基于徑向基神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)

【摘要】針對(duì)網(wǎng)絡(luò)流量在時(shí)序上的復(fù)雜非線性特征，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)流量時(shí)間序列進(jìn)行預(yù)測(cè)。用自相關(guān)分析技術(shù)分析時(shí)間序列的延遲特性，建立了基于MATLAB6.5環(huán)境下徑向基神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型，并用本校網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行了驗(yàn)證。結(jié)果表明，該模型擬合精度和預(yù)測(cè)精度較高、計(jì)算速度較快。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)流量；預(yù)測(cè)徑向基算法；BP算法

隨著網(wǎng)絡(luò)的迅速發(fā)展，網(wǎng)絡(luò)上承載的業(yè)務(wù)和應(yīng)用日益豐富。加強(qiáng)網(wǎng)絡(luò)管理、有效提高網(wǎng)絡(luò)運(yùn)行速度和利用率，網(wǎng)絡(luò)流量預(yù)測(cè)是關(guān)鍵，也就是對(duì)網(wǎng)絡(luò)出口的流量發(fā)展進(jìn)行動(dòng)態(tài)分析，并在定性基礎(chǔ)上對(duì)流量進(jìn)行定量的計(jì)算。有很多種因素可以影響網(wǎng)絡(luò)流量，在實(shí)際發(fā)生的時(shí)間序列中，弱相依性、突變性和隨機(jī)性等復(fù)雜非線性特征對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)都存在很大的影響，而且在以往的學(xué)者中針對(duì)于這些特點(diǎn)所構(gòu)建的數(shù)學(xué)模型也不是很完善，還不夠成熟。針對(duì)這些特點(diǎn)本文將在時(shí)間序列的預(yù)測(cè)中結(jié)合使用徑向基神經(jīng)網(wǎng)絡(luò)的方法，在時(shí)間序列的延遲性中運(yùn)用自相關(guān)分析技術(shù)進(jìn)行合理分析，建立基于MATLAB6.5環(huán)境下的黑龍江信息技術(shù)職業(yè)學(xué)院網(wǎng)絡(luò)出口流量預(yù)測(cè)的徑向基神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，并對(duì)實(shí)際網(wǎng)絡(luò)出口流量數(shù)據(jù)驚醒有效的驗(yàn)證。

1、建立徑向基神經(jīng)網(wǎng)絡(luò)流量的預(yù)測(cè)模型

對(duì)于網(wǎng)絡(luò)流量這樣的非線性系統(tǒng)進(jìn)行建模時(shí)，本文采用徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)，針對(duì)隱層節(jié)點(diǎn)的數(shù)量處選擇合理的改進(jìn)方法。經(jīng)過(guò)實(shí)際操作的甄選后選擇網(wǎng)絡(luò)流量的均方誤差的目標(biāo)值為0.001，隱層節(jié)點(diǎn)數(shù)選擇最大為23個(gè)。除此之外，為了保證徑向基神經(jīng)網(wǎng)絡(luò)泛化能力的良好運(yùn)行，并且保證徑向基函數(shù)的輸人輸出范圍足夠大，就需要對(duì)輸入的訓(xùn)練值進(jìn)行postmnmx歸一化處理。

從隱含層到輸出層之間的權(quán)值是基于徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)來(lái)調(diào)整，并采用線性傳遞函數(shù)進(jìn)行實(shí)現(xiàn)的，綜合考慮，這樣就不存在在局部會(huì)出現(xiàn)極小點(diǎn)的問(wèn)題。對(duì)于這種基于徑向基神經(jīng)網(wǎng)絡(luò)的局部函數(shù)，會(huì)有很快的網(wǎng)絡(luò)學(xué)習(xí)速度，對(duì)于函數(shù)迫近時(shí)的收斂速度問(wèn)題，能夠很好地克服。

2、算例分析

對(duì)基于徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)是有一定的精度要求的，本文采用newrb函數(shù)進(jìn)行設(shè)計(jì)，并滿足函數(shù)的精度要求。函數(shù)格式為：net=newrb（a，b，m，n），采用基于徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)進(jìn)行逼近原始函數(shù)時(shí)，newrb函數(shù)能夠自動(dòng)增加基于徑向基神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元，直到均方誤差滿足為止。對(duì)于輸入向量矩陣、目標(biāo)向量矩陣、均方誤差和徑向基的分布分別使用式中變量a，b，m，n來(lái)表示。

在時(shí)間序列的預(yù)測(cè)上采用用sim函數(shù)進(jìn)行預(yù)測(cè)。函數(shù)格式為：y= sim（net，x），對(duì)于待評(píng)價(jià)時(shí)間序列的輸入向量和用基于徑向基神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列進(jìn)行計(jì)算的預(yù)測(cè)值分別使用式中的x，y進(jìn)行表示?；趶较蚧窠?jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型是在Matlab6.5環(huán)境下的，并對(duì)網(wǎng)絡(luò)流量在時(shí)間序列上進(jìn)行預(yù)測(cè)。

基于徑向基神經(jīng)網(wǎng)絡(luò)采用1個(gè)輸出單元和23個(gè)輸人單元，并對(duì)基于徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，自動(dòng)調(diào)整網(wǎng)絡(luò)訓(xùn)練程序的最終隱含層節(jié)點(diǎn)數(shù)，調(diào)整后的節(jié)點(diǎn)數(shù)為23個(gè)。最后比較網(wǎng)絡(luò)流量預(yù)測(cè)模型所得的最后的網(wǎng)絡(luò)輸出和實(shí)際的網(wǎng)絡(luò)流量數(shù)據(jù)，其結(jié)果如圖1所示。

把表1中2013年10月28日實(shí)際發(fā)生的網(wǎng)絡(luò)流量真實(shí)值作為訓(xùn)練的樣本，在MATLAB6.5環(huán)境下的基于徑向基神經(jīng)網(wǎng)絡(luò)模型對(duì)2013年10月28日我校網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)，其預(yù)測(cè)的結(jié)果如表1所示，在MATLAB6.5環(huán)境下的網(wǎng)絡(luò)訓(xùn)練的圖形輸出結(jié)果及預(yù)測(cè)結(jié)果如圖1所示。

在表1中實(shí)際數(shù)據(jù)值和預(yù)測(cè)值可以看出，經(jīng)過(guò)多次的歷史預(yù)測(cè)，每次模型預(yù)測(cè)的絕對(duì)誤差值均為0，可以總結(jié)為采用的訓(xùn)練樣本的合格率均為100%，具有較好的擬合精度和預(yù)測(cè)精度。

在圖1中我們可以看到，基于徑向基神經(jīng)網(wǎng)絡(luò)模型通過(guò)訓(xùn)練對(duì)網(wǎng)絡(luò)流量能夠準(zhǔn)確的預(yù)測(cè)，在泛化能力上也有很大的提高。經(jīng)過(guò)后期計(jì)算，通過(guò)網(wǎng)絡(luò)訓(xùn)練的均方誤差為MSE=2.1731e-010，預(yù)測(cè)的均方誤差為MSE=0.0012。從誤差變化曲線能夠表示出，訓(xùn)練到達(dá)第22步時(shí)，網(wǎng)絡(luò)流量預(yù)測(cè)模型的精度要求基本滿足。

3、結(jié)語(yǔ)

本文在對(duì)網(wǎng)絡(luò)流量的短期預(yù)測(cè)問(wèn)題上采用基于徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)，并針對(duì)網(wǎng)絡(luò)流量的短期預(yù)測(cè)上構(gòu)建了基于徑向基神經(jīng)網(wǎng)絡(luò)的黑龍江信息技術(shù)職業(yè)學(xué)院網(wǎng)絡(luò)流量預(yù)測(cè)模型，經(jīng)過(guò)數(shù)據(jù)仿真，其結(jié)果表明采用基于徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)進(jìn)行建模，其模型簡(jiǎn)潔實(shí)用，預(yù)測(cè)效果比較滿意，說(shuō)明該方法對(duì)于處理類似問(wèn)題是比較有效的。本文并未對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)原始數(shù)據(jù)進(jìn)行處理，是提高預(yù)測(cè)精度的一個(gè)發(fā)展方向，當(dāng)然還有許多預(yù)測(cè)方法和提高預(yù)測(cè)精度的技術(shù)值得今后進(jìn)一步深入研究。