测结果的平均绝对百分比误差、均方根误差和平均绝对误差求取平均值作为该预测方法最后的评定指标。
3.根据权利要求1所述的一种网络流量预测方法，其特征在于：所述适应度函数为均方误差，用于衡量模型预测值与真实值之间的偏离程度。
4.一种网络流量预测装置，所述网络流量预测装置用于实现如权利要求1-3任一项所述的一种网络流量预测方法，其特征在于：包括数据获取模块、数据处理模块、模型构建单元、预测输出模块；
所述数据获取模块用于根据滑动窗口技术获取网络流量原始数据；
所述数据处理模块用于对网络流量原始数据进行处理，并将处理后的网络流量原始数据划分为训练集和测试集，对训练集和测试集进行归一化处理；
所述模型构建单元包括模型储存模块、模型改进模块；所述模型储存模块内储存有基于LSTM的网络流量预测模型的基本结构；所述模型改进模块与模型储存模块连接，用于通过模型改进模块对模型储存模块内的基于LSTM的网络流量预测模型的基本结构进行修改、更新得到改进杂交育种优化算法；
所述预测输出模块与模型储存模块连接，用于输出模型储存模块内的算法的输出。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行程序时实现如权利要求1-3任一项所述的一种网络流量预测方法。
6.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的一种网络流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042687.0A CN117579500B (zh) | 2023-08-18 | 2023-08-18 | 一种网络流量预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042687.0A CN117579500B (zh) | 2023-08-18 | 2023-08-18 | 一种网络流量预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117579500A CN117579500A (zh) | 2024-02-20 |
| CN117579500B true CN117579500B (zh) | 2024-05-10 |
Family
ID=89863057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311042687.0A Active CN117579500B (zh) | 2023-08-18 | 2023-08-18 | 一种网络流量预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117579500B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
| CN111931899A (zh) * | 2020-07-31 | 2020-11-13 | 武汉烽火技术服务有限公司 | 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法 |
| CN113595798A (zh) * | 2021-08-02 | 2021-11-02 | 湖北工业大学 | 改进闪电连接过程优化算法的网络流量预测方法及系统 |
| CN116346639A (zh) * | 2023-03-04 | 2023-06-27 | 西安电子科技大学青岛计算技术研究院 | 一种网络流量预测方法、系统、介质、设备及终端 |
-
2023
- 2023-08-18 CN CN202311042687.0A patent/CN117579500B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
| CN111931899A (zh) * | 2020-07-31 | 2020-11-13 | 武汉烽火技术服务有限公司 | 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法 |
| CN113595798A (zh) * | 2021-08-02 | 2021-11-02 | 湖北工业大学 | 改进闪电连接过程优化算法的网络流量预测方法及系统 |
| CN116346639A (zh) * | 2023-03-04 | 2023-06-27 | 西安电子科技大学青岛计算技术研究院 | 一种网络流量预测方法、系统、介质、设备及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117579500A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cordón et al. | Generating the knowledge base of a fuzzy rule-based system by the genetic learning of the data base | |
| CN105160444B (zh) | 电力设备故障率确定方法及系统 | |
| CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
| CN109460793A (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
| US20030004903A1 (en) | Process and system for developing a predictive model | |
| CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
| CN112465120A (zh) | 一种基于进化方法的快速注意力神经网络架构搜索方法 | |
| CN107992976A (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
| Navgaran et al. | Evolutionary based matrix factorization method for collaborative filtering systems | |
| CN109284860A (zh) | 一种基于正交反向樽海鞘优化算法的预测方法 | |
| Okamato et al. | A fast incremental learning algorithm of RBF networks with long-term memory | |
| CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN112884236A (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
| CN117234703A (zh) | 一种基于差分扰动的蜣螂优化算法的云资源调度方法 | |
| CN115310675A (zh) | 一种基于电网用户数据集和神经网络的负荷估算优化方法 | |
| CN108108554B (zh) | 一种多材料车身装配顺序规划优化方法 | |
| CN117579500B (zh) | 一种网络流量预测方法、装置、设备及介质 | |
| CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
| CN113610350B (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
| CN112686881B (zh) | 基于影像统计特征和lstm复合网络的颗粒物料混合均匀性检测方法 | |
| CN114781508A (zh) | 基于聚类的卫星测控调度方法及系统 | |
| CN108319139A (zh) | 一种工业过程主元分析与神经网络优化建模方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |