基于强化学习的网络流量非线性多步预测方法
【图文】:
褂孟咝宰曰毓榛嘌猁骄獾P屠炊运闳鈉性げ猓噘?体预测方法参见文献[12]。2)尺度系数X(J)nJ预测尺度系数X(J)nJ采用强化学习神经网络的预测模型预测,它预测方法如下:BP神经网络将流量数据作为输入,根据Q学习算法,对输入进行函数映射,,Q值存于权值中,模型对网络的输出进行评价,经过延迟,将若干次环境的评价信号批量地提供给神经网络来调整权值,权值最大的对应的流量数据即是尺度系数预测值。然后用此神经网络得到的训练集进行权值训练,再用于实际网络流量的多步预测。强化学习神经网络的预测模型如图1所示。图1强化学习神经网络的预测模型模型主要包括7部分,具体如下:1)BP神经网络流量数据X(J)i(i=1,2,…,nJ-1)作为输入(状态)系统输入,按模型的网络结构输出Y。2)正态分布变量是符合正态分布的随机变量G,用来调整Y,即Z(等于Y+G)作为环境实际的输出,以避免BP神经网络陷入局部最校3)评价反馈环境根据输出Z给出反馈信号E,模型尽量使E最大。4)延时寄存器由于模型中对评价反馈进行了延迟,为了将G、Y与评价同步,延时dp步,该值存于延时寄存器中。—285—
计一般认为3层结构网络可以达到预测要求,即包括一个输入层、一个隐含层、一个输出层。2)神经元数目的设置目前各种计算公式得到的各层神经元数有时相差几倍甚至上百倍,一般实际应用中很难采用,本文采用经验值,即输入层、隐含层、输出层的神经元个数分别为10、10、1。3.2实验把时间单位为0.1秒的BC-pAug89业务流的1000点数据整理成神经网络输入输出样本,输入样本是尺度J内的网络流量样本值,输出样本是输入样本的下一步预测值。使用整理后的样本训练MMLP网络和MRLA网络,比较收敛后的网络的误差和预测结果,图2至图4显示了实验结果。3.3实验结果分析图2、图3比较了预测步数为4时和16时采用MMLP和MRLA网络的预测值和真实值间的差异。从图2中可以看出,预测步长为4时,两种曲线非常相近,都可以跟踪实际的网络流量,在流量连续突发处MRLA网络的预测结果更加准确;而在图3中,预测步长为16时,MMLP不能跟踪描述实际流量的变化特性,这说明随着预测步长的增加,相对MMPL网络,MRLA网络的预测效果更好。图2采用MMLP和MRLA的网络预测结果比较(k=4)为了进一步比较MMLP和MRLA方法的预测性能,本文使用相对均方误差(RMSE)来衡量它们的预测精度,RMSE由(7)计算得到。图4为MMLP和MRLA方法的预测性能比较图,从图中可以看出随着预测步长k的增大,MMLP的性能下降,MRLA性能较好。RMSE=∑nJi=1(Xi-Ti)2/∑nJi=1(Xi)2(7)—286—
【作者单位】: 齐齐哈尔大学计算中心;齐齐哈尔大学计算机与控制工程学院;
【基金】:黑龙江省自然科学基金项目(F201218) 齐齐哈尔大学青年教师科研启动支持计划项目(2011k-M05) 黑龙江省高等学校教改工程项目(JG2012010679)
【分类号】:TP393.06
【参考文献】
相关期刊论文 前2条
1 王升辉;裘正定;;MPEG-4视频流量多重分形建模[J];通信学报;2006年10期
2 王升辉;裘正定;;结合多重分形的网络流量非线性预测[J];通信学报;2007年02期
相关硕士学位论文 前6条
1 郝占军;网络流量分析与预测模型研究[D];西北师范大学;2011年
2 白燕;基于灰色神经网络组合模型的流量预测与评估方法研究[D];西安建筑科技大学;2007年
3 李小航;网络业务流的特性分析及预测技术研究[D];江南大学;2008年
4 田妮莉;基于小波和FIR神经网络的流量预测模型研究[D];华中科技大学;2007年
5 张华川;基于多分形小波的网络流量模拟系统的研究[D];南开大学;2010年
6 欧家成;基于神经网络的自相似业务流预测研究[D];电子科技大学;2010年
【共引文献】
相关期刊论文 前10条
1 王以宁;李兴华;迟学芬;;基于神经网络的VBR视频流量建模及预测[J];吉林大学学报(信息科学版);2008年05期
2 李争平;郭更生;;基于自相似流的无线Mesh网络信道分配算法[J];高技术通讯;2008年06期
3 白志中;;采用支持向量机的网络流量预测研究[J];计算机与信息技术;2009年10期
4 罗峗骞;夏靖波;王焕彬;;混沌-支持向量机回归在流量预测中的应用研究[J];计算机科学;2009年07期
5 高茜;李广侠;胡婧;;基于非负矩阵分解的IP流量预测[J];计算机科学;2012年01期
6 白燕;朱苗苗;马光思;;基于灰色Verhulst模型的因特网访问人数预测分析[J];计算机工程与科学;2008年10期
7 白燕;马光思;;基于灰色径向基神经网络模型的流量预测与分析[J];计算机工程与科学;2008年10期
8 邵忻;;一种新的基于ARIMA-SVM网络流量预测研究[J];计算机应用研究;2012年05期
9 左佼;卢建军;贾云飞;卫晨;;基于灰色神经网络的我国原煤产量预测[J];煤炭技术;2011年10期
10 段谟意;;一种新的网络流量组合预测模型[J];计算机工程与应用;2012年19期
相关博士学位论文 前6条
1 李立;高突发性自相似网络业务流量理论及建模分析研究[D];华中科技大学;2008年
2 杜必强;振动故障远程诊断中的分形压缩及分形诊断技术研究[D];华北电力大学(河北);2009年
3 朱行健;基于802.11的无线Mesh网络MAC层关键技术的研究[D];北京邮电大学;2008年
4 孙韩林;互联网流量、时延性质及预测模型研究[D];北京邮电大学;2010年
5 马晓艳;网络流量模型化与拥塞控制研究[D];北京化工大学;2012年
6 李大辉;网络视频流量的多重分形建模与多步预测研究[D];哈尔滨工程大学;2012年
相关硕士学位论文 前10条
1 尹明;一种基于小波神经网络的网络流量预测模型的研究[D];吉林大学;2011年
2 王霁;基于分数阶傅里叶变换的Hurst参数估计系统设计和实现[D];华东师范大学;2011年
3 何慧凝;北京市需用水规律研究[D];清华大学;2010年
4 刘创;无线局域网帧流量控制、预测及能量效率研究[D];华中科技大学;2011年
5 夏榕泽;基于网络流量数据特征分析的预测技术研究[D];国防科学技术大学;2011年
6 张明娟;基于小波变换的机械振动信号分析算法研究与应用[D];天津大学;2012年
7 白玉;GPON系统动态带宽分配算法研究[D];哈尔滨工程大学;2011年
8 李兴华;基于神经网络的VBR视频流量建模及预测[D];吉林大学;2008年
9 胡际涛;基于IPFIX协议的数据传输系统[D];华东师范大学;2008年
10 王鹏;网络流量预测技术研究[D];江南大学;2009年
【二级参考文献】
相关期刊论文 前10条
1 吴援明,梁恩志,罗毅;重尾分布信源的排队等待时间的分析方法[J];电子科技大学学报;2003年03期
2 文军,任立勇;自相似业务流下的服务质量保障[J];电子科技大学学报;2004年04期
3 胡严,张光昭;重尾ON/OFF源模型生成自相似业务流研究[J];电路与系统学报;2001年03期
4 徐科,徐金梧,班晓娟;基于小波分解的某些非平稳时间序列预测方法[J];电子学报;2001年04期
5 孙海荣,李乐民;ATM网络中的ABR业务在不同ON
本文编号:2519324
本文链接:https://www.wllwen.com/guanlilunwen/ydhl/2519324.html