一种空天地一体化网络下的混沌动态拥塞预测系统及方法技术方案

本发明专利技术属于网络流量预测技术领域，涉及一种空天地一体化网络下的混沌动态拥塞预测方法，包括以下步骤：获取链路与节点的状态数据，作为原始序列数据；对原始序列数据进行归一化处理，得到处理后的拥塞序列；将拥塞序列通过小波分析分解为若干低频序列和若干高频序列；利用粒子群算法对GRU神经网络预测模型进行优化，得到最优GRU神经网络参数；使用优化后的GRU神经网络预测模型对各个低频序列和高频序列进行拥塞预测，得到各序列的拥塞预测结果；将各序列的拥塞预测结果重构得到完整的拥塞预测序列，作为最终的预测结果。将小波分析与流量预测方法相结合，采用混沌动态拥塞预测方法，收敛速度快，能快速迭代，提高了拥塞预测的精度。精度。精度。

【技术实现步骤摘要】
一种空天地一体化网络下的混沌动态拥塞预测系统及方法


[0001]本专利技术属于网络流量预测
，特别涉及一种空天地一体化网络下的混沌动态拥塞预测系统及方法。

技术介绍

[0002]与传统网络环境相比，空天地一体化网络环境存在着较大的差异。空天地一体化网络的动态性及异构性给网络拥塞预测带来了挑战。
[0003]网络拥塞预测的本质是对其时间序列进行预测，空天地一体化网络的拥塞预测满足时间序列的趋势性、周期性和不规则性。
[0004]传统的时间序列模型有移动平均模型(Moving Average,MA)、自回归模型(Auto Regressive,AR)、自回归移动平均模型(Auto Regressive Moving Average，ARMA)。ARMA模型适用于平稳时间序列，在ARMA模型中加入差分方法形成ARIMA模型使其适用于非平稳的时间序列。Chen[1]利用ARIMA方法建立预测模型。然而，传统的时间序列预测方法依赖于参数的选择，人工参数设定对预测模型的精度有很大的影响，因此将机器学习方法引入时间序列预测领域。
[0005]时间序列数据预测工作本质上与机器学习方法分类中的回归分析之间存在着紧密的联系。经典的支持向量机SVM、贝叶斯网络BN等在时间序列预测方面均取得了不错的效果。早期的人工神经网络ANN也被用来获取时间序列中长期的趋势。随着深度学习的崛起，其也成为了实现时间序列预测的有效工具。Mellit使用支持向量机SVM建立时间序列预测模型对气象领域的时间序列数据进行预测。使用深度学习中的CNN与RNN建立时间序列预测模型。分别建立卷积神经网络时间序列预测架构与循环神经网络的时间序列预测架构，由于RNN经常在训练中出现梯度消失问题，因此采用LSTM来解决梯度消失问题，设计出基于LSTM的时间序列预测框架。
[0006]在网络通信领域，深度学习也是目前对时间序列进行预测的有效方法。在地面网络中，将深度学习应用于移动通信技术中业务的预测，设计了基于LSTM的时间序列预测模型，并对其进行仿真实验，证明其可行性。在卫星网络中，基于LSTM神经网络设计LEO卫星网络的网络拥塞预测模型，预测网络拥塞程度。综合分析LEO低轨卫星网络TCP协议的时效性及计算资源有限等方面，采用单层LSTM网络结构。在保证在基预测结果的前提下，尽可能的减少参数寻优和网络训练的时间。LSTM神经网络能较好地处理大时间尺度数据，但收敛速度慢，参数无法直接确定，容易陷入局部最优。
[0007]综上所述，现有的神经网络模型均难以满足实际的网络拥塞预测需求。

技术实现思路

[0008]本专利技术的目的在于提供一种空天地一体化网络下的混沌动态拥塞预测系统及方法，解决了传统神经网络模型均难以满足实际的网络拥塞预测需求的问题。
[0009]本专利技术是通过以下技术方案来实现：
为0到1之间的随机数；x
best,i,k
为第k次迭代时第i个粒子经历过的最优位置；x
i,k
为第k次迭代时第i个粒子的位置；p
best,i,k
为第k次迭代时全部粒子经历过的最优位置。
[0035]进一步，第四步中的GRU神经网络预测模型为：
[0036]y＝σ(w
y
h
t
)；
[0037]其中，y为网络的输出，w
y
为隐含层到输入层的权值，h
t
为GRU神经网络中当前时刻隐含层状态；
[0038]当前时刻隐含层状态为上一时刻隐含层状态与当前隐含层激活状态的和，表达式为：
[0039][0040]其中，z
t
为更新门，h
t
‑1为上一时刻隐含层状态，为当前隐含层激活状态。
[0041]进一步，重置门r
t
和更新门z
t
为当前时刻输入数据与上一时刻隐含层状态的组合，表达式为：
[0042]r
t
＝σ(w
r
x
t
+u
r
h
t
‑1)；
[0043]z
t
＝σ(w
z
x
t
+u
z
h
t
‑1)；
[0044]其中，σ为sigmoid函数，将r
t
和z
t
限制在0和1之间；w
r
、u
r
、w
z
、u
z
为神经网络权值；x
t
为当前时刻输入数据；
[0045]当前时刻隐含层的激活状态的计算过程为：上一时刻隐含层数据经过重置门处理以后与当前的输入x
t
相结合并通过Tanh激活函数可以得到当前时刻隐含层的激活状态，即：
[0046][0047]n
z
＝wx
t
+u(r
t
⊙
h
t
‑1)；
[0048]其中，
⊙
表示Hadmard积运算；w、u为GRU神经网络权值。
[0049]本专利技术还公开了一种空天地一体化网络下的混沌动态拥塞预测系统，包括：
[0050]数据获取模块，用于获取链路与节点的状态数据，作为原始序列数据；
[0051]数据预处理模块，用于对原始序列数据进行归一化处理，得到处理后的拥塞序列；
[0052]小波分解模块，用于将处理后的拥塞序列通过小波分析分解为若干低频序列和若干高频序列；
[0053]粒子群优化模块，用于利用粒子群算法对GRU神经网络预测模型进行优化，得到最优GRU神经网络参数；
[0054]预测模块，用于使用优化后的GRU神经网络预测模型对各个低频序列和高频序列进行拥塞预测，得到各序列的拥塞预测结果；
[0055]重构模块，用于将各序列的拥塞预测结果重构得到完整的拥塞预测序列，作为最终的预测结果。
[0056]与现有技术相比，本专利技术具有以下有益的技术效果：
[0057]本专利技术公开了一种空天地一体网络下的混沌动态拥塞预测方法，首先通过控制器获得链路与节点的拥塞时间序列作为原始数据，对数据进行归一化预处理；将原始序列进行小波分析得到高频序列与低频序列；对各序列采用粒子群算法优化的GRU神经网络预测
模型得到各子序列的拥塞预测结果；最终将各子序列重构得到整体序列的预测结果，即拥塞预测结果。将小波分析与流量预测方法相结合，采用混沌动态拥塞预测方法，收敛速度快，能快速迭代，提高了拥塞预测的精度；设计了基于小波分析的粒子群算法优化的GRU神经网络预测模型，满足了空天地一体化网络动态性的需求。该方法中的小波分析部分可以对非线性信号进行多层次分解，能够更好地描述非线性信号的变化特性。经实验，基于小波分析的神经网络预测模型的预测精度明显高于单一的神经网络。本专利技术的混沌动态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空天地一体化网络下的混沌动态拥塞预测方法，其特征在于，包括以下步骤：步骤一、获取链路与节点的状态数据，作为原始序列数据；步骤二、对原始序列数据进行归一化处理，得到处理后的拥塞序列；步骤三、将处理后的拥塞序列通过小波分析分解为若干低频序列和若干高频序列；步骤四、利用粒子群算法对GRU神经网络预测模型进行优化，得到最优GRU神经网络参数；步骤五、使用优化后的GRU神经网络预测模型对各个低频序列和高频序列进行拥塞预测，得到各序列的拥塞预测结果；步骤六、将各序列的拥塞预测结果重构得到完整的拥塞预测序列，作为最终的预测结果。2.根据权利要求1所述的空天地一体化网络下的混沌动态拥塞预测方法，其特征在于，步骤二中，数据归一化的计算公式为：其中，z
i
表示归一化后的数据，x
i
表示待归一化的数据，x
min
表示原始序列数据的最小值，x
max
表示原始序列数据的最大值。3.根据权利要求1所述的空天地一体化网络下的混沌动态拥塞预测方法，其特征在于，将处理后的拥塞序列视为信号，对序列进行db3小波分析，具体为：令拥塞时间序列X分解为近似序列a3和细节序列d1、d2、d3，则针对拥塞时间序列信号，f(X)可分解为：f(X)＝a3+d3+d2+d1。4.根据权利要求1所述的空天地一体化网络下的混沌动态拥塞预测方法，其特征在于，步骤四中，使用粒子群算法优化GRU神经网络预测模型，具体包括以下步骤：S4.1、设置粒子群算法参数，初始化GRU神经网络预测模型参数，初始化各个粒子的适应度；S4.2、采用适应度函数对粒子位置的优劣进行评价，将每个粒子的位置与当前个体最优位置和粒子群最优位置分别进行比较，如果粒子当前位置优于个体最优位置，就用粒子位置替换当前个体最优位置和粒子群最优位置，使得粒子群朝着参数最优组合方向搜索；若当前粒子位置没有达到最优，则再一次进行迭代；如果迭代次数超过最初设置的最大迭代次数，则根据粒子群的最优位置向量得到GRU神经网络的最优参数，否则继续迭代，寻找最优的粒子位置。5.根据权利要求4所述的空天地一体化网络下的混沌动态拥塞预测方法，其特征在于，S4.2中，所述适应度函数如下：其中，表示样本预测值，y
i
表示样本实际值，N表示样本数量。6.根据权利要求4所述的空天地一体化网络下的混沌动态拥塞预测方法，其特征在于，粒子群算法的基本迭代式为：v
i，k
＝pv
i，k
+c1r1(x
best，i，k
‑
x
i，k
)+c2r2(p
best，i，k
‑
x
i，k
)；
x
i，k+1
＝x
i，k
+v
i，k
；其中，v
i，k
为第k次迭代时第i个粒子的速度；p为惯性权重；c1，c2为学习因子；r1、r2为0到1之间的随机数；x

【专利技术属性】
技术研发人员：曲桦，赵季红，魏常钰，孟颖，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：