遺傳算法優(yōu)化支持向量機的網(wǎng)絡(luò)流量混沌預(yù)測

熊凡

摘 要： 基于支持向量機的網(wǎng)絡(luò)流量混沌預(yù)測方法通?；谌斯そ?jīng)驗設(shè)置參數(shù)，參數(shù)的性能較差，大大降低網(wǎng)絡(luò)流量預(yù)測精度。因此，提出遺傳算法優(yōu)化支持向量機的網(wǎng)絡(luò)流量混沌預(yù)測方法，通過相空間重構(gòu)獲取新的網(wǎng)絡(luò)流量時間序列，獲取具有最佳非線性預(yù)測結(jié)果的支持向量機函數(shù)，采用遺傳算法優(yōu)化支持向量機參數(shù)?；趦?yōu)化的支持向量機參數(shù)，設(shè)計基于遺傳算法優(yōu)化支持向量機的交通流量預(yù)測模型，實現(xiàn)網(wǎng)絡(luò)流量混沌預(yù)測。實驗結(jié)果表明，所提方法在網(wǎng)絡(luò)流量預(yù)測方面整體性能優(yōu)、具有較高的精度。

關(guān)鍵詞： 遺傳算法優(yōu)化； 支持向量機； 網(wǎng)絡(luò)流量； 混沌預(yù)測； 相空間重構(gòu)； 預(yù)測模型

中圖分類號： TN711?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2018）18?0166?04

Network traffic chaotic prediction based on genetic algorithm optimization

and support vector machine

XIONG Fan

（School of Computer Science and Engineering， Wuhan Institute of Technology， Wuhan 430205， China）

Abstract： The network traffic chaotic prediction method based on the support vector machine usually has parameters set based on the artificial experience and has poor parameter performance， greatly reducing the prediction accuracy of network traffic. Therefore， a network traffic chaotic prediction method based on genetic algorithm optimization and support vector machine （SVM） is proposed. The new network traffic time series and the SVM function with optimal nonlinear prediction results are obtained by means of phase space reconstruction. The genetic algorithm is used to optimize the support vector machine parameters. On the basis of the optimized support vector machine parameters， the traffic flow prediction model is designed based on genetic algorithm optimization and SVM， so as to realize chaotic prediction of network traffic. The experimental results show that the proposed method has good overall performance and high precision in network traffic prediction.

Keywords： genetic algorithm optimization； support vector machine； network traffic； chaotic prediction； phase space reconstruction； prediction model

0 引 言

網(wǎng)絡(luò)環(huán)境的優(yōu)化依賴于管理方式與管理效果，因此，網(wǎng)絡(luò)流量預(yù)測作為網(wǎng)絡(luò)環(huán)境優(yōu)化的技術(shù)支持成為時下熱議的課題[1]。準確地獲取網(wǎng)絡(luò)流量預(yù)測結(jié)果有助于掌握網(wǎng)絡(luò)流量的發(fā)展狀況與走向，使網(wǎng)絡(luò)寬帶得到有效分配，促進網(wǎng)絡(luò)通信速度的飛速提升。由此可見，對于網(wǎng)絡(luò)環(huán)境的預(yù)測具有實際應(yīng)用價值[2]。

傳統(tǒng)基于支持向量機的網(wǎng)絡(luò)流量混沌預(yù)測方法，通常基于人工經(jīng)驗設(shè)置參數(shù)，參數(shù)的性能較差，大大降低網(wǎng)絡(luò)流量預(yù)測精度。為了解決該問題，提出遺傳算法優(yōu)化支持向量機的網(wǎng)絡(luò)流量混沌預(yù)測方法[3]，其可提高網(wǎng)絡(luò)流量預(yù)測精度，對于網(wǎng)絡(luò)環(huán)境優(yōu)化以及網(wǎng)絡(luò)通信能力的提高具有重要意義。

1 網(wǎng)絡(luò)流量混沌預(yù)測

1.1 相空間重構(gòu)和支持向量機

本文用[xi，i=1，2，…，n]表示網(wǎng)絡(luò)流量時間序列，獲取新的網(wǎng)絡(luò)流量時間序列為[Xi=xi-m-1τ，…，xi-τ，xi]，新的時間序列用[Xi]描述。用[Xi，yi，i=m-1τ，…，n-1]表示訓(xùn)練集，輸入空間維數(shù)用[m]表示，獲取支持向量機（SVM）回歸函數(shù)為[fx=w·φX+b]，其中，權(quán)向量用[w]描述，偏置向量用[b]描述。并采用機構(gòu)風(fēng)險最小化原則計算出SVM回歸函數(shù)的優(yōu)化形式為：

[ min J=12w2+Ci=1nξ?i+ξis.t. yi-w·φx-b≤ε+ξiw·φx+b-yi≤ε+ξ?iξi，ξ?i≥0， i=1，2，…，n] （1）

式中：與函數(shù)[fx]存在有關(guān)復(fù)雜度的參數(shù)是[w]；不敏感損失系數(shù)用[ε]表示；松弛因子用[ξi，ξ?i]描述；懲罰因子用[C]描述。

把式（1）變換成對偶形式，獲取更高的求解效率，得到關(guān)于線性回歸的SVM函數(shù)：

[fx=i=1nαi-α?iφxi，φx+b]

采用的SVM函數(shù)就是徑向基核函數(shù)[Kxi，xj=exp-xi-xj22σ2]，徑向基核函數(shù)的參數(shù)寬度用[σ]表示。

1.2 遺傳算法優(yōu)化支持向量機參數(shù)

對于遺傳算法優(yōu)化支持向量機參數(shù)的設(shè)置如下：[m]表示嵌入維數(shù)；[C]表示懲罰因子；[ε]表示損失函數(shù)參數(shù)。這些參數(shù)與選擇的核函數(shù)、核函數(shù)參數(shù)、支持向量機時間序列預(yù)測結(jié)果的精度一定程度上保持某種聯(lián)系[4]。采用高效率的優(yōu)化算法對先驗區(qū)間進行搜索能夠獲取向量機最佳參數(shù)內(nèi)容[5?6]。遺傳算法在信息搜索方面實際應(yīng)用率極高，在模擬生物進化模式的基礎(chǔ)上實現(xiàn)其全局最優(yōu)的搜索功能[7]。本文支持向量機參數(shù)的優(yōu)化完善是在遺傳算法的基礎(chǔ)上完成的。接著對其參數(shù)優(yōu)化的過程進行描述，以高斯函數(shù)為參考：

1） 對參數(shù)[m，C，ε，σ]的真實取值進行采集，其中[σ]表示高斯核函數(shù)參數(shù)。

2） 設(shè)置[i=1Kyi-yi2×i=1Ky2i-1]為適應(yīng)度函數(shù)，也是時間預(yù)測值[y]和實測值[y]的相對均方誤差函數(shù)。

3） 獲取以上參數(shù)的二進制編碼結(jié)果，得出任意初始群體。

4） 采用解碼的方式獲取群體中染色體的適應(yīng)度函數(shù)。

5） 分析群體性能是否符合最大遺傳代數(shù)的標準，在符合該標準的情況下可輸出最佳參數(shù)結(jié)果[8]；在不符合該標準的情況下，對群體實施遺傳策略的選擇、交叉、變異算子操作獲取新的群體，進行新的遺傳運算，得到最優(yōu)的支持向量機參數(shù)。

1.3 遺傳算法優(yōu)化支持向量機的網(wǎng)絡(luò)流量預(yù)測模型

1.3.1 網(wǎng)絡(luò)流量預(yù)測中的參數(shù)優(yōu)化問題

支持向量機的最佳參數(shù)結(jié)果是建立和預(yù)測網(wǎng)絡(luò)流量模型的首要操作，對于網(wǎng)絡(luò)流量預(yù)測精度具有增強作用[9]，支持向量機參數(shù)優(yōu)化的表達式為：

[min fC，σ=i=1nyi-yi2s.t. C∈Cmin，Cmaxσ∈σmin，σmax] （2）

式中，網(wǎng)絡(luò)流量的觀測值與估計值用[yi]，[yi]描述。

1.3.2 遺傳算法優(yōu)化支持向量機的網(wǎng)絡(luò)流量預(yù)測步驟

1） 采用先進技術(shù)基于[y′i=yi-yminymax-ymin]對特定時間段內(nèi)的網(wǎng)絡(luò)流量實施采集。最大網(wǎng)絡(luò)流量值用[ymax]描述；最小網(wǎng)絡(luò)流量值用[ymin]描述；最初的網(wǎng)絡(luò)流量值用[yi]表示。

2） 網(wǎng)絡(luò)流量的延遲時間用[τ]表示，嵌入維數(shù)用[m]表示，這兩個參數(shù)可以采用自相關(guān)法與假近鄰法進行估算[10]。基于混沌理論重新構(gòu)建完成分析后的網(wǎng)絡(luò)流量數(shù)據(jù)，獲取網(wǎng)絡(luò)流量模型構(gòu)建的時間序列。

3） 通過遺傳算法優(yōu)化支持向量機參數(shù)[m，C，ε，σ]，發(fā)揮支持向量機的網(wǎng)絡(luò)流量樣本訓(xùn)練功能，反復(fù)訓(xùn)練獲取最佳參數(shù)結(jié)果。

2 實驗分析

2.1 實驗一

2.1.1 實驗設(shè)置

采用BP神經(jīng)網(wǎng)絡(luò)方法、RBF神經(jīng)網(wǎng)絡(luò)方法以及本文方法對數(shù)據(jù)A與B進行網(wǎng)絡(luò)流量預(yù)測實驗。BP神經(jīng)網(wǎng)絡(luò)采取反復(fù)試驗的方式進行網(wǎng)絡(luò)流量預(yù)測，其包含35個隱含層神經(jīng)元數(shù)目。將線性函數(shù)作為輸出層傳遞函數(shù)，將[Levenbeger Marquadt]法作為本次的學(xué)習(xí)函數(shù)，實施2 000次學(xué)習(xí)訓(xùn)練，誤差需控制在0.01及以下，計算機隨機展開網(wǎng)絡(luò)還原。

RBF神經(jīng)網(wǎng)絡(luò)的輸入與輸出層結(jié)構(gòu)為10×1，自適應(yīng)調(diào)節(jié)方式是RBF神經(jīng)網(wǎng)絡(luò)進行網(wǎng)絡(luò)流量預(yù)測的主要方式，誤差需控制在0.01及以下。本文方法根據(jù)遺傳算法對支持向量機的自適應(yīng)優(yōu)化結(jié)果進行各項試驗參數(shù)的設(shè)置，0.8與0.08分別代表遺傳算法的交叉概率、變異概率，20，100分別代表遺傳算法的初始群體、進化代數(shù)。本文方法采用高斯函數(shù)，[m=10]是數(shù)據(jù)A的嵌入維數(shù)，[σ=1]為核函數(shù)參數(shù)，[C=1]為懲罰因子，[ε=0.001]為損失函數(shù)參數(shù)；同樣，[m=11]，[σ=1]，[C=1]，[ε=0.01]是數(shù)據(jù)B的參數(shù)設(shè)置。

2.1.2 實驗結(jié)果分析

表1為采用三種實驗方法在數(shù)據(jù)A，B中獲取的網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測結(jié)果，分別給出相對均方誤差、相關(guān)系數(shù)兩種參數(shù)數(shù)據(jù)。

首先分析數(shù)據(jù)A中相對均方誤差，采用本文方法進行網(wǎng)絡(luò)流量預(yù)測獲取的相對均方誤差值是0.126，采用BP神經(jīng)網(wǎng)絡(luò)方法進行網(wǎng)絡(luò)流量預(yù)測獲取的相對均方誤差值是1.171 4，采用RBF神經(jīng)網(wǎng)絡(luò)方法進行網(wǎng)絡(luò)流量預(yù)測獲取的相對均方誤差值是1.050 7，本文方法相對均方誤差遠低于其他兩種方法，數(shù)據(jù)B中也是如此，說明本文方法的預(yù)測效果精度高；同理，在數(shù)據(jù)A，B中，采用本文方法獲取的網(wǎng)絡(luò)流量預(yù)測相關(guān)系數(shù)大于其他兩種方法，說明本文方法的預(yù)測效果更好。實驗結(jié)果表明，本文方法在網(wǎng)絡(luò)流量預(yù)測方面的精度更高，效果更好。

2.2 實驗二

2.2.1 數(shù)據(jù)來源

圖1描述了網(wǎng)絡(luò)流量數(shù)據(jù)情況。

為了獲取較優(yōu)的網(wǎng)絡(luò)流量預(yù)測模型采用歸一化方式處理圖1中獲取的網(wǎng)絡(luò)流量數(shù)據(jù)信息，詳細公式是[x′i=xi-Exσx]，初始網(wǎng)絡(luò)流量用[xi]描述，歸一化網(wǎng)絡(luò)流量用[x′i]描述，初始網(wǎng)絡(luò)流量的標準差與均值用[σx]，[Ex]描述。

2.2.2 對比模型及評價指標

實驗采用標準粒子群方法（PSO）、遺傳方法（GA）與本文方法展開對比實驗。MAPE表示平均相對誤差，RMSE表示均方根相對誤差，實驗采用這兩個參數(shù)衡量所采用方法的性能，實際值、預(yù)測值分別用[xi]，[xi]描述，n為預(yù)測點數(shù)，則MAPE及RMSE參數(shù)的表達式為：[MAPE=1ni=1nxi-xixi×100]%

[RMSE=1ni=1nLi-Li2]

2.2.3 網(wǎng)絡(luò)流量預(yù)測擬合與預(yù)測誤差分析

表2描述了不同方法的整體性對比，均方根相對誤差、平均相對誤差。這兩個參數(shù)分別代表的預(yù)測擬合狀況與預(yù)測誤差狀況，這兩個參數(shù)值越小所對應(yīng)方法的預(yù)測擬合度越高，預(yù)測誤差越小。

分析表2可得，在訓(xùn)練集中，采用GA?LSSVM方法獲取的預(yù)測均方根相對誤差是9.102，采用PSO?LSSVM方法獲取的預(yù)測均方根相對誤差是6.63，而采用本文方法獲取的預(yù)測均方根相對誤差是3.71，遠低于前兩者。實驗結(jié)果表明，本文方法在網(wǎng)絡(luò)流量預(yù)測方面整體預(yù)測性能優(yōu)，預(yù)測結(jié)果真實可靠。

2.2.4 網(wǎng)絡(luò)流量預(yù)測時間對比分析

網(wǎng)絡(luò)流量的預(yù)測速度是衡量網(wǎng)絡(luò)整體性能的重要因素之一，預(yù)測速度越快說明其整體性能越強。針對不同預(yù)測步長，采用實驗不同預(yù)測方法展開實驗，圖2描述了3種方法獲取的訓(xùn)練時間對比結(jié)果。

分析圖2能夠看出，相同步長的情況下，本文方法耗費的時間最短，GA?LSSVM方法進行網(wǎng)絡(luò)流量預(yù)測耗費的時間最長，PSO?LSSVM方法進行網(wǎng)絡(luò)流量預(yù)測耗費的時間居中，并且隨著步長的上漲，這種耗時差距越來越明顯，本文方法耗費時間曲線上漲趨勢緩慢，優(yōu)勢更加清晰。實驗結(jié)果表明，本文方法在網(wǎng)絡(luò)流量預(yù)測方面耗費的時間短、預(yù)測效率高。

3 結(jié) 論

本文所提遺傳算法優(yōu)化支持向量機的網(wǎng)絡(luò)流量混沌預(yù)測方法能夠高效獲取網(wǎng)絡(luò)流量預(yù)測結(jié)果，促進了網(wǎng)絡(luò)通信速度、網(wǎng)絡(luò)運行效率的快速提升，為相關(guān)網(wǎng)絡(luò)事業(yè)的發(fā)展提供了可靠的網(wǎng)絡(luò)流量預(yù)測手段。

參考文獻

[1] 吳微微，蘇金蓉，魏婭玲，等.四川地區(qū)介質(zhì)衰減、場地響應(yīng)與震級測定的討論[J].地震地質(zhì)，2016，38（4）：1005?1018.

WU Weiwei， SU Jinrong， WEI Yaling， et al. Discussion on attenuation characteristics， site response and magnitude determination in Sichuan [J]. Seismology and geology， 2016， 38（4）： 1005?1018.

[2] 黃國權(quán)，尤新華.改進粒子群算法優(yōu)化最小二乘支持向量機的網(wǎng)絡(luò)流量混沌預(yù)測[J].激光雜志，2015，36（3）：96?99.

HUANG Guoquan， YOU Xinhua. Network traffic chaotic predicting based on least squares support vector machine optimized by improved particle swarm optimization algorithm [J]. Laser journal， 2015， 36（3）： 96?99.

[3] 田中大，高憲文，李樹江，等.遺傳算法優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J].計算機研究與發(fā)展，2015，52（5）：1137?1145.

TIAN Zhongda， GAO Xianwen， LI Shujiang， et al. Prediction method for network traffic based on genetic algorithm optimized echo state network [J]. Journal of computer research and development， 2015， 52（5）： 1137?1145.

[4] 吳俊，黎云漢.相空間重構(gòu)和支持向量機相融合的網(wǎng)絡(luò)流量預(yù)測[J].計算機工程與應(yīng)用，2014，50（16）：67?71.

WU Jun， LI Yunhan. Network traffic prediction model based on phase space reconstruction and support vector regression [J]. Computer engineering and applications， 2014， 50（16）： 67?71.

[5] 陸興華，陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測算法[J].計算機科學(xué)，2015，42（4）：68?71.

LU Xinghua， CHEN Pinghua. Traffic prediction algorithm in buffer based on recurrence quantification union entropy feature reconstruction [J]. Computer science， 2015， 42（4）： 68?71.

[6] 王男帥，薛靜鋒，胡昌振，等.基于遺傳優(yōu)化支持向量機的軟件缺陷預(yù)測模型[J].中國科技論文，2015，10（2）：159?163.

WANG Nanshuai， XUE Jingfeng， HU Changzhen， et al. Software defect prediction model based on support vector machine optimized by genetic algorithm [J]. China sciencepaper， 2015， 10（2）： 159?163.

[7] 馬起楊，朱新運.浙江珊溪水庫地震震源參數(shù)特征研究[J].地震學(xué)報，2016，24（6）：379?387.

MA Qiyang， ZHU Xinyun. Hypocentral parameters research of the Shanxi reservoir area in Zhejiang [J]. Acta Seismologica Sinica， 2016， 24（6）： 379?387.

[8] PAN A， ZHOU J， ZHANG P， et al. Predicting of power quality steady state index based on chaotic theory using least squares support vector machine [J]. Energy & power engineering， 2017， 9（4）： 713?724.

[9] 季斌，周濤發(fā)，袁峰.遺傳算法優(yōu)化支持向量機礦產(chǎn)預(yù)測方法[J].測繪科學(xué)，2015，40（10）：106?109.

JI Bin， ZHOU Taofa， YUAN Feng. Mineral prediction method based on support vector machine optimized with genetic algorithm [J]. Science of surveying and mapping， 2015， 40（10）： 106?109.

[10] TIAN Z， GAO X， LI S， et al. Prediction method for network traffic based on genetic algorithm optimized echo state network [J]. Journal of computer research & development， 2015， 52（5）： 1137?1145.