基于粒子群小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究.pdf

1、隨著互聯(lián)網(wǎng)規(guī)模的不斷擴(kuò)大和多樣化網(wǎng)絡(luò)業(yè)務(wù)的不斷出現(xiàn),網(wǎng)絡(luò)流量數(shù)據(jù)呈現(xiàn)出越來(lái)越錯(cuò)綜復(fù)雜的行為特征,如何對(duì)網(wǎng)絡(luò)進(jìn)行有效管理并使得網(wǎng)絡(luò)提供更好的服務(wù)質(zhì)量成為人們?cè)絹?lái)越關(guān)心的問(wèn)題。其中,如何建立一個(gè)有效而準(zhǔn)確的預(yù)測(cè)模型對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè),成為一個(gè)具有一定挑戰(zhàn)性的研究熱點(diǎn),它對(duì)網(wǎng)絡(luò)多樣化的性能評(píng)價(jià)、擁塞控制、大規(guī)模網(wǎng)絡(luò)規(guī)劃設(shè)計(jì)以及業(yè)務(wù)的服務(wù)保障等重要問(wèn)題的研究,都具有十分重要的意義。
　　論文對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)模型進(jìn)行了研究。論文首先對(duì)網(wǎng)絡(luò)流量

2、的特征以及網(wǎng)絡(luò)流量預(yù)測(cè)模型的研究現(xiàn)狀進(jìn)行了總結(jié)。然后,介紹了由小波變換和神經(jīng)網(wǎng)絡(luò)構(gòu)成的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(WNN模型),并重點(diǎn)介紹了我們以前工作中提出過(guò)的一種使用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型(WGANN模型)。接著,論文提出了一種基于粒子群小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型(WPSONN模型),為了提高預(yù)測(cè)精度并優(yōu)化網(wǎng)絡(luò)收斂速度,我們將比遺傳算法收斂更快并具有更高預(yù)測(cè)精度的全局搜索優(yōu)化的粒子群算法引入預(yù)測(cè)模型,對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值及

3、閾值進(jìn)行優(yōu)化。該模型使用具有多分辨率和單支重構(gòu)特點(diǎn)的小波變換,將網(wǎng)絡(luò)流量訓(xùn)練樣本和預(yù)測(cè)樣本分別分解為低頻流量和高頻流量,分別用于訓(xùn)練和預(yù)測(cè)。在使用訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練(即網(wǎng)絡(luò)學(xué)習(xí))的過(guò)程中,使用粒子群算法,通過(guò)重復(fù)迭代優(yōu)化BP神經(jīng)網(wǎng)絡(luò)各層之間所有的連接權(quán)值及閾值,得到性能較優(yōu)的神經(jīng)網(wǎng)絡(luò)。在預(yù)測(cè)網(wǎng)絡(luò)流量時(shí),將預(yù)測(cè)樣本的低頻和高頻流量數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),分別得到各預(yù)測(cè)結(jié)果,然后將各分量進(jìn)行疊加,得到預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。最后,論文對(duì)提