基于改进神经网络的无线网络流量预测.pdf

基于改进神经网络的无线网络流量预测摘要：考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性，使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等，该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题，引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试，使用稳定小波变换方法将无线网络流量数据分解，得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明，该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。关键词：无线网络流量预测；粒子群优化算法；BP神经网络；ARIMA预测模型中图分类号：TN915?34；TP393文献标识码：A文章编号：1004?373X（2016）10?0030?04ResearchonwirelessnetworktrafficpredictionbasedonimprovedneuralnetworkLUDunlu1，ZHANGXinyi2（1.GuangdongProvincialInstituteofTechnicalPersonnel，Guangzhou510640，China；2.WuyiUniversity，Jiangmen529020，China）Abstract：Consideringthecharacteristicsofwirelessnetworktraffic，suchasdispersion，randomnessandchaos，theparticleswarmoptimizationalgorithmisusedinthispapertooptimizethepredictionmodelofBPneuralnetworktosolvetheproblemsthattheBPneuralnetworkiseasytofallintolocalminimumanditstrainingconvergencerateislowbecausethetraditionalARIMApredictionmodelandBPneuralnetworkmodelaredifficulttopredictaccurately，inwhichtheself?adaptivemutagenicfactorsingeneticalgorithmarebrought.TheperformanceofthepredictivemethodwastestedbymeansofthewirelessnetworktrafficdataintheclassicalCRAWDADdatabase.Thestablewavelettransformmethodisusedtodecomposethewirelessnetworktrafficdatatoobtainthedataflowcomposedof1approximatecomponentand3detailcomponents.ThetestingresultsshowthatpredictiveperformanceofthepredictivemethodisbetterthanthoseoftheARIMApredictivemodelandBPneuralnetworkmodel.Keywords：wirelessnetworktrafficprediction；particleswarmoptimization；BPneuralnetwork；ARIMApredictionmodel随着无线网络技术的不断发展和规模的日益壮大，对无线网络的安全性、可管理性等服务质量提出了更高的要求。网络流量建模、识别以及预测等已经成为评判网络性能的重要手段之一，建立准确的流量预测模型能够准确评估网络流量，对于控制管理网络十分有利，其能够保障网络服务质量（QoS）的同时对无线网络资源进行优化配置。另外准确的预测无线网络流量，能够对网络中异常问题提早发现，对于保障网络安全，对无线网络进行故障诊断等均具有十分重要的意义。无线网络兴起时间比传统有线网络晚，与传统有线网络相比，因为其具有更强的分散性、随机性以及混沌等特性，使得对其长期预测具有极大的难度，因此继续研究一种预测准确度高、适应性强同时泛化能力强的预测方法。BP神经网络是一种应用广泛的预测算法模型之一，但是传统的BP神经网络存在容易陷入局部最小值以及训练收敛速率低等问题。本文使用改进型粒子群优化算法对BP神经网络预测模型进行优化。1改进型BP神经网络1.1BP神经网络预