基于SCSO-GRU模型的网络流量预测

发布时间：2021-12-19 01:02

　　网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化（SCSO）算法的GRU神经网络的网络流量预测模型（SCSO-GRU）。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。 

【文章来源】：计算机与现代化. 2020,(04)

【文章页数】：7 页

【部分图文】：

GRU“记忆细胞”结构

SCSO-GRU模型如图2所示，图中m、l、n分别为输入层、隐藏层和输出层的神经单元个数。U为输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重矩阵，W表示隐藏层的上一时刻输出值作为当前时刻输入值的权重矩阵。b1、b2和b3分别是U、V和W对应的偏差向量。在优化器中，使用SCSO算法算出全局最优值，以此更新各个权重矩阵和偏差向量。3.1 SCSO-GRU模型训练

将经过处理之后数据的90%组数据作为训练集，用于GRU神经网络模型的训练，余下的10%组数据作为测试集。2)确定GRU网络的输入层单元个数m，输出层单元个数n和隐藏层单元个数l及隐藏层参数。将每批m个变量作为网络输入X={xi|i=1,2，…，m}，n个变量作为输出Y={yi|i=1,2，…，n}，隐藏层单元个数通过多次试探实验来决定。本实验中设m=24、n=1，即通过每批24 h的网络流量数据预测未来1 h的网络流量值。

【参考文献】：
期刊论文
[1]基于PF-LSTM网络的高效网络流量预测方法[J]. 李校林,吴腾.  计算机应用研究. 2019(12)
[2]一种基于LSTM神经网络的流量预测模型[J]. 谭晖,张扬,周小翠,贺凡.  信息通信. 2018(02)
[3]高斯过程回归补偿ARIMA的网络流量预测[J]. 田中大,李树江,王艳红,王向东.  北京邮电大学学报. 2017(06)
[4]网络流量预测模型研究[J]. 陈广居,梁鹏,王坤.  信息通信. 2017(08)
[5]改进支持向量机的网络流量预测[J]. 王雪松.  计算机系统应用. 2017(03)
[6]Minimal Gated Unit for Recurrent Neural Networks[J]. Guo-Bing Zhou,Jianxin Wu,Chen-Lin Zhang,Zhi-Hua Zhou.  International Journal of Automation and Computing. 2016(03)
[7]基于MCC的网络流量预测方法（英文）[J]. 曲桦,马文涛,赵季红,王涛.  中国通信. 2013(01)

硕士论文
[1]正余弦算法及其应用研究[D]. 王远.西安理工大学 2019
[2]基于多种网络模型混合的流量预测技术研究[D]. 路阳.山东大学 2016



本文编号：3543485