基于PSO?Elman模型的网络流量预测

顾兆军 李冰 刘涛

關键词： 相空间重构; 粒子群算法; Elman神经网络; 混沌时间序列; 网络流量预测; 参数优化

中图分类号： TN98?34; TP393                     文献标识码： A                     文章编号： 1004?373X（2019）01?0082?05

Abstract： The traditional neural network used for network traffic prediction is easy to fall into the local minimization， which may lead to the low prediction accuracy. Therefore， a network traffic prediction model is proposed on the basis of phase?space reconstruction， in which the particle swarm optimization （PSO） algorithm is used to optimize the initial parameter of Elman neural network. The phase?space reconstruction is carried out for the time sequence of network traffic， and then the reconstructed traffic sequence is taken as the input of the model. The global searching ability of PSO algorithm is utilized to optimize the initial parameter of Elman neural network. The trained Elman neural network is used to forecast the network traffic. The simulation results show that， in comparison with other traffic prediction models， the network prediction based on PSO?Elman model has higher prediction accuracy.

Keywords： phase?space reconstruction; PSO algorithm; Elman neural network; chaotic time series; network traffic prediction; parameter optimization

随着互联网技术的发展，网络流量剧增，网络阻塞问题凸显。建立准确高效的网络流量预测模型对异常流量的检测、网络规划设计等都具有重要的意义。

网络流量预测模型可分为线性和非线性两种。基于短相关特性的自回归模型[1]、自回归滑动平均模型[2]、自回归综合滑动平均模型[3]以及基于长相关特性的差分自回归滑动平均模型[4]均属于线性预测模型。线性预测模型算法简单，易于实现，但面对日益复杂的网络流量，难以保证预测精度。针对网络流量的突变性，非线性预测模型在流量预测中得到了较好的应用。非线性预测模型主要包括灰色模型[5]、支持向量机[6]、小波预测模型[7]、神经网络[8?9]等。BP神经网络作为传统神经网络的一种，凭借较强的非线性拟合能力、可映射任意复杂的非线性关系等特性，在流量预测领域得到了很好的应用，但BP神经网络存在训练时间长、易陷入局部极小等问题[10]。Elman神经网络在传统前馈神经网络的基础上增加了有记忆功能的关联层，使系统具有适应时变特性的能力。但Elman算法的连接权值和隐含层参数随机生成，在梯度下降算法调整时易陷入局部极小。PSO算法具有快速全局寻优能力，利用PSO算法优化Elman神经网络权值和阈值使其避免陷入局部极小，提高了网络流量预测精度。同时，网络流量随时间变化而变化，是典型的时间序列。研究表明，网络流量具有混沌性和时变性[11]，用混沌动力学处理时间序列是一个较好的处理方式，提高了理论分析问题的能力。本文提出在相空间重构基础上采用PSO算法优化Elman神经网络模型的网络流量预测模型，通过仿真实验证明了该模型的有效性。

通过对图4，图5及表1进行分析，可得到如下结论：

1） 利用PSO算法对于Elman的初始参数进行寻优，只需要迭代20次，结果就会收敛到一个稳定的状态，预测精度即适应度较迭代之前可以有了明显的提高。

2） PSO?Elman算法预测序列走势最为接近真实值，其他算法的拟合效果均比PSO?Elman差。

3） 通过表1可以发现，对于RMSE，MAE，MRE三个指标，基于PSO?Elman神经网络的计算结果均远远小于其他两种算法，证明本文算法的预测精度优于其他算法。

5  结  语

本文提出一种网络流量预测新方法。根据网络流量混沌性和时变性特点，用混沌时间序列处理网络流量，提高了理论分析问题的能力。同时，本文采用的PSO?Elman算法不仅克服了传统BP神经网络缺少关联层导致系统没有动态记忆功能的缺点，而且也克服了BP神经网络以及Elman神经网络易陷入局部极小、收敛速度慢的问题，极大地提高了预测网络流量的精度，有着良好的实践意义。仿真结果表明，相比于BP神经网络、Elman算法，在相空间重构的基础上，采用PSO?Elman模型的网络流量预测具有更高的准确率。

参考文献

[1] 金瑶，蔡之华.基于AR模型的Kalman滤波在股票价格预测中的应用[J].统计与决策，2013，6（3）：80?82.

JIN Yao， CAI Zhihua. Application of Kalman filter based on AR model in stock price forecasting [J]. Statistics & decision， 2013， 6（3）： 80?82.

[2] 刘明风，修春波.基于ARMA与神经网络的风速序列混合预测方法[J].中南大学学报（自然科学版），2013，44（1）：16?20.

LIU Mingfeng， XIU Chunbo. Hybrid prediction method for wind speed series based on ARMA and neural network [J]. Journal of Central South University （natural science）， 2013， 44（1）： 16?20.

[3] 孙轶轩，邵春福，计寻，等.基于ARIMA与信息粒化SVR组合模型的交通事故时序预测[J].清华大学学报（自然科学版），2014，54（3）：348?353.

SUN Yixuan， SHAO Chunfu， JI Xun， et al. Urban traffic accident time series prediction model based on combination of ARIMA and information granulation SVR [J]. Journal of Tsinghua University （natural science）， 2014， 54（3）： 348?353.

[4] 陈珂，彭志平，柯文德.基于人工免疫和FARIMA模型的流量预测方法研究[J].四川大学学报（自然科学版），2013，50（2）：267?272.

CHEN Ke， PENG Zhiping， KE Wende. The study of traffic prediction method based on artificial immune and FARIMA model [J]. Journal of Sichuan University （natural science edition）， 2013， 50（2）： 267?272.

[5] 王相守，张娜.基于灰色神经网络组合模型的光伏短期出力预测[J].电力系统自动化，2012，36（19）：37?41.

WANG Xiangshou， ZHANG Na. Short?term output power forecast of photovoltaic based on a grey and neural network hybrid model [J]. Automation of electric power systems， 2012， 36（19）： 37?41.

[6] 唐舟进，彭涛，王文博.一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法[J].物理学报，2014，63（13）：1?10.

TANG Zhoujin， PENG Tao， WANG Wenbo. A local least square support vector machine prediction algorithm of small scale network traffic based on correlation analysis [J]. Acta physica Sinica， 2014， 63（13）： 1?10.

[7] 李志农，朱明，褚福磊，等.基于经验小波变换的机械故障诊断方法研究[J].仪器仪表学报，2014，35（11）：2423?2432.

LI Zhinong， ZHU Ming， CHU Fulei， et al. Mechanical fault diagnosis method based on empirical wavelet transform [J]. Chinese journal of scientific instrument， 2014， 35（11）： 2423?2432.

[8] 郭通，兰巨龙，李玉峰，等.基于量子自适应粒子群优化径向基函数神经网络的网络流量预测[J].电子与信息学报，2013，35（9）：2220?2226.

GUO Tong， LAN Julong， LI Yufeng， et al. Network traffic prediction with radial basis function neural network based on quantum adaptive particle swarm optimization [J]. Journal of electronics & information technology， 2013， 35（9）： 2220?2226.

[9] 李翔，朱全银.Adaboost算法改进BP神经网络预测研究神经网络预测研究[J].计算机工程与科学，2013，35（8）：96?102.

LI Xiang， ZHU Quanyin. Prediction of improved BP neural network by Adaboost algorithm [J]. Computer engineering & science， 2013， 35（8）： 96?102.

[10] 张立仿，张喜平.量子遗传算法优化BP神经网络的网络流量预测[J].计算机工程与科学，2016，38（1）：114?119.

ZHANG Lifang， ZHANG Xiping. Network traffic prediction based on BP neural networks optimized by quantum genetic algorithm [J]. Computer engineering & science， 2016， 38（1）： 114?119.

[11] LU Jinjun， WANG Zhiquan. Internet traffic data flow forecast by RFB neural network based on phase space reconstruction [J]. Transactions of Nanjing University of Aeronautics & Astronutics， 2006， 23（4）： 52?63.

[12] Bellcore Lab. Traces available in the internet traffic archive [EB/OL]. [2007?03?24]. http：//ita.ee.lbl.gov/html/traces.html.

[13] 姜明，吴春明，张旻，等.网络流量预测中的时间序列模型比较研究[J].电子学报，2009，37（11）：2353?2358.

JIANG Ming， WU Chunming， ZHANG Min， et al. Research on the comparison of time series models for network traffic prediction [J]. Acta electronica Sinica， 2009， 37（11）： 2353?2358.

[14] VAN DEN BERGH F. An analysis of particle swarm optimi?zers [D]. South Africa： University of Pretoria， 2001.