一种基于决策灰狼算法优化LSTM的网络流量预测方法技术

本发明专利技术公开了一种基于决策灰狼算法优化LSTM的网络流量预测方法，属于网络流量预测领域，该方法包括以下步骤：对第一网络流量数据集进行极差标准化处理，得到第二网络流量数据集，并划分为训练集和测试集，并确定决策灰狼算法优化LSTM神经网络中输入层单元个数、输出层单元个数和隐藏层单元个数；用得到第二网络流量数据集，在过程中利用决策灰狼算法来优化LSTM神经网络的参数，得到训练完成的决策灰狼算法优化LSTM神经网络；决策灰狼优化算法可以有效解决优化中的求解问题，可应用于工程、经济、调度等问题求解。决策灰狼优化算法利用自身的全局最优能力弥补传统LSTM容易收敛于局部最优解的缺点，提高LSTM避免局部最优能力；加快LSTM神经网络参数收速度。实验证明，决策灰狼算法优化LSTM能够有效减少神经网络的训练时间，提高了网络流量预测精度。

A network traffic prediction method based on LSTM optimized by decision Gray Wolf algorithm

【技术实现步骤摘要】
一种基于决策灰狼算法优化LSTM的网络流量预测方法
本专利技术涉及网络流量预测领域，尤其涉及一种基于决策灰狼算法优化LSTM的网络流量预测方法。
技术介绍
灰狼优化算法(GreyWolfOptimization，GWO)的灵感来源于狼群的等级制度和狩猎行为，MirjaliliS已经证明GWO算法性能相较于其他群体智能算法的优越性。GWO算法已经在科学，工程和工业等诸多领域得到了应用。根据狼群中α，β，δ和ω的社会等级，将α，β和δ等级映射为GWO算法中的最优解、次优解、次次优解。将ω等级的狼映射为GWO算法中的其他解。这种做法，保证了GWO算法会一直朝着全局最优解的位置移动。狼群的狩猎过程被划分为三个阶段：搜寻猎物，包围猎物，攻击猎物。(1)搜寻猎物：狼群在进行捕猎之前，狼群会搜寻猎物，计算出狼与猎物的距离。搜寻猎物的数学模型为：其中表示猎物的位置,表示当前狼的位置，t为当前迭代次数，是系数向量，的值是[0,1]范围内的随机数。(2)包围猎物：在狩猎过程中，狼群会对猎物进行追逐和骚本文档来自技高网...

【技术保护点】
1.一种基于决策灰狼算法优化LSTM的网络流量预测方法，其特征在于：包括以下步骤：/n步骤1：对第一网络流量数据集进行极差标准化处理，得到第二网络流量数据集，并划分为训练集和测试集，并确定决策灰狼算法优化LSTM神经网络中输入层单元个数、输出层单元个数和隐藏层单元个数；/n步骤2：在训练决策灰狼算法优化LSTM的过程中，利用决策灰狼优化算法来训练LSTM神经网络的参数，得到训练完成的决策灰狼算法优化LSTM神经网络；/n步骤3：采用训练完成决策灰狼算法优化LSTM神经网络进行网络流量预测。/n

【技术特征摘要】
1.一种基于决策灰狼算法优化LSTM的网络流量预测方法，其特征在于：包括以下步骤：
步骤1：对第一网络流量数据集进行极差标准化处理，得到第二网络流量数据集，并划分为训练集和测试集，并确定决策灰狼算法优化LSTM神经网络中输入层单元个数、输出层单元个数和隐藏层单元个数；
步骤2：在训练决策灰狼算法优化LSTM的过程中，利用决策灰狼优化算法来训练LSTM神经网络的参数，得到训练完成的决策灰狼算法优化LSTM神经网络；
步骤3：采用训练完成决策灰狼算法优化LSTM神经网络进行网络流量预测。


2.根据权利要求1所述的一种基于决策灰狼算法优化LSTM的网络流量预测方法，其特征还在于：所述决策灰狼优化算法的步骤如下：
将训练集输出结果y′和经过前向训练后的输出结果y的差值处理后作为适应度函数F：
步骤1：初始化合适的狼群规模Xi(i＝1,2,…,N)，Xi的维度数与决策灰狼算法优化LSTM神经网络中的权重数相等，并且一一对应，初始化系数向量和衰减系数a；确定当前迭代次数t和最大迭代次数T；
步骤2：根据决策灰狼算法优化LSTM神经网络前向计算出每个狼Xi的输出值y；
步骤3：计算每个狼的适应度值，对适应度值进行降序排列，将适应度值排序前三的狼依次...

【专利技术属性】
技术研发人员：杜秀丽，司增辉，潘成胜，邱少明，刘庆利，范志宇，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁;21