基于改進BPNN 的5G 通信網絡流量預測

李 兵

（中海油信息科技有限公司湛江分公司，廣東 湛江 524000）

0 引 言

網絡通信技術已發展到第5 代，簡稱5G[1]。在高度信息化的現代社會，人們的生產和生活均離不開5G 網絡。5G 網絡流量的精準預測不僅是社會發展的重要保障，而且是提升網絡資源利用率的重要途徑[2-3]。因此，研究5G 網絡流量預測方法，提高5G 網絡流量預測精度具有重要意義。

1 BPNN 的相關內容

改進反向傳播神經網絡（Back Propagation Neural Network，BPNN）是一種反向傳播學習算法，由輸入層、輸出層和隱含層組成。每層分布有一定數量的神經元，神經元之間相互連接。BPNN 非線性擬合能力較好，因此通常采用BPNN 預測5G 通信網絡流量[4]。

BPNN 的學習過程分為2 個階段，一是信號的正向傳播過程；二是誤差的反向傳播過程。學習過程中不斷調整BPNN 權系數和閾值，使輸出結果逼近實際值。BPNN 原理簡單，容易實現，目前廣泛應用于非線性回歸領域，但回歸效果受權系數和閾值的影響較大。為提高5G 通信網絡流量的預測精度，需要采用優化算法對其進行尋優[5]。

2 AOA 基本原理

2020年，阿基米德 優化算法（Archimedes Optimize A lgorithm，AOA）被首次提出，是根據阿基米德原理提出的一種新型優化算法[6]。

AOA 的個體初始位置為

式中：N為種群容量；x(i)為第i個個體所在位置；xu(i)為搜索空間上限值；x1(i)為搜索空間下限值；rand為取值在[0，1]的隨機數。

初始化個體體積、密度和加速度，分別為

式中：V(i)為第i個個體體積；D(i)為第i個個體密度；A(i)為第i個個體加速度；rand1和rand2也均為取值在[0，1]的隨機數。

對個體的密度和體積進行更新，即

式中：k為迭代次數；Vbest為個體最優體積；Dbest為個體最優密度。

個體之間如果發生碰撞，則利用轉移因子（Transfer Factor，TF）轉移操作符進行操作，使系統重新達到平衡。轉移因子TF轉移操作符的計算公式為

式中：k為迭代次數；kmax為最大迭代次數。

為增強算法的全局搜索性能，設置密度因子，利用式（8）對密度因子進行線性遞減，即

當TF≤0.5 時，個體運動過程中發生碰撞，加速度計算公式為

式中：Vmr為隨機個體體積；Dmr為隨機個體密度；Amr為隨機個體加速度。

當TF＞0.5 時，個體不會發生碰撞，加速度計算公式為

式中：Abest為個體最優加速度。

對式（10）進行標準化處理，即

式中：l和u為常數，取值分別為0.1 和0.9。

當TF≤0.5 時，個體位置更新公式為

式中：C1為常數，取值為2。

當TF＞0.5 時，個體位置更新公式為

式中：C2和η為常數，C2=0.6，η∈[0.3C2,1]；F為方向系數。

F的定義為

式中：p為選擇概率。

根據步驟反復迭代找到最優解，相比傳統優化算法，AOA 的健壯性更好，且不易陷入局部最優，目前廣泛應用于參數尋優領域。

3 基于AOA-BPNN 的5G 通信網絡流量預測模型

采用AOA 優化BPNN 的權系數和閾值，建立基于AOA-BPNN 的5G 通信網絡流量預測模型。

第一，輸入網絡流量檢測數據，將其劃分為訓練集和測試集，并進行歸一化處理，即

式中：xi為原始數據；xmax為原始數據中的最大值；xmin為原始數據中的最小值。

第二，設置BPNN 相關參數，包括權系數和閾值的初始值。

第三，初始化AOA 相關參數。

第四，設置適應度函數，將BPNN 輸出結果的均方根誤差作為適應度函數，計算公式為

式中：N為訓練集樣本容量；yi為實際網絡流量；yi*為預測網絡流量。

第五，更新個體的體積和密度，并計算轉移因子和密度因子。

第六，根據轉移因子選擇當前最優個體更新加速度和位置，或利用隨機個體更新加速度。

第七，標準化處理個體加速度。

第八，判斷迭代是否終止，若終止，則把最優權系數和閾值賦給BPNN，否則繼續迭代。

第九，利用優化后的BPNN 預測測試集。

4 算例分析

仿真分析某5G 基站10 d 的網絡通信流量監測數據，數據采樣時間間隔為1 h，獲得240 組樣本數據，如圖1 所示。將240 組樣本數據按照5 ∶1 的比例劃分為訓練集和測試集，訓練集和測試集的樣本容量分別為200 和40。阿基米德算法的參數設置為：種群規模N=20，最大迭代次數kmax=300，系數C1=2、C2=0.6。

圖1 樣本數據

在MATLAB 軟件中建立基于AOA-BPNN 的5G通信網絡流量預測模型，采用訓練集數據進行訓練，結果如圖2 所示。模型的訓練誤差控制在[-0.050,0.050]，可見AOA-BPNN 模型在訓練過程中的誤差波動較小，模型得到了較好的訓練。

圖2 AOA-BPNN 模型訓練結果

利用完成訓練的AOA-BPNN 模型預測測試集中的40 組樣本數據，預測結果如圖3 所示。可見，AOA-BPNN 模型的預測結果接近實際值。

圖3 AOA-BPNN 模型預測結果

為正確評價AOA-BPNN 模型的5G 網絡流量預測結果，采用平均相對誤差和均方根誤差進行評價。均方根誤差的計算公式為式（16），平均相對誤差計算公式為

為對比分析AOA-BPNN 模型在5G 網絡流量預測方面的實用性和優越性，采用遺傳算法優化反向傳播神經網絡（Genetic Algorithm-Back Propagation Neural Network，GA-BPNN）、粒子群算法優化支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）和長短期記憶（Long Short-Term Memory，LSTM）模型仿真分析文章算例數據。利用式（16）和式（17）計算AOA-BPNN 模型的5G網絡流量預測結果的均方根誤差和平均相對誤差，計算結果如表1 所示。

表1 4 種模型網絡流量預測效果對比

對比表1 數據可以看出，AOA-BPNN 模型預測結果的平均相對誤差為4.25%，均方根誤差為0.522 GB，均優于其他3 種模型。可見，AOA-BPNN 模型的5G 通信網絡流量預測效果更好，驗證了基于改進BPNN 的5G 通信網絡流量預測方法的實用性和優越性。

5 結 論

文章采用AOA 優化BPNN 參數，建立基于AOA-BPNN 的5G 通信網絡流量預測模型。采用某5G 基站的網絡通信流量監測數據進行仿真分析，并與其他方法的預測效果進行對比，結果表明，AOABPNN 模型預測結果的平均相對誤差和均方根誤差均優于其他模型，驗證了基于改進BPNN 的5G 通信網絡流量預測方法的實用性和優越性。