BP網(wǎng)絡(luò)組合預(yù)測在網(wǎng)絡(luò)流量預(yù)測中的應(yīng)用研究.pdf

1、隨著Interne迅速發(fā)展及其應(yīng)用，網(wǎng)絡(luò)規(guī)模增大以及其應(yīng)用日益復(fù)雜，加之互聯(lián)網(wǎng)是一個較為復(fù)雜的非線性網(wǎng)狀系統(tǒng)，為了實現(xiàn)數(shù)據(jù)的可靠傳輸及網(wǎng)絡(luò)資源的合理分配，網(wǎng)絡(luò)的監(jiān)控機制及其復(fù)雜行為特性的學(xué)習(xí)尤為重要。網(wǎng)絡(luò)流量預(yù)測的關(guān)鍵是通過對網(wǎng)絡(luò)流量正常行為的描述來分析未來網(wǎng)絡(luò)流量趨勢，從而實現(xiàn)預(yù)知及報警。目前比較成熟的網(wǎng)絡(luò)流量預(yù)測方法包括基于時間特征的預(yù)測、基于支持向量機的預(yù)測、基于季節(jié)模型的預(yù)測、基于小波變換的預(yù)測等，每種方法都有自身的特點及其局限

2、性。針對網(wǎng)絡(luò)流量預(yù)測，本文提出一種改進的BP網(wǎng)絡(luò)組合預(yù)測模型，主要工作如下：
　　首先，單一預(yù)測在BP網(wǎng)絡(luò)中的應(yīng)用僅適于解決平穩(wěn)隨機的時間序列，本文基于BP神經(jīng)網(wǎng)絡(luò)將局部相關(guān)向量機（Local-Relevance Vector Machine）預(yù)測和支持向量機（Support Vector Machine）預(yù)測進行組合，得到一種新的組合預(yù)測模型，拓寬了其應(yīng)用范圍，并提出了改進的算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過

3、程包括正向傳播和反向傳播，將兩種方法的預(yù)測值作為訓(xùn)練樣本，先正向計算輸出結(jié)果及計算誤差，如果誤差過大，再反向調(diào)整閥值和連接權(quán)值，重新計算誤差，直到誤差達到一定標準。BP算法是一個自我學(xué)習(xí)過程，一般根據(jù)以往經(jīng)驗選取學(xué)習(xí)率，隨著BP算法學(xué)習(xí)的進行，其有效性難以保證，本文提出自適應(yīng)學(xué)習(xí)調(diào)整算法并加入動量項，來選取BP算法中適當?shù)膶W(xué)習(xí)率，從而提高BP算法的性能。自適應(yīng)學(xué)習(xí)率調(diào)整的規(guī)則是：檢測權(quán)值的修正是否減小誤差，誤差增大或減小，學(xué)習(xí)率就會按一

4、定倍數(shù)降低或增加，否則保持不變，直到學(xué)習(xí)過程趨于穩(wěn)定。
　　其次，在BP網(wǎng)絡(luò)組合預(yù)測其中一個輸入——支持向量機預(yù)測中，提出一種改進的布谷鳥搜索(Modified Cuckoo Search)算法來訓(xùn)練支持向量機的懲罰因子和核寬度。為解決全局尋優(yōu)能力和精度間的關(guān)系，根據(jù)不同階段的搜索結(jié)果，對布谷鳥算法的步長大小進行自適應(yīng)動態(tài)調(diào)整，并建立預(yù)測模型。通過對比實驗，證明MCS-SVM算法比遺傳算法、粒子群優(yōu)化算法預(yù)測值的準確率更高。