網(wǎng)絡(luò)流量有實時性、不穩(wěn)定性和時序相關(guān)性等特點,傳統(tǒng)網(wǎng)絡(luò)流量預(yù)測模型存在泛化能力不強(qiáng)和預(yù)測精度低等不足之處。為解決這些不足,本文提出一種結(jié)合基于正余弦的群優(yōu)化（SCSO）算法的GRU神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型（SCSO-GRU）。首先,介紹SCSO算法的粒子更新原理;然后構(gòu)建SCSO-GRU神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型,將SCSO算法用于模型訓(xùn)練,提高訓(xùn)練效果,克服傳統(tǒng)GRU神經(jīng)網(wǎng)絡(luò)收斂于局部最優(yōu)的缺點;最后用SCSO-GRU模型進(jìn)行網(wǎng)絡(luò)流量預(yù)測。實驗結(jié)果表明,與傳統(tǒng)LSTM和GRU模型相比,本文模型具有顯著的收斂效果和較好的預(yù)測精度,可以更好地刻畫網(wǎng)絡(luò)流量變化趨勢。 

【文章來源】：計算機(jī)與現(xiàn)代化. 2020,(04)

【文章頁數(shù)】：7 頁

【部分圖文】：

GRU“記憶細(xì)胞”結(jié)構(gòu)

SCSO-GRU模型如圖2所示，圖中m、l、n分別為輸入層、隱藏層和輸出層的神經(jīng)單元個數(shù)。U為輸入層到隱藏層的權(quán)重矩陣，V是隱藏層到輸出層的權(quán)重矩陣，W表示隱藏層的上一時刻輸出值作為當(dāng)前時刻輸入值的權(quán)重矩陣。b1、b2和b3分別是U、V和W對應(yīng)的偏差向量。在優(yōu)化器中，使用SCSO算法算出全局最優(yōu)值，以此更新各個權(quán)重矩陣和偏差向量。3.1 SCSO-GRU模型訓(xùn)練

將經(jīng)過處理之后數(shù)據(jù)的90%組數(shù)據(jù)作為訓(xùn)練集，用于GRU神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，余下的10%組數(shù)據(jù)作為測試集。2)確定GRU網(wǎng)絡(luò)的輸入層單元個數(shù)m，輸出層單元個數(shù)n和隱藏層單元個數(shù)l及隱藏層參數(shù)。將每批m個變量作為網(wǎng)絡(luò)輸入X={xi|i=1,2，…，m}，n個變量作為輸出Y={yi|i=1,2，…，n}，隱藏層單元個數(shù)通過多次試探實驗來決定。本實驗中設(shè)m=24、n=1，即通過每批24 h的網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測未來1 h的網(wǎng)絡(luò)流量值。

【參考文獻(xiàn)】：
期刊論文
[1]基于PF-LSTM網(wǎng)絡(luò)的高效網(wǎng)絡(luò)流量預(yù)測方法[J]. 李校林,吳騰.  計算機(jī)應(yīng)用研究. 2019(12)
[2]一種基于LSTM神經(jīng)網(wǎng)絡(luò)的流量預(yù)測模型[J]. 譚暉,張揚,周小翠,賀凡.  信息通信. 2018(02)
[3]高斯過程回歸補償ARIMA的網(wǎng)絡(luò)流量預(yù)測[J]. 田中大,李樹江,王艷紅,王向東.  北京郵電大學(xué)學(xué)報. 2017(06)
[4]網(wǎng)絡(luò)流量預(yù)測模型研究[J]. 陳廣居,梁鵬,王坤.  信息通信. 2017(08)
[5]改進(jìn)支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J]. 王雪松.  計算機(jī)系統(tǒng)應(yīng)用. 2017(03)
[6]Minimal Gated Unit for Recurrent Neural Networks[J]. Guo-Bing Zhou,Jianxin Wu,Chen-Lin Zhang,Zhi-Hua Zhou.  International Journal of Automation and Computing. 2016(03)
[7]基于MCC的網(wǎng)絡(luò)流量預(yù)測方法（英文）[J]. 曲樺,馬文濤,趙季紅,王濤.  中國通信. 2013(01)

碩士論文
[1]正余弦算法及其應(yīng)用研究[D]. 王遠(yuǎn).西安理工大學(xué) 2019
[2]基于多種網(wǎng)絡(luò)模型混合的流量預(yù)測技術(shù)研究[D]. 路陽.山東大學(xué) 2016



本文編號：3543485