發(fā)布時間：2019-07-25 20:13

【摘要】：網(wǎng)絡(luò)流量具有分形特性,用線性方法來預(yù)測非線性的網(wǎng)絡(luò)流量,預(yù)測精度不高。為了提高測性能,提出了網(wǎng)絡(luò)流量的非線性多步預(yù)測問題,利用一種結(jié)合分形神經(jīng)網(wǎng)絡(luò)、強化學(xué)習(xí)的非線性多步預(yù)測方法,用多重分形性質(zhì)將網(wǎng)絡(luò)流量序列分解為短相關(guān)序列,設(shè)計了一種強化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(MRLA)流量預(yù)測模型,利用強化學(xué)習(xí)的Q算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),預(yù)測尺度系數(shù)、計算權(quán)值,最后構(gòu)建MRLA網(wǎng)絡(luò)進行仿真,預(yù)測網(wǎng)絡(luò)流量。實驗分析顯示,相對MMLP網(wǎng)絡(luò),新預(yù)測方法具較好的多步預(yù)測性能。
【圖文】：

褂孟咝宰曰毓榛嘌猁驕獾Ｐ屠炊運閎鈉性げ猓噘?體預(yù)測方法參見文獻［12］。2)尺度系數(shù)X(J)nJ預(yù)測尺度系數(shù)X(J)nJ采用強化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型預(yù)測，它預(yù)測方法如下:BP神經(jīng)網(wǎng)絡(luò)將流量數(shù)據(jù)作為輸入，根據(jù)Q學(xué)習(xí)算法，對輸入進行函數(shù)映射，，Q值存于權(quán)值中，模型對網(wǎng)絡(luò)的輸出進行評價，經(jīng)過延遲，將若干次環(huán)境的評價信號批量地提供給神經(jīng)網(wǎng)絡(luò)來調(diào)整權(quán)值，權(quán)值最大的對應(yīng)的流量數(shù)據(jù)即是尺度系數(shù)預(yù)測值。然后用此神經(jīng)網(wǎng)絡(luò)得到的訓(xùn)練集進行權(quán)值訓(xùn)練，再用于實際網(wǎng)絡(luò)流量的多步預(yù)測。強化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型如圖1所示。圖1強化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型模型主要包括7部分，具體如下:1)BP神經(jīng)網(wǎng)絡(luò)流量數(shù)據(jù)X(J)i(i=1，2，…，nJ－1)作為輸入(狀態(tài))系統(tǒng)輸入，按模型的網(wǎng)絡(luò)結(jié)構(gòu)輸出Y。2)正態(tài)分布變量是符合正態(tài)分布的隨機變量G，用來調(diào)整Y，即Z(等于Y+G)作為環(huán)境實際的輸出，以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最校3)評價反饋環(huán)境根據(jù)輸出Z給出反饋信號E，模型盡量使E最大。4)延時寄存器由于模型中對評價反饋進行了延遲，為了將G、Y與評價同步，延時dp步，該值存于延時寄存器中。—285—

計一般認(rèn)為3層結(jié)構(gòu)網(wǎng)絡(luò)可以達到預(yù)測要求，即包括一個輸入層、一個隱含層、一個輸出層。2)神經(jīng)元數(shù)目的設(shè)置目前各種計算公式得到的各層神經(jīng)元數(shù)有時相差幾倍甚至上百倍，一般實際應(yīng)用中很難采用，本文采用經(jīng)驗值，即輸入層、隱含層、輸出層的神經(jīng)元個數(shù)分別為10、10、1。3．2實驗把時間單位為0.1秒的BC－pAug89業(yè)務(wù)流的1000點數(shù)據(jù)整理成神經(jīng)網(wǎng)絡(luò)輸入輸出樣本，輸入樣本是尺度J內(nèi)的網(wǎng)絡(luò)流量樣本值，輸出樣本是輸入樣本的下一步預(yù)測值。使用整理后的樣本訓(xùn)練MMLP網(wǎng)絡(luò)和MRLA網(wǎng)絡(luò)，比較收斂后的網(wǎng)絡(luò)的誤差和預(yù)測結(jié)果，圖2至圖4顯示了實驗結(jié)果。3．3實驗結(jié)果分析圖2、圖3比較了預(yù)測步數(shù)為4時和16時采用MMLP和MRLA網(wǎng)絡(luò)的預(yù)測值和真實值間的差異。從圖2中可以看出，預(yù)測步長為4時，兩種曲線非常相近，都可以跟蹤實際的網(wǎng)絡(luò)流量，在流量連續(xù)突發(fā)處MRLA網(wǎng)絡(luò)的預(yù)測結(jié)果更加準(zhǔn)確;而在圖3中，預(yù)測步長為16時，MMLP不能跟蹤描述實際流量的變化特性，這說明隨著預(yù)測步長的增加，相對MMPL網(wǎng)絡(luò)，MRLA網(wǎng)絡(luò)的預(yù)測效果更好。圖2采用MMLP和MRLA的網(wǎng)絡(luò)預(yù)測結(jié)果比較(k=4)為了進一步比較MMLP和MRLA方法的預(yù)測性能，本文使用相對均方誤差(RMSE)來衡量它們的預(yù)測精度，RMSE由(7)計算得到。圖4為MMLP和MRLA方法的預(yù)測性能比較圖，從圖中可以看出隨著預(yù)測步長k的增大，MMLP的性能下降，MRLA性能較好。RMSE=∑nJi=1(Xi－Ti)2/∑nJi=1(Xi)2(7)—286—
【作者單位】： 齊齊哈爾大學(xué)計算中心;齊齊哈爾大學(xué)計算機與控制工程學(xué)院;
【基金】：黑龍江省自然科學(xué)基金項目(F201218) 齊齊哈爾大學(xué)青年教師科研啟動支持計劃項目(2011k-M05) 黑龍江省高等學(xué)校教改工程項目(JG2012010679)
【分類號】：TP393.06

【參考文獻】

相關(guān)期刊論文 前2條

1 王升輝;裘正定;;MPEG-4視頻流量多重分形建模[J];通信學(xué)報;2006年10期

2 王升輝;裘正定;;結(jié)合多重分形的網(wǎng)絡(luò)流量非線性預(yù)測[J];通信學(xué)報;2007年02期

相關(guān)碩士學(xué)位論文 前6條

1 郝占軍;網(wǎng)絡(luò)流量分析與預(yù)測模型研究[D];西北師范大學(xué);2011年

2 白燕;基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的流量預(yù)測與評估方法研究[D];西安建筑科技大學(xué);2007年

3 李小航;網(wǎng)絡(luò)業(yè)務(wù)流的特性分析及預(yù)測技術(shù)研究[D];江南大學(xué);2008年

4 田妮莉;基于小波和FIR神經(jīng)網(wǎng)絡(luò)的流量預(yù)測模型研究[D];華中科技大學(xué);2007年

5 張華川;基于多分形小波的網(wǎng)絡(luò)流量模擬系統(tǒng)的研究[D];南開大學(xué);2010年

6 歐家成;基于神經(jīng)網(wǎng)絡(luò)的自相似業(yè)務(wù)流預(yù)測研究[D];電子科技大學(xué);2010年

【共引文獻】

相關(guān)期刊論文 前10條

1 王以寧;李興華;遲學(xué)芬;;基于神經(jīng)網(wǎng)絡(luò)的VBR視頻流量建模及預(yù)測[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2008年05期

2 李爭平;郭更生;;基于自相似流的無線Mesh網(wǎng)絡(luò)信道分配算法[J];高技術(shù)通訊;2008年06期

3 白志中;;采用支持向量機的網(wǎng)絡(luò)流量預(yù)測研究[J];計算機與信息技術(shù);2009年10期

4 羅峗騫;夏靖波;王煥彬;;混沌-支持向量機回歸在流量預(yù)測中的應(yīng)用研究[J];計算機科學(xué);2009年07期

5 高茜;李廣俠;胡婧;;基于非負(fù)矩陣分解的IP流量預(yù)測[J];計算機科學(xué);2012年01期

6 白燕;朱苗苗;馬光思;;基于灰色Verhulst模型的因特網(wǎng)訪問人數(shù)預(yù)測分析[J];計算機工程與科學(xué);2008年10期

7 白燕;馬光思;;基于灰色徑向基神經(jīng)網(wǎng)絡(luò)模型的流量預(yù)測與分析[J];計算機工程與科學(xué);2008年10期

8 邵忻;;一種新的基于ARIMA-SVM網(wǎng)絡(luò)流量預(yù)測研究[J];計算機應(yīng)用研究;2012年05期

9 左佼;盧建軍;賈云飛;衛(wèi)晨;;基于灰色神經(jīng)網(wǎng)絡(luò)的我國原煤產(chǎn)量預(yù)測[J];煤炭技術(shù);2011年10期

10 段謨意;;一種新的網(wǎng)絡(luò)流量組合預(yù)測模型[J];計算機工程與應(yīng)用;2012年19期

相關(guān)博士學(xué)位論文 前6條

1 李立;高突發(fā)性自相似網(wǎng)絡(luò)業(yè)務(wù)流量理論及建模分析研究[D];華中科技大學(xué);2008年

2 杜必強;振動故障遠(yuǎn)程診斷中的分形壓縮及分形診斷技術(shù)研究[D];華北電力大學(xué)（河北）;2009年

3 朱行健;基于802.11的無線Mesh網(wǎng)絡(luò)MAC層關(guān)鍵技術(shù)的研究[D];北京郵電大學(xué);2008年

4 孫韓林;互聯(lián)網(wǎng)流量、時延性質(zhì)及預(yù)測模型研究[D];北京郵電大學(xué);2010年

5 馬曉艷;網(wǎng)絡(luò)流量模型化與擁塞控制研究[D];北京化工大學(xué);2012年

6 李大輝;網(wǎng)絡(luò)視頻流量的多重分形建模與多步預(yù)測研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 尹明;一種基于小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型的研究[D];吉林大學(xué);2011年

2 王霽;基于分?jǐn)?shù)階傅里葉變換的Hurst參數(shù)估計系統(tǒng)設(shè)計和實現(xiàn)[D];華東師范大學(xué);2011年

3 何慧凝;北京市需用水規(guī)律研究[D];清華大學(xué);2010年

4 劉創(chuàng);無線局域網(wǎng)幀流量控制、預(yù)測及能量效率研究[D];華中科技大學(xué);2011年

5 夏榕澤;基于網(wǎng)絡(luò)流量數(shù)據(jù)特征分析的預(yù)測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

6 張明娟;基于小波變換的機械振動信號分析算法研究與應(yīng)用[D];天津大學(xué);2012年

7 白玉;GPON系統(tǒng)動態(tài)帶寬分配算法研究[D];哈爾濱工程大學(xué);2011年

8 李興華;基于神經(jīng)網(wǎng)絡(luò)的VBR視頻流量建模及預(yù)測[D];吉林大學(xué);2008年

9 胡際濤;基于IPFIX協(xié)議的數(shù)據(jù)傳輸系統(tǒng)[D];華東師范大學(xué);2008年

10 王鵬;網(wǎng)絡(luò)流量預(yù)測技術(shù)研究[D];江南大學(xué);2009年

【二級參考文獻】

相關(guān)期刊論文 前10條

1 吳援明,梁恩志,羅毅;重尾分布信源的排隊等待時間的分析方法[J];電子科技大學(xué)學(xué)報;2003年03期

2 文軍,任立勇;自相似業(yè)務(wù)流下的服務(wù)質(zhì)量保障[J];電子科技大學(xué)學(xué)報;2004年04期

3 胡嚴(yán),張光昭;重尾ON/OFF源模型生成自相似業(yè)務(wù)流研究[J];電路與系統(tǒng)學(xué)報;2001年03期

4 徐科,徐金梧,班曉娟;基于小波分解的某些非平穩(wěn)時間序列預(yù)測方法[J];電子學(xué)報;2001年04期

5 孫海榮,李樂民;ATM網(wǎng)絡(luò)中的ABR業(yè)務(wù)在不同ON

本文編號：2519324