无线网络流量预测

　　为了解决当前无线网络流量预测过程存在的一些问题，以提高无线网络流量的预测精度为目标，提出基于聚类分析算法和优化支持向量机的无线网络流量预测模型。首先，采集无线网络流量数据集，并采用聚类分析算法构建训练样本集合；然后，采用支持向量机对无线网络流量训练样本进行学习，并引入布谷鸟搜索算法对支持向量参数进行优化，从而建立无线网络流量预测模型；最后，通过具体无线网络流量预测实例分析模型的有效性。结果表明，所提模型的无线网络流量预测精度高，提升了无线网络流量建模效率，而且其无线网络流量预测效果要优于当前经典无线网络流量预测模型，具有比较显著的优越性。

　　关键词：无线网络；流量预测；聚类分析算法；支持向量机；布谷鸟搜索算法

　　１引言

　　随着移动技术、传感器技术、无线通信技术和微电子技术等不断发展和融合，各种类型的无线通信网络系统随之出现，它们给人们的工作和生活带来便利［１－３］。随着无线网络用户不断增多，每天无线网络上的数据量不断增加，尤其是节假日、周末以及晚上等上网高峰期，无线网络拥塞的概率相当高，严重影响人们正常上网［４－６］。无线网络流量预测可以帮助管理人员和网络公司了解无线网络流量的变化特点，及时跟踪网民上网的行为特征，提前制定相应的无线网络管制方案，以防止出现无线网络拥塞的现象。因此无线网络流量预测成为无线网络管理研究中的一个重要方向，对其进行研究具有重要的理论价值和实际应用价值［７］。由于无线网络是一个新事物，其流量的预测基本沿用有线网络的流量建模方法。传统无线网络流量预测模型主要为时间序列分析法，该方法首先将无线网络流量历史样本按时间先后顺序进行排列，选择一部分无线网络流量历史样本作为训练样本，对无线网络流量预测模型的参数进行估计，并且对另一部分无线网络流量历史样本进行预测，对预测效果进行统计和分析，但该方法主要针对小规模的无线网络，不能满足现代无线网络向大规模方向发展的要求［８－１０］。现代无线网络流量预测模型采用非线性建模技术，如ＢＰ神经网络的无线网络流量预测模型、ＲＢＦ神经网络的无线网络流量预测模型、支持向量机的无线网络流量预测模型等，它们具有较强的自适应学习能力，可以对无线网络流量变化特点进行拟合，无线网络流量预测效果要优于传统模型［１０－１２］。训练样本集合的构建对无线网络流量预测结果具有决定性的影响，当前主要根据时间前后，或采用随机方式选择训练样本集合。无法建立性能最优的无线网络流量预测模型，就无法获得高精度的无线网络流量预测结果，同时会延长建模时间，影响无线网络流量预测建模的效率［１３－１５］。针对当前无线网络流量预测误差大、预测结果可信度低等问题，为了获得更优的无线网络流量预测结果，本文设计了聚类分析和优化支持向量机的无线网络流量预测模型，采用聚类分析算法构建最优的训练样本，然后引入优化支持向量机建立无线网络流量预测模型。通过与其他无线网络流量预测模型进行对比测试，验证了本文无线网络流量预测建模的可行性，并且其预测结果要明显优于其他模型，表明该模型是一种精度高、效率高的无线网络流量预测方法。

　　２聚类分析和优化支持向量机的无线网络流量预测模型

　　２．１聚类分析算法

　　当前有很多类型的聚类分析算法，如ｋ－均值聚类分析算法、模糊均值聚类算法，其中模糊均值聚类算法的通用性强，性能更优，因此本文选择模糊均值聚类算法对无线网络流量预测过程中的样本进行预处理，以选择最优的训练样本集合［１６］。

　　２．２优化支持向量机

　　２．２．１支持向量机设训练样本Ｔ＝｛（ｘ１，ｙ１），…，（ｘｎ，ｙｎ）｝，ｎ为训练样本数，支持向量机回归可以描述为一个带约束条件的二次规划问题求解，即有：２．２．２布谷鸟搜索算法布谷鸟搜索算法源于布谷鸟种群寄生繁衍机制，其利用果蝇的莱维飞行模式，具有较强的智能搜索优势。该算法设置了３个规则，具体如下：（１）每只布谷鸟每次只下一个蛋，该蛋随机置于一个鸟巢，与问题的一个解相对应；（２）部分鸟巢放着优质蛋，即问题的较优解，这些鸟巢会直接传到下一代；（３）布谷鸟被寄主发现的概率为Ｐａ，如果某个鸟巢被发现，则该鸟巢被抛弃，为了保证鸟巢数量不变，需要产生相同数量的新鸟巢。２．２．３布谷鸟搜索算法优化支持向量机参数支持向量机主要待优化的参数为Ｃ和σ，它们过大或过小，均会产生过拟合或欠学习的问题，为此本文选择布谷鸟搜索算法优化支持向量机参数，具体步骤如下。Ｓｔｅｐ１设置训练样本集合和测试样本集合，设置Ｃ的取值范围。Ｓｔｅｐ２始化ｍ个两维的鸟巢Ｄ＝｛ｘｉ｝＝｛［Ｃｉ，σｉ］｝，ｉ＝１，２，…，ｍ，计算每一组鸟巢的适应度函数值Ｆｉ。Ｓｔｅｐ３设置迭代次数ｔ＝０。Ｓｔｅｐ４根据适应度函数值对鸟巢优劣进行排序。Ｓｔｅｐ５设置Ｐａ的值，确定需要抛弃的鸟巢，根据莱维飞行可得一些新的鸟巢，用这些新鸟巢代替抛弃的鸟巢，并计算新鸟巢的适应度值。Ｓｔｅｐ６迭代次数增加。Ｓｔｅｐ７如果迭代次数等于最大迭代次数，则根据最优鸟巢得到最优参数Ｃ和σ，否则返回Ｓｔｅｐ４继续迭代。２．３聚类分析算法和优化支持向量机的无线网络流量预测步骤（１）对于某个无线网络通信系统，采集其一段时间的流量数据，并补全丢失的数据。（２）采用模糊聚类分析算法对无线网络流量数据进行聚类操作，选择与每一个无线网络预测样本点相关的训练样本集合。（３）设置支持向量的参数取值范围，并初始化核宽度和惩罚参数。（４）采用支持向量机对无线网络流量训练样本进行学习。（５）采用布谷鸟搜索算法对核宽度和惩罚参数进行优化。（６）统计无线网络流量训练误差，如果误差小于无线网络管理的实际要求范围，则得到最优核宽度和惩罚参数的值，否则返回步骤（４）继续进行学习。（７）支持向量机训练终止，根据最优核宽度和惩罚参数建立无线网络流量的预测模型。基于聚类分析和优化支持向量机的无线网络流量预测流程如图１所示。

　　３无线网络流量预测的实例分析

　　３．１实验数据

　　为了分析基于聚类分析和ＳＶＭ的无线网络流量预测模型的效果，本节进行实验验证。实验数据来源于网络流量文库［１７］１），共收集１２００个无线网络流量数据作为研究对象，它们的变化曲线如图２所示。从图２可以看出，无线网络流量数据之间的值变化较大，会对支持向量机的训练产生不利影响，为此对其进行如下处理［１８］：本文选择基于ＡＲＭＡ的无线网络流量预测模型、ＢＰ神经网络的无线网络流量预测模型与所提模型进行对比测试。为了体现无线网络流量预测结果的可靠性，进行５次仿真对比实验，每次实验的训练样本和测试样本数量如表１所列。

　　３．２支持向量机参数的确定

　　每次仿真实验都通过谷鸟搜索算法优化支持向量机参数Ｃ和σ，结果如表２所列。可以看出，每次实验的Ｃ和σ均有一定的差别，主要是因为训练样本的规模发生了改变。

　　３．３无线网络流量预测的结果对比

　　由于幅度有限，本文只列出训练样本为８００，测试样本为４００时的聚类分析和ＳＶＭ的无线网络流量预测结果，如图３所示。统计３种模型的无线网络流量预测精度，如图４所示。可以发现，随着无线网络流量训练样本数量的不断增加，无线网络流量的预测精度不断提高，这是因为训练样本越多，无线网络流量的训练效果就越好，建立的无线网络流量预测模型越好。在训练样本数量相同的情况下，基于ＡＲＭＡ的无线网络流量模型预测精度最低，因为它利用一种线性建模技术，与无线网络流量变化特点不相适应；基于ＢＰ神经网络的无线网络流量预测模型的精度要高于ＡＲＭＡ，因为其是非线性建模技术，可以更好地跟踪无线网络流量的变化趋势；而本文模型的无线网络流量模型的预测精度最高，这是因为通过模糊聚类分析算法可以构建更优的训练样本集合，同时引入优化支持向量机进行学习，使学习性能更优，减少了无线网络流量预测误差，使得预测结果更加可靠。

　　３．４无线网络流量的建模时间比较

　　统计３种模型的无线网络流量训练时间和预测时间，结果如表３所列。从表３可以看出，无线网络流量预测模型的预测时间相差不大，但是训练时间差异很大，其中基于ＢＰ神经网络的训练时间最长，因为其收敛速度慢；而本文方法的训练时间最短，因为其通过引入聚类分析算法选择最优的训练样本数据，减少了训练样本数量，降低了训练的时间复杂度，提升了无线网络流量预测的建模速度。

　　结束语

　　为了解决当前无线网络流量预测过程存在的一些难题，本文采用聚类分析算法构建最优的训练样本，并采用优化支持向量机对训练样本进行学习。实验结果表明，与其他无线网络流量预测模型相比，本文模型是一种速度快、误差小的无线网络流量工具。

　　作者：曹素娥 杨泽民

　　

转载请注明来自：http://www.uuqikan.com/jisuanjiwangluolw/21988.html