基于改进神经网络无线网络流量预测.docVIP

基于改进神经网络无线网络流量预测 　　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?04 　　Research on wireless network traffic prediction based on improved neural network 　　LU Dunlu1， ZHANG Xinyi2 　　（1. Guangdong Provincial Institute of Technical Personnel， Guangzhou 510640， China； 2. Wuyi University， Jiangmen 529020， China） 　　Abstract： Considering the characteristics of wireless network traffic， such as dispersion， randomness and chaos， the particle swarm optimization algorithm is used in this paper to optimize the prediction model of BP neural network to solve the problems that the BP neural network is easy to fall into local minimum and its training convergence rate is low because the traditional ARIMA prediction model and BP neural network model are difficult to predict accurately， in which the self?adaptive mutagenic factors in genetic algorithm are brought. The performance of the predictive method was tested by means of the wireless network traffic data in the classical CRAWDAD database. The stable wavelet transform method is used to decompose the wireless network traffic data to obtain the data flow composed of 1 approximate component and 3 detail components. The testing results show that predictive performance of the predictive method is better than those of the ARIMA predictive model and BP neural network model. 　　Keywords： wireless network traffic prediction； particle swarm optimization； BP neural network； ARIMA prediction model 　　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