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扰，并试图对猎物进行包围。这一过程中狼群中领头狼带头追，其他狼跟在领头狼的周围。包围猎物的数学模型为：其中表示猎物的位置，是系数向量，的值是[0,1]范围内的随机数，a从2线性衰减到0，t为当前迭代次数，T为最大迭代次数。(3)攻击猎物：在狼群追上猎物后，将其包围迫使猎物停下，此时，领头狼指挥狼群进行攻击。因为没有猎物明确的位置，所以默认狼群中的α狼，β狼和δ狼对猎物的潜在位置有更好的了解。此时，狼群首领指挥狼群进行向猎物的潜在位置移动，对猎物进行攻击。攻击猎物的数学模型为：其中和分别代表α狼，β狼和δ狼在解空间中的位置。因为GWO算法在开发阶段容易停滞，在后期收敛速度变慢等问题，所以科研工作者们对GWO算法进行了改进产生了诸多变体。这些变体的改变可以划分为四大类：改进收敛因子a、改进狼群的初始化、改进狼群位置的更新方法、对狼群更新后的α狼，β狼和δ狼再进行优化。收敛因子a在平衡探索和开发之间的关系中起到至关重要的作用。合理的收敛因子a使GWO具有更好的勘探和开发质量，增强了避免局部最优的能力，但会降低算法的稳定性。合理的初始化种群对算法的求解精度和收敛速度有着至关重要的作用。合理的初始化种群可以使算法的到更加准确的结果，但会降低算法全局搜索能力。改进GWO算法中的位置更新算法是被认为是最具挑战性的，合理的更新方法可以增强算法的全局搜索能力，提高算法的求解精度。对狼群更新后的α狼，β狼和δ狼再进行优化，这会加快GWO算法的收敛速度，但会加大陷入局部最优的风险。通过对现有4种改进技术方法和实验结果的分析，发现这些技术只是缓解了GWO算法的缺点，并没有从根本上解决这些缺点。网络流量预测作为网络管理、调控的重要方式之一，已吸引了大量学者的研究。对网络流量预测做出了巨大贡献。采用了很多种不同的模型，可以分为三大类：线性预测模型，非线性预测模型和组合预测模型。线性流量预测模型具有模型计算简单、计算量小的特点，但只能对网络流量的短相关特性进行描述，且只能对平稳过程进行预测，但其模型建立简单，计算量小，故该类模型常被用于实时性要求较高的在线预测。非线性流量预测模型能有效的刻画实际的网络流量具有的非线性、自相似性、长相关性、多重分形性且预测精度比较高，但仍然有自己的不足，如(FractionalAutoregressiveIntegratedMovingAverage，FARIMA)不能够描述流量的非平稳特性，计算量大，不能够进行实时预测，且不能很好地捕获突发性；灰色理论模型并行计算能力有限，对系统变化敏感，极易导致重新计算；支持向量机对关键参数的选择算法复杂，且没有统一理论；混沌理论模型在进行多步预测时计算量较大，且存在累积误差效应等。总的来说，非线性模型具有双高特点，即计算复杂度高，计算精度高，对系统资源和模型计算时间是一个考验。由于人工神经网络具有很强的自适应性和学习能力、非线性映射能力，人工神经网络方法被广泛应用于时间序列的预测中，其中长短期记忆(LongShort-TermMemory，LSTM)循环神经网络具有记忆功能，可以有效避免梯度消失和梯度爆炸。但是神经网络模型训练算法固有的特点使得神经网络模型在实际应用中也存在着容易陷入局部极小值等不足。
技术实现思路
根据现有技术存在的问题，本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，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。进一步地，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定为α狼，β狼和δ狼，其余定位ω狼；步骤4：其余的ω狼，根据Xα，Xβ和Xδ更新各自的权重；步骤5：将α狼，β狼和δ狼各自的权重Xα，Xβ和Xδ分别赋值于Jα，Jβ和Jδ，根据所有ω狼反馈回来权重值更新Jα，Jβ和Jδ对应的权重值；步骤6：计算Jα，Jβ和Jδ的适应度值F(Jα)，F(Jβ)和F(Jδ)，并分别与F(Xα)，F(Xβ)和F(Xδ)进行一一比较，当F(Jα)小于F(Xα)、F(Jβ)小于F(Xβ)、和F(Jδ)小于F(Xδ)，则Jα，Jβ和Jδ调整后的权重赋予Xα，Xβ和Xδ；否则，则α，β和δ的权重不变；步骤7：更新参数a和步骤8：当t小于最大迭代次数T，则t＝t+1，返回步骤2，当t大于最大迭代次数T，则输出α狼的权重。进一步地，S5中向量Jα，Jβ和Jδ更新各自的位置的过程如下：Jα＝Xα(9)Jβ＝Xβ(10)Jδ＝Xδ(11)其中代表ω狼更新后的位置，代表第j个ω狼第i维的值。将每个ω狼的每个维度分别去替换Jα，Jβ和Jδ中的每个维度。由于采用了上述技术方案，本专利技术提供的一种基于决策灰狼算法优化LSTM的网络流量预测本文档来自技高网...

【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