列车通信网络的网络流量的预测方法和装置制造方法及图纸

本发明专利技术公开了一种列车通信网络的网络流量的预测方法和装置。其中，该方法包括：获取列车通信网络的历史网络流量；根据历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型；基于网络流量预测模型，预测预设时间段内列车通信网络的网络流量。本发明专利技术解决了采用现有的基于支持向量机模型的方法，对列车通信网络流量进行预测，预测效率低的技术问题。

【技术实现步骤摘要】

本专利技术涉及交通信息工程领域，具体而言，涉及一种列车通信网络的网络流量的预测方法和装置。
技术介绍
通信网络是列车运行系统的中枢。为适应未来高速铁路宽带通信网发展，现代列车通信已由传统的WTB(绞线式列车总线，Wire Train Bus的简写)及MVB(多功能车辆总线，Multifunction Vehicle Bus的简写)总线向更高带宽及传输速度的ECN(电子通信网络，Electronic Communication Network的简写)和ETB(以太列车骨干网，Ethernet Train Backbone)过渡，因此基于以太网技术的列车通信网络已经成为下一代列车通信网络的发展方向。以太网技术可以解决列车网络带宽不足的问题，但是在列车网络中简单的引入以太网技术并不能保证列车通信的实时性、确定性，为此，对列车通信网络进行数据分析及监测，优化其网络性能，具有重要的意义。网络流量是所有影响网络特性的最主要的因素。网络流量具有连贯性、类周期性及相似性，决定了在某种程度上对其进行预测的可能性。利用网络流量预测技术，可以把握不同总线间流量传递过程，更好地进行网络优化、路由设计和负载均衡，提升网络稳定性。目前针对网络流量的预测，大致分为基于的模型方法和基于数据统计特性的方法。基于模型的方法需要对研究对象(网络流量)有充分的把握，需提取网络流量关键特性，如尖峰、长相关、曲线能量、振荡特性等。例如，可以按照预测时间长短以及平稳性等进行具体设计，如AR(自回归，Auto Regressive的简写)、ARIMA(差分自回归滑动平均，Autoregressive Integrated Moving Average的简写)的线性预测模型等。基于数据统计特性的方法如灰色模型预测法、模糊模型预测法以及神经网络等智能学习算法。注意到，神经网络依赖于经验性启发，采用经验风险最小化原则，因此在数据样本量较少的情况下，泛化能力下降，导致精度降低；而其运算的复杂性受网络结构复杂性和样本复杂性的影响较大。相比之下，支持向量机(support vector machines，SVM)采用结构风险最小化原则，从本质上提高学习机的泛化能力，不存在局部最小问题。然而，如何进行SVM的参数选择是系统预测的重点和难点。目前最常用的网格搜索法属于遍历型算法，在粗网格情况下速度有保障，但精度过低，而过细网格搜索虽保证了精度，但搜索速度和效率过低。针对采用现有的基于支持向量机模型的方法，对列车通信网络流量进行预测，预测效率低的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种列车通信网络的网络流量的预测方法和装置，以至少解决采用现有的基于支持向量机模型的方法，对列车通信网络流量进行预测，预测效率低的技术问题。根据本专利技术实施例的一个方面，提供了一种列车通信网络的网络流量的预测方法，包括：获取列车通信网络的历史网络流量；根据历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型；基于网络流量预测模型，预测预设时间段内列车通信网络的网络流量。根据本专利技术实施例的另一方面，还提供了一种列车通信网络的网络流量的预测装置，包括：获取模块，用于获取列车通信网络的历史网络流量；处理模块，用于根据历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型；预测模块，用于基于网络流量预测模型，预测预设时间段内列车通信网络的网络流量。在本专利技术实施例中，可以获取列车通信网络的历史网络流量，根据获取到的历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型，并基于网络流量预测模型，预测预设时间段内列车通信网络的网络流量，从而实现对列车通信网络的网络流量进行预测的目的。由于针对列车通信网络的历史网络流量，并采用可调加权双网格搜索算法，得到参数优化后的网络流量预测模型，解决了采用现有的基于支持向量机模型的方法，对列车通信网络流量进行预测，预测效率低的技术问题。因此，通过本专利技术上述实施例提供的方案，可以提供一种有针对性的，简单且高效、实用的列车通信网络的网络流量预测方法，提升预测速度和预测准确度。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种列车通信网络的网络流量的预测方法的流程图；图2是根据本专利技术实施例的一种可选的列车通信网络的网络流量的预测方法的示意图；以及图3是根据本专利技术实施例的一种列车通信网络的网络流量的预测装置的示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1根据本专利技术实施例，提供了一种列车通信网络的网络流量的预测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。图1是根据本专利技术实施例的一种列车通信网络的网络流量的预测方法的流程图，如图1所示，该方法包括如下步骤：步骤S102，获取列车通信网络的历史网络流量。具体的，上述步骤中的列车通信网络的历史网络流量可以是列车通信网络的过去任意特定时间段内各采样时间点对应的网络流量数值。步骤S104，根据历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型。具体的，上述步骤中的预设的网格搜索算法可以是可调加权双网格搜索算法，即加入加权因子作为约束条件，在加权约束条件下的双网格搜索算法。在一种可选的方案中，可以将获取到的列车通信网络的历史网络流量作为训练样本，进行支持向量机模型的训练，并采用可调加权双网格搜索算法对支持向量机模型的参数进行优化，得到参数优化后的列车通信网络流量预测模型。此处需要说明的是，采用可调加权双网格搜索算法对支持向量机模型的参数进行优化，可以得到最优的参数值，从而得到最优的列车通信网络流量预测模型。步骤S106，基于网络流量预测模型，预测预设时间段内列车通信网络的网络流量。具体的，上述预设时间段可以是根据未来网络流量的预测需求，提前设定的预测周期。在一种可选的方案中，在得到参数优化后的列车通信网络流量预测模型之后，可以基于最优的列车通信网络流量预测模型预测未来给定预测周期内的列测通信网络流量。根据本专利技术本文档来自技高网...

【技术保护点】
一种列车通信网络的网络流量的预测方法，其特征在于，包括：获取列车通信网络的历史网络流量；根据所述历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型；基于所述网络流量预测模型，预测预设时间段内所述列车通信网络的网络流量。

【技术特征摘要】
1.一种列车通信网络的网络流量的预测方法，其特征在于，包括：获取列车通信网络的历史网络流量；根据所述历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型；基于所述网络流量预测模型，预测预设时间段内所述列车通信网络的网络流量。2.根据权利要求1所述的方法，其特征在于，根据所述历史网络流量，采用预设的网格搜索算法，得到网络流量预测模型，包括：将所述历史网络流量作为训练样本；根据所述训练样本进行支持向量机的训练，得到初始网络流量预测模型；基于所述预设的网格搜索算法，对所述初始网络流量预测模型中的参数进行优化，得到所述网络流量预测模型。3.根据权利要求2所述的方法，其特征在于，所述初始网络流量预测模型为： f ( x ) = Σ i = 1 N ( α i - α i * ) K ( x , x i ) + b , ]]>其中，f(x)为所述初始网络流量预测模型的输出数据，x为所述初始网络流量预测模型的输入数据，N为所述训练样本的维数，所述N为正整数，1≤i≤N，所述i为整数，xi为第i个训练样本，b为偏置项，K(x,xi)为所述支持向量机的核函数，且K(x,xi)＝exp(-g||x-xi||2)，其中，exp为指数函数，g为所述核函数的临界参数，且g>0，αi和分别为第i个训练样本的拉格朗日乘子。4.根据权利要求3所述的方法，其特征在于，所述αi和所述满足如下公式：且其中，c为惩罚因子，wi为第i个训练样本对应的加权因子。5.根据权利要求4所述的方法，其特征在于，通过如下公式计算所述加权因子wi： w i = λ e m ( t - t i ) / N + 1 - λ e n ( t · mod T - t i · mod T ) / N , ]]>其中，t为预测时刻，ti为第i个训练样本对应的采样时间点，T为所述预设时间段，mod为取余运算符号，m和n为误差控制因子，λ为调节参数。6.根据权利要求5所述的方法，其特征在于，基于所述预设的网格搜索算法，对所述初始网络流量预测模型中的参数进行优化，得到所述网络流量预测模型，包括：基于权值分布规律，对所述误差控制因子m和n，以及所述调节参数λ进行优化，得到优化后的加权因子wi；基于双网格搜索算法，对所述惩罚因子c和所述核函数的临界参数g进行优化，得到优化后的惩罚因子c和优化后的核函数的临界参数g；根据所述优化后的加...

【专利技术属性】
技术研发人员：彭云龙，王峰超，刘泰，赵冬玉，蒋欣，曹源，李鹏，
申请(专利权)人：中车青岛四方机车车辆股份有限公司，
类型：发明
国别省市：山东;37