【技术实现步骤摘要】
本专利技术涉及网络流量预测，特别涉及一种基于蜣螂算法优化vmd的网络流量预测方法与系统。
技术介绍
1、随着大数据时代的到来，信息技术高速发展，网络流量呈现出爆炸式的增长。对网络流量进行预测，能根据历史流量信息预测预知未来流量变化，便于提前做出资源调配，减少网络拥堵，降低网络延迟提升网络服务体验。同时，网络流量的准确预测不仅有利于降低通信延迟，提高网络资源利用率，还能帮助网络中心实时监控网络，进行故障检测判断，更能根据预测结果对网络设备制订休眠策略，节省能源。
2、早期，研究人员使用经典的统计学时间序列模型预测网络流量，例如泊松模型、马尔可夫模型，指数平滑法、自回归移动平均模型(auto-regression and moving average，arma)、差分自回归移动平均模型(autoregressive integrated moving average，arima)等。但随着网络技术的发展，ip网络的大规模普及，网络应用的多样化发展、网络规模的扩大等因素，网络流量特征也发生了显著变化，统计学模型已无法满足当前网络环境的预测要求。研究学者发现，将机器学习方法引入网络流量问题是一种新的解决方式，能显著提升预测精度。这其中最具有代表性的是基于循环神经网络((recurrent neural network，rnn)及其变体长短期记忆神经网络(long short term memory，lstm)和门控循环单元(gated recurrent unit，gru)的网络。
3、但由于网络流量具有长相关性
4、现有技术提供了一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法，该方法包括：获取非平稳sdn网络流量数据；采用优化的变分模态分解法将非平稳sdn网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；
技术实现思路
1、本专利技术为克服上述现有技术所述网络流量预测准确度不高的缺陷，提供一种基于蜣螂算法优化vmd的网络流量预测方法。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、本专利技术提供了一种基于蜣螂算法优化vmd的网络流量预测方法，所述方法包括：
4、s1：获取历史网络流量信息；
5、s2：利用蜣螂算法计算变分模态分解算法的最优参数，包括最优惩罚因子和最优模态数，获得优化后的变分模态分解算法；
6、s3：利用优化后的变分模态分解算法对历史网络流量信息进行分解，获得若干条网络流量子序列；
7、s4：将若干条网络流量子序列进行组合，获得流量矩阵；
8、s5：将流量矩阵输入构建的流量预测模型中进行训练，获得训练好的流量预测模型；
9、s6：使用训练好的流量预测模型进行预测，获得未来时刻的网络流量预测值。
10、优选地，所述s2的具体方法为：
11、s21：设置并初始化蜣螂种群和蜣螂算法参数，包括最大迭代次数、种群维度、蜣螂总数、四种蜣螂的比例；
12、s22：定义蜣螂位置代表变分模态分解算法的初始惩罚因子和初始模态数，将所有蜣螂的位置带入设置的目标函数中，获得目标函数初始值；
13、s23：按照轨迹更新公式更新所有蜣螂的位置，获得更新后所有蜣螂的位置；
14、s24：将更新后所有蜣螂的位置带入目标函数中，计算目标函数更新值；
15、s25：将目标函数更新值与目标函数初始值进行比较，将较小目标函数值对应的蜣螂位置作为当前最优位置；
16、s26：重复s23-s25，直至达到最大迭代次数，获得每个迭代伦次对应的当前最优位置；
17、s27：比较所有当前最优位置，将当前最优位置最小值作为全局最优位置，对应的惩罚因子和模态数作为最优惩罚因子和最优模态数；
18、s28：将最佳惩罚因子和最优模态数保存至变分模态分解算法，获得优化后的变分模态分解算法。
19、优选地，所述s22中设置的目标函数为：
20、
21、其中n为网络流量序列的长度，x(n)为原始未分解网络流量序列，imfk(n)为vmd分解后第k条子序列。
22、优选地，所述s23的轨迹更新公式为：
23、四种蜣螂分别为滚球蜣螂、产卵蜣螂、小蜣螂和小偷蜣螂；
24、对于滚球蜣螂，前方无障碍时，轨迹更新公式为：
25、xi(t+1)＝xi(t)+β×q×xi(t-1)+b×δx，δx＝|xi(t)-xw|
26、前方有障碍时，轨迹更新公式为：
27、
28、其中，t表示当前蜣螂所处的迭代次数，xi(t)表示第i只蜣螂在第t轮迭代时的位置，β为自然系数赋值为-1或1，q∈(0，0.2]为偏转系数，b∈(0，1)表示常数，xw为全局最差位置，δx为模拟的光照强度变化。
29、对于产卵蜣螂，轨迹更新公式为：
30、xi(t+1)＝x*+b1×(xi(t)-lb*)+b2×(xi(t)-ub*)
31、lb*＝max(x*×(1-r)，lb)
32、ub*＝min(x*×(1+r)，ub)
33、式中，x*代表当前局部最优位置，ub*和lb*为产卵区的上下限，r＝1-t/tmax表示随着迭代次数的变化活动范围改变，ub和lb为待优化参数的上下限，b1和b2代表两个大小为1×d的独立随机向量，d表示优化问题的维度。对于小蜣螂，轨迹更新公式为：
34、xi(t+1)＝xi(t)+c1×(xi(t)-lbb)+c2×(xi(t)-ubb)
35、lbb＝max(xb×(1-r)，lb)
36、ubb＝min(xb×(1+r)，ub)
37、式中，xb代表全局最优位置，ubb和lbb为产卵区的上下限，c1是一个随机数服从n(0，1)分布，c2∈(0，1)表示随机向量。
38、对于小偷蜣螂，轨迹更新公式为：
39、xi(t+1)＝xb+s×g×(|xi(t)-x*|+|xi(t)-xb|)
40、式中，g为一个服从正态分布的尺寸为1×d的随机向量，s为常数值。
41、优选地，所述s3的具体方法为：
42、s31：基于历史网络流量信息，构造约束变分问题的求解表达式，所述约束变分问题的求解表本文档来自技高网...
【技术保护点】
1.一种基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S2的具体方法为：
3.根据权利要求2所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S22中设置的目标函数为：
4.根据权利要求2所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S23的轨迹更新公式为：
5.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S3的具体方法为：
6.根据权利要求5所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，S33进行迭代求解的公式为：
7.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S5中的构建的流量预测模型包括依次连接的输入层、TCN层、GRU层、全连接层、输出层。
8.根据权利要求1所述的基于蜣螂算法优化VMD的网络流量预测方法，其特征在于，所述S5的具体方法为：
9.根据权利要求1
10.一种基于蜣螂算法优化VMD的网络流量预测系统，用于实现权利要求1-9任一项所述的方法，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于蜣螂算法优化vmd的网络流量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于蜣螂算法优化vmd的网络流量预测方法，其特征在于，所述s2的具体方法为：
3.根据权利要求2所述的基于蜣螂算法优化vmd的网络流量预测方法，其特征在于，所述s22中设置的目标函数为：
4.根据权利要求2所述的基于蜣螂算法优化vmd的网络流量预测方法，其特征在于，所述s23的轨迹更新公式为：
5.根据权利要求1所述的基于蜣螂算法优化vmd的网络流量预测方法，其特征在于，所述s3的具体方法为：
6.根据权利要求5所述的基于蜣螂算法优化v...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。