基于LSTM神經網絡的電力綜合數據網網絡流量預測研究

楊金岳

摘 要：為了提高電力綜合數據網的網絡性能和服務質量，提出了一種基于深度LSTM神經網絡的骨干網絡流量預測方法。本文采用了基于深度學習的框架;考慮到網絡流量的影響因子都是隨時間變化的物理量，同時深度LSTM神經網絡算法對時間序列的強大處理能力;從而選取長短時記憶網絡對電力綜合數據網網絡流量進行預測。LSTM具有“遺忘”與“更新”功能，很好的解決了長序依賴問題，從而使特征可以很好的保留到后續的計算中，不會出現記憶消散問題。試驗結果表明： 相較傳統預測模型，運用深度LSTM神經網絡預測模型精度較高，可使電力綜合數據網可以更快、更準確地調整工作狀態，具有很好的應用前景。

關鍵詞：電力綜合數據網;網絡流量預測;深度學習;LSTM網絡

DOI：10.16640/j.cnki.37-1222/t.2019.20.140

1 引言

電力綜合數據網是為了滿足電網的信息化建設，將電力網絡性能要求不一的各類業務做統一承載而搭建的支撐性網絡[1]。由于電力業務類型復雜和電力業務需求不斷增加，使得電力綜合數據網穩定運行及業務保證面臨著新挑戰。而通過大量網絡流量歷史數據對網絡未來的流量趨勢進行預測分析，將極大提高網絡性能和服務質量[2]。因此，電力綜合數據網網絡流量預測研究將是保障電力信息業務可靠使用的重要手段。

在通信網絡技術的發展中，研究人員常利用一些傳統預測方法來實現對網絡資源合理地分配和控制。傳統預測方法有回歸模型和時間序列預測模型等，是基于線性變化來建立模型。但隨著對網絡流量預測的深入研究，網絡流量數據呈現出明顯的非線性、突發性、長相關性、混純性、自相似性等特點[3]。傳統方法無法較好地模擬非線性時間序列，于是出現了神經網絡、支持向量機等深度學習算法應用于網絡流量預測中。

目前，在網絡流量的預測領域中，深度學習算法已得到初步應用。其通過逐層的特征變換，自動學習樣本中的抽象特征，重新建立一個更抽象的特征空間來獲得差異化的隱含特征，從而進行有針對性地預測來實現更好的預測效果[4]。RNN循環神經網絡主要是處理和預測序列數據，而LSTM作為RNN的一個重要結構，對序列數據的長期記憶方面表現良好。因此，本文采用LSTM神經網絡預測模型對電力通信綜合數據網網絡流量進行預測。仿真試驗表明，該算法能夠有效地預測電力通信綜合數據網網絡流量。

2 電力綜合數據網

電力綜合數據網主要是為各應用系統服務，其承載的業務對網絡的可靠性要求較高，例如對帶寬要求很高的圖像監控，對丟包率忍受度很低的電源性能監控，對綜合性能要求最好的電視電話會議等[5]。

電力綜合數據網的業務主要包括以下方向：

（1）信息系統應用。如：用電信息采集、營銷系統、財務系統、企業門戶等共計50余個信息系統。

（2）語音及視頻應用。如：高清會議電視、一體化會議電視、IMS系統等電視電話會議系統。

（3）其他應用。如：通信類外網管。

3 基于LSTM神經網絡的預測模型

長短期記憶網絡（long-short-term memory network， LSTM）主要是建立時間遞歸神經網絡，用來處理和預測時間序列中間隔和延遲相對較長的重要事件。為了使神經網絡更有效地保存長期記憶，“遺忘門”和“輸入門”被設計進網絡中，作為LSTM結構的核心存在。“遺忘門”可以讓循環神經網絡忘記之前沒用的信息，同時“輸入門”輸入補充最新的記憶，他們之間的配合可以更加有效地決定信息的遺忘與保留[6]。

4 基于深度LSTM網絡的網絡流量預測模型

4.1 LSTM模型參數選擇

建立用于電力綜合數據網網絡流量預測的LSTM網絡主要需要確定模型中輸入層時間步數、輸入層維數、隱藏層數目、每個隱藏層維數以及輸出變量維數[7]。針對電力綜合數據網網絡流量預測，本文擬采用單層LSTM的預測模型，模型參數假定為1。通過多次模型試驗，發現增加隱藏層的維數可以取得較好的預測效果;但由于本預測任務是利用電力網絡歷史信息來預測下一步的網絡流量，因此輸出變量的維數也假定為1。

4.2 隱藏層的確定

隱藏層對于神經網絡非常重要，神經網絡的獨特性在于它對隱藏層的使用。隱藏層節點的選取并沒有統一的標準，可通過經驗公式與試湊法相結合來選擇隱含層神經元個數。通常選用的經驗公式有：

式中：l表示隱含層節點數，n表示輸入層節點數，m表示輸出層節點數。

4.3 預測效果評估

本文將選用均方根誤差（root mean square error，RMSE）法對預測結果進行評價，計算公式為：

式中：和分別為網絡流量的實際值和預測值;n為預測驗證數據個數;i為預測點序列編號，輸出序列最大值。

5 試驗

通過編寫相應程序獲得電力綜合業務數據網的流量數據，根據15分鐘的時間間隔來取一次流量數據，連續取25天。本文將根據收集到的流量數據為例進行試驗分析。在進行試驗前需要對采集的數據進行歸一化處理，排除由于數據差異所帶來的影響。采用LSTM神經網絡對訓練樣本進行學習。其訓練損失分析如圖1所示。

通過采用LSTM神經網絡對網絡流量的預測的分析。從圖2中可以看出：采用LSTM神經網絡模型的預測和實際值的曲線比較吻合，雖然與實際值相比還是有略微的偏差，但與傳統的方法相比，訓練速度更快，預測精度亦明顯提高，是一種很好的網絡流量預測模型。

6 結論

針對電力綜合數據網網絡流量預測問題，本文提出深度LSTM神經網絡預測模型。LSTM具有“遺忘”與“更新”功能，很好的解決了長序依賴問題，從而使特征可以很好的保留到后續的計算中，不會出現記憶消散問題。試驗結果表明：相較傳統預測模型，運用深度LSTM神經網絡預測模型精度較高，可使電力綜合數據網可以更快、更準確地調整工作狀態，具有很好的應用前景。通過對網絡流量預測的精度和速度都明顯提高，是一種值得深入研究的網絡流量預測方法。

參考文獻：

[1]馬濤.電力綜合數據網模擬仿真系統設計與實現[J].電子科技大學碩士論文，2016（04）.

[2]曹建華，劉淵，戴悅.一種基于灰色神經網絡的網絡流量預測模型[J].計算機工程與應用，2008（02）.

[3]馮辰.基于ESN的網絡流量預測算法研究[J].北京郵電大學碩士論文，2012（11）.

[4]史佳琪，張建華.基于深度學習的超短期光伏精細化預測模型研究[J].電力建設，2017（06）.

[5]馬濤.電力綜合數據網模擬仿真系統設計與實現[J].電子科技大學碩士論文，2016（04）.

[6]繆磊磊.基于卷積神經網絡的手寫數字識別算法分析和實現[J].大學生論文聯合比對庫，2017（06）.

[7]朱喬木，李弘毅，王子琪，陳金富，王博.基于長短期記憶網絡的風電場發電功率超短期預測[J].電網技術，2017（12）.

[8]任師濤，史志才，吳飛等.基于改進BP神經網絡的路由器流量預測方法[J].傳感器與微系統，2018（08）.