CN117060984B - 基于经验模态分解与bp神经网络的卫星网络流量预测方法 - Google Patents
基于经验模态分解与bp神经网络的卫星网络流量预测方法 Download PDFInfo
- Publication number
- CN117060984B CN117060984B CN202311287098.9A CN202311287098A CN117060984B CN 117060984 B CN117060984 B CN 117060984B CN 202311287098 A CN202311287098 A CN 202311287098A CN 117060984 B CN117060984 B CN 117060984B
- Authority
- CN
- China
- Prior art keywords
- sequence
- satellite network
- model
- prediction
- adopting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 241000282461 Canis lupus Species 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 238000010606 normalization Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Radio Relay Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及卫星通信技术领域,具体公开了一种基于经验模态分解与BP神经网络的卫星网络流量预测方法,包括:S10,根据满足帕累托Pareto分布的ON/OFF源模型,生成时间序列;S20,采用经验模态分解将时间序列分解为多阶具有短程相关性的内涵模态分量;S30,采用自回归移动平均模型对各阶内涵模态分量分别建立预测模型;S40,采用各阶预测模型对内涵模态分量分别进行预测,并进行汇总,得到线性特征序列;S50,将原始流量序列减去线性特征序列,得到卫星网络流量的残差序列;S60,采用灰狼算法优化BP神经网络,构建优化模型;S70,根据优化模型对残差序列进行预测,得到残差序列预测结果;S80,根据线性特征序列和残差序列预测结果,确定卫星网络流量预测结果。
Description
技术领域
本发明涉及卫星通信技术领域,具体涉及一种基于经验模态分解与BP神经网络的卫星网络流量预测方法。
背景技术
低轨卫星通信网络具有覆盖范围广、通信容量大的特点,可借助星间组网突破地理条件的限制,实现不间断信号覆盖,为全球用户提供大宽带、低时延、无缝衔接的网络接入服务。
近年来,随着巨型低轨卫星星座的建设,卫星网络流量需求呈现迅速上升趋势,网络带宽资源日益紧张。低轨卫星的星载计算资源、存储资源受到卫星平台功耗、体积的限制,可提供的带宽较为有限;同时,随着卫星间星间链路(ISL)的不断切换,低轨卫星网络拓扑随时间变化剧烈,卫星网络的流量呈现时间和空间上的不均匀性。在用户规模和流量需求不断扩张的情况下,以上因素导致低轨卫星网络较易发生网络拥塞,影响网络服务质量。通过流量预测,可以提前预报网络流量的变化的特征及趋势,将网络流量控制从被动响应模式转变为主动感知模式。
传统的网络流量模型一般基于泊松过程,包括泊松模型、马尔科夫模型Markov模
型等,这些模型仅能描述流量在时域上的短相关性。对于呈现长相关过程的卫星网络流量,
传统模型难以准确描述网络特性。自1994年网络流量的自相似特性被发现后,各种基于自
相似的流量预报模型被不断提出。一类是通过构造物理模型描述观察到的数据特征,包括
重尾分布的ON/OFF模型、排队模型等;另一类是统计模型,这类模型试图通过数据
拟合方法模拟网络数据变化趋势。这些自相似流量预报模型与传统预报模型的不同之处在
于:自相似预报模型是建立在网络特性基础上,可以描述流量的LRD和突发性,有助于根据
网络流量内在规律进行预报,预报精度有所提升,但计算过程比较复杂且耗时。
随着机器学***台并不适用。由于单一模型仅能刻画网络流量泊松过程或自相似特性,不能很好描述卫星网络业务流量,许多学者提出了混合模型。利用EMD或小波模型对网络流量进行分解,然后在得到的各分量上应用预报模型,分步提取网络流量自相似特性,有效降低了计算复杂度,提升了预报精度。但各分量采用不同模型预测结果的可靠性并未得到充分论证。
发明内容
针对上述问题,本发明的目的是提供一种基于经验模态分解与BP神经网络的卫星网络流量预测方法,预测精度优于传统卫星网络流量预测模型,具有较高的求解精度和较低的计算复杂度。
本发明提供了一种基于经验模态分解与BP神经网络的卫星网络流量预测方法,包括:
步骤S10,根据满足帕累托Pareto分布的ON/OFF源模型,生成卫星网络流量的时间序列;所述满足帕累托Pareto分布的ON/OFF源模型为卫星网络中端到端的连接的数据生成模型;
步骤S20,采用经验模态分解将所述时间序列分解为多阶具有短程相关性的内涵模态分量;
步骤S30,采用自回归移动平均模型对各阶所述内涵模态分量分别建立预测模型;
步骤S40,采用各阶所述预测模型对所述内涵模态分量分别进行预测,并将预测结果进行汇总,得到卫星网络流量的线性特征序列;
步骤S50,将卫星网络流量的原始流量序列减去所述线性特征序列,得到卫星网络流量的残差序列;
步骤S60,采用灰狼算法优化BP神经网络,构建优化模型;
步骤S70,根据所述优化模型对所述残差序列进行预测,得到残差序列预测结果;
步骤S80,根据所述线性特征序列和所述残差序列预测结果,确定卫星网络流量预测结果。
在一种可能的实现方式中,所述S10中,所述帕累托Pareto分布的概率分布函数为如下公式:
;
其中,为正整数,表示随机变量可以取的最小值;决定了随机变量均值和随机变量方差;若则Pareto分布的均值存在,方差无上界。
在一种可能的实现方式中,所述S20包括:
步骤S21,将所述ON/OFF源模型中的待分析数据的所有极值点分别用两条三
次样条曲线拟合,得到待分析数据的极值包络线;
步骤S22,令极值包络线的平均值为,则剩余信号;若满足
IMF条件,则为第一个IMF分量,否则将作为;
步骤S23,经过k轮迭代后,得到的信号与包络线均值之差,第k-1轮迭代得到的差
值为;当以下公式成立时,将作为第一内涵模态分量:
;
其中,为阈值,T为数据样本个数,即经过k轮迭代后与前一轮迭代结果之间的均方根差值小于阈值,则将作为满足条件的第一个内涵模态分量;
步骤S24,将作为,重复以上步骤;当所余残量为单调函数且幅
值小于阈值,停止计算,得到若干IMF分量,则通过如下公式得到待分析数据:
;
式中,为最终残余量。
在一种可能的实现方式中,所述S30包括:
根据以下公式确定所述预测模型:
;
式中,为自回归移动平均模型的模型参数,即拟合残差平方和,分别
为独立误差项、自回归阶数、差分阶数、移动平均阶数,为内涵模态分量,为拟合内
涵模态分量序列的标准差,AIC为赤池信息量准则。
在一种可能的实现方式中,所述S50包括:
根据以下公式如下计算残差序列:
;
式中,为残差序列,为原始流量序列,为线性特征序列。
在一种可能的实现方式中,所述S60包括:
步骤S61,初始化灰狼算法的算法参数和BP神经网络的参数;
步骤S62,对所述参数进行归一化处理,得到归一化参数,并将所述归一化参数划分为训练数据集和测试数据集;
步骤S63,根据所述训练数据集对所述BP神经网络进行训练,得到多个训练模型;
步骤S64,根据所述测试数据集中个体的适应度,评估所述训练模型的性能;
步骤S65,依据适应度对灰狼种群进行分级,保留适应度最佳的个体的位置,并更新其余个体的位置;
步骤S66,若迭代次数达到预设值,将适应度最优的个***置作为BP神经网络模型的最优参数,构建预测模型。
在一种可能的实现方式中,所述S62包括:
根据以下公式进行归一化处理:
;
式中,为归一化参数,是第个原始的参数,和分别为对应原始的参数
的最大值和最小值。
在一种可能的实现方式中,所述S63包括:
根据以下公式对BP神经网络进行训练,得到多个训练模型;
;
式中,分别为与间距离,为当前位置,为随机向量,为最优解,为BP神经网络每层连接权重。
在一种可能的实现方式中,所述S64包括:
根据均方误差计算个体的适应度,均方误差根据如下公式计算:
;
式中,T为卫星网络流量的序列长度;为的拟合残差序列的第t个值。
在一种可能的实现方式中,所述S65包括:
根据以下公式更新个体的位置:
;
;
式中,分别为与间距离,分别为当前位置,为当前位置,为随机向量,为迭代次数,分别为三类算子的位置。
本发明的基于经验模态分解与BP神经网络的卫星网络流量预测方法,通过经验模态分解将具有自相似性的卫星网络流量分解为多阶具有短程相关性的IMF分量,采用自适应定阶寻优算子改进的ARIMA对IMF分量进行预测,降低计算复杂度。同时,采用改进灰狼算法优化BP神经网络参数,使用优化后的BP神经网络预报EMD-ARIMA模型的残差,最终得到卫星网络流量预报结果,预测精度优于传统卫星网络流量预测模型,具有较高的求解精度和较低的计算复杂度。
附图说明
图1为本发明实施例提供的卫星网络流量预测方法的流程示意图;
图2为本发明实施例提供的卫星网络流量预测方法的示意图;
图3为本发明实施例提供的卫星网络体系的结构示意图;
图4为本发明实施例提供的服从Pareto分布的ON/OFF源叠加模型的示意图;
图5为本发明实施例提供的卫星网络流量时间序列数据图;
图6为本发明实施例提供的分解后所得各阶IMF分量的示意图;
图7为本发明实施例提供的卫星网络流量预测结果的示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理,但不能用来限制本发明的范围,即本发明不限于所描述的优选实施例,本发明的范围由权利要求书限定。
在本发明的描述中,需要说明的是,除非另有说明,“多个”的含义是两个或两个以上;术语“第一”“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性;对于本领域的普通技术人员而言,可视具体情况理解上述术语在本发明中的具体含义。
卫星网络流量预测能够为卫星网络的路由、资源分配提供关键信息,对卫星通信网络的高效运行具有重要意义。然而,卫星网络流量具有自相似性和长程相关性,传统线性或非线性网络流量预报模型无法达到足够的预报精度。本发明的基于经验模态分解与BP神经网络的卫星网络流量预测方法的预测精度优于传统卫星网络流量预测模型,具有较高的求解精度和较低的计算复杂度。
图1为本发明实施例提供的卫星网络流量预测方法的流程示意图,图2为本发明实施例提供的卫星网络流量预测方法的示意图,如图1和图2所示,本发明提供了一种基于经验模态分解与BP神经网络的卫星网络流量预测方法,包括:
步骤S10,根据满足帕累托Pareto分布的ON/OFF源模型,生成卫星网络流量的时间序列;
图3为本发明实施例提供的卫星网络体系的结构示意图,如图3所示,本发明所适用的卫星网络为低轨卫星网络,包括空间网络和地面网络。空间网络的每颗卫星通过四条星间链路,与同轨道相邻卫星和左右相邻轨道卫星连接。空间网络通过馈电链路与地面网络的信关站连接,形成卫星网络。
其中,满足帕累托Pareto分布的ON/OFF源模型为卫星网络中端到端的连接的数据生成模型。ON周期视作满足Pareto分布的数据包的大小, OFF周期视作满足Pareto分布的数据包传送的间隔时间。Pareto分布是一种经典的重尾分布。将卫星网络中的端到端连接看成一个满足Pareto分布的ON/OFF源。ON对应报文的发送,源节点以恒定速率产生数据包,且源节点彼此之间保持相互独立;而OFF对应报文发送的中断,在积累足够数量样本之后,同样是独立同分布的。
Pareto分布的概率分布函数如下公式:
;
其中,为正整数,表示随机变量可以取的最小值;决定了随机变量均值和随机变量方差;若则Pareto分布的均值存在,方差无上界。
图4为本发明实施例提供的服从Pareto分布的ON/OFF源叠加模型的示意图,图5为本发明实施例提供的卫星网络流量时间序列数据图。
步骤S20,采用经验模态分解EMD将时间序列分解为多阶具有短程相关性的内涵模态分量;
在一种可能的实现方式中,S20包括:
步骤S21,将ON/OFF源模型中的待分析数据的所有极值点分别用两条三次样
条曲线拟合,得到待分析数据的极值包络线;
步骤S22,令极值包络线的平均值为,则剩余信号;若满足
IMF条件,则为第一个IMF分量,否则将作为;
步骤S23,经过k轮迭代后,得到的信号与包络线均值之差,第k-1轮迭代得到的差
值为;当以下公式成立时,将作为第一内涵模态分量:
;
其中,为阈值,T为数据样本个数,即经过k轮迭代后与前一轮迭代结果之间的均方根差值小于阈值,则将作为满足条件的第一个内涵模态分量;
步骤S24,将作为,重复以上步骤;当所余残量为单调函数且幅
值小于阈值,停止计算,得到若干IMF分量,则通过如下公式得到待分析数据:
;
式中,为最终残余量。
图6是将图5时间序列通过经验模式分解后的10个IMF分量,图6为本发明实施例提供的分解后所得各阶IMF分量的示意图,a、b、c、d、e、f、g、h、i、j分别为IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7、IMF8、IMF9、IMF10。
步骤S30,采用自回归移动平均模型对各阶内涵模态分量分别建立预测模型;
在一种可能的实现方式中,S30包括:
根据以下公式确定预测模型:
;
式中,为自回归移动平均模型的模型参数,即拟合残差平方和,分别
为独立误差项、自回归阶数、差分阶数、移动平均阶数,为内涵模态分量,为拟合内
涵模态分量序列的标准差,AIC为赤池信息量准则。
对于分解得到的n阶IMF分量,采用ARIMA模型对各阶分量分别建立预测模型ARIMA(pi, di, qi)。其中(pi, di, qi)为ARIMA模型参数,i = 1,2,…,n。根据图6,原始流量数据分解后共得到10阶IMF,由自适应定阶寻优算子确定的各阶IMF的最优模型如表1所示:
表1
步骤S40,采用各阶预测模型对内涵模态分量分别进行预测,并将预测结果进行汇总,得到卫星网络流量的线性特征序列;
步骤S50,将卫星网络流量的原始流量序列减去线性特征序列,得到卫星网络流量的残差序列;
在一种可能的实现方式中,S50包括:
根据以下公式如下计算残差序列:
;
式中,为残差序列,为原始流量序列,为线性特征序列。
步骤S60,采用灰狼算法优化BP神经网络,构建优化模型IGWO-BPNN;
在一种可能的实现方式中,S60包括:步骤S61-S66。
步骤S61,初始化灰狼算法IGWO的算法参数和BP神经网络的参数;
在一种可能的实现方式中,在灰狼算法GWO中,狼群根据适应度值自上而下分为四
组:,其中为领导阶层(最优解),候选解围绕进行位置更新。本发明
确定灰狼种群规模设为M;最大迭代次数为;第j维的上下边界设为。神经网络每
层连接权重为,误差阈值为,隐含层神经元个数为。
步骤S62,对参数进行归一化处理,得到归一化参数,并将归一化参数划分为训练数据集和测试数据集;
为消除输入的流量残差序列维度对模型结果的影响,需对数据进行归一化处理。
将数据归一化至,并划分为训练数据集和测试数据集。
在一种可能的实现方式中,根据以下公式进行归一化处理:
;
式中,为归一化参数,是第个原始的参数,和分别为对应原始的参数
的最大值和最小值。
在训练前,确定终止条件(当前解为最小值)为:若满足一个值在连续迭代中保持不变,则认定其为最小值。所选样本执行以下步骤S63-步骤S66,直至满足终止条件,然后退出。
步骤S63,根据训练数据集对BP神经网络进行训练,得到多个训练模型;
在一种可能的实现方式中,每个个***置包含BPNN参数,根据以下公式对BP神经网络进行训练,得到多个训练模型;
;
式中,分别为与间距离,为当前位置,为随机向量,为最优解,为BP神经网络每层连接权重。
步骤S64,根据测试数据集中个体的适应度,评估训练模型的性能;
在一种可能的实现方式中,根据均方误差计算个体的适应度,均方误差根据如下公式计算:
;
式中,T为卫星网络流量的序列长度;为的拟合残差序列的第t个值。
步骤S65,依据适应度对灰狼种群进行分级,保留适应度最佳的个体的位置,并更新其余个体的位置;
在一种可能的实现方式中,根据以下公式更新个体的位置:
;
;
式中,分别为与间距离,分别为当前位置,为当前位置,为随机向量,为迭代次数,分别为三类算子的位置。
步骤S66,若迭代次数达到预设值,即,参数优化过程结束,跳出循环。将适应度
最优的个***置作为BP神经网络模型的最优参数,构建预测模型。
步骤S70,根据优化模型对残差序列进行预测,得到残差序列预测结果;
步骤S80,根据线性特征序列和残差序列预测结果,确定卫星网络流量预测结果。
在一种可能的实现方式中,根据以下公式确定卫星网络流量预测结果:
;
式中,为卫星网络流量预测结果,为线性特征序列,为残差序列预测
结果。
EMD-ARIMA-BPNN模型的预测结果精度指标如表2所示:
表2
表中各指标计算公式如下:
;
;
其中,T为流量序列长度;为流量序列残差,为流量序列残差的预测值,
为流量序列残差预测值的均值。
图7为本发明实施例提供的卫星网络流量预测结果的示意图。本发明所提出的方法在具有长程相关性特征的卫星网络流量数据上的预测性能较好,预测的网络流量与实际流量数据接近。
本发明的基于经验模态分解与BP神经网络的卫星网络流量预测方法,定量分析了卫星网络流量的自相似性特征,并通过理论分析和实验两方面分别证明了卫星网络流量通过EMD分解获得的多阶IMF分量具有短程相关性。通过EMD将具有自相似性的卫星网络流量分解为多阶具有短程相关性的IMF分量,采用自适应定阶寻优算子改进的ARIMA对IMF分量进行预测,降低计算复杂度。同时,采用IGWO算法优化BPNN网络权重,使用优化后的BPNN预报EMD-ARIMA模型的残差,最终得到卫星网络流量预报结果。与传统流量预报模型和混合模型的对比实验证明,所提出的EMD-ARIMA-BPNN模型对于卫星网络流量具有更高的预报精度,且可以描述卫星网络流量的阶段性变化趋势,能够满足卫星网络流量的高效预报。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (2)
1.一种基于经验模态分解与BP神经网络的卫星网络流量预测方法,其特征在于,包括:
步骤S10,根据满足帕累托Pareto分布的ON/OFF源模型,生成卫星网络流量的时间序列;所述满足帕累托Pareto分布的ON/OFF源模型为卫星网络中端到端的连接的数据生成模型;
步骤S20,采用经验模态分解将所述时间序列分解为多阶具有短程相关性的内涵模态分量;
步骤S30,采用自适应定阶寻优算子改进的ARIMA对各阶所述内涵模态分量分别建立预测模型;
步骤S40,采用各阶所述预测模型对所述内涵模态分量分别进行预测,并将预测结果进行汇总,得到卫星网络流量的线性特征序列;
步骤S50,将卫星网络流量的原始流量序列减去所述线性特征序列,得到卫星网络流量的残差序列;
步骤S60,采用改进灰狼算法IGWO优化BP神经网络,构建优化模型IGWO-BPNN;
步骤S70,根据所述优化模型IGWO-BPNN对所述残差序列进行预测,得到残差序列预测结果;
步骤S80,根据所述线性特征序列和所述残差序列预测结果,确定卫星网络流量预测结果。
2.根据权利要求1所述的卫星网络流量预测方法,其特征在于,所述S10中,所述帕累托Pareto分布的概率分布函数为如下公式:
其中,k为正整数,表示随机变量x可以取的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287098.9A CN117060984B (zh) | 2023-10-08 | 2023-10-08 | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287098.9A CN117060984B (zh) | 2023-10-08 | 2023-10-08 | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117060984A CN117060984A (zh) | 2023-11-14 |
CN117060984B true CN117060984B (zh) | 2024-01-09 |
Family
ID=88666595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287098.9A Active CN117060984B (zh) | 2023-10-08 | 2023-10-08 | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117060984B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
CN111030889A (zh) * | 2019-12-24 | 2020-04-17 | 国网河北省电力有限公司信息通信分公司 | 一种基于gru模型的网络流量预测方法 |
CN113206756A (zh) * | 2021-04-22 | 2021-08-03 | 大连大学 | 基于组合模型的网络流量预测方法 |
CN113205698A (zh) * | 2021-03-24 | 2021-08-03 | 上海吞山智能科技有限公司 | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 |
CN113905391A (zh) * | 2021-09-27 | 2022-01-07 | 湖北工业大学 | 集成学习网络流量预测方法、***、设备、终端、介质 |
DE202022100907U1 (de) * | 2022-02-17 | 2022-03-14 | Himansu Sekhar Behera | Ein neuartiges Hybridisierungssystem für die Vorhersage von Zeitreihen |
CN114676645A (zh) * | 2022-05-30 | 2022-06-28 | 湖南大学 | 一种非平稳时间序列预测方法及*** |
CN116703466A (zh) * | 2023-06-15 | 2023-09-05 | 中国平安财产保险股份有限公司 | 基于改进灰狼算法的***访问量预测方法及其相关设备 |
-
2023
- 2023-10-08 CN CN202311287098.9A patent/CN117060984B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
CN111030889A (zh) * | 2019-12-24 | 2020-04-17 | 国网河北省电力有限公司信息通信分公司 | 一种基于gru模型的网络流量预测方法 |
CN113205698A (zh) * | 2021-03-24 | 2021-08-03 | 上海吞山智能科技有限公司 | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 |
CN113206756A (zh) * | 2021-04-22 | 2021-08-03 | 大连大学 | 基于组合模型的网络流量预测方法 |
CN113905391A (zh) * | 2021-09-27 | 2022-01-07 | 湖北工业大学 | 集成学习网络流量预测方法、***、设备、终端、介质 |
DE202022100907U1 (de) * | 2022-02-17 | 2022-03-14 | Himansu Sekhar Behera | Ein neuartiges Hybridisierungssystem für die Vorhersage von Zeitreihen |
CN114676645A (zh) * | 2022-05-30 | 2022-06-28 | 湖南大学 | 一种非平稳时间序列预测方法及*** |
CN116703466A (zh) * | 2023-06-15 | 2023-09-05 | 中国平安财产保险股份有限公司 | 基于改进灰狼算法的***访问量预测方法及其相关设备 |
Non-Patent Citations (3)
Title |
---|
A Combined Method of Improved Grey BP Neural Network and MEEMD-ARIMA for Day-Ahead Wave Energy Forecast;Feng Wu 等;《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》;全文 * |
基于时间相关的网络流量建模与预测研究;高波;《中国博士学位论文全文数据库 信息科技辑》;全文 * |
挠性陀螺EMD-ARIMA漂移模型设计与应用;蔡曜 等;《北京航空航天大学学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117060984A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
WO2021169577A1 (zh) | 一种基于加权联邦学习的无线业务流量预测方法 | |
CN111629380B (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
EP3977559A1 (en) | Neural network circuit remote electrical tilt antenna infrastructure management based on probability of actions | |
López et al. | Primary user characterization for cognitive radio wireless networks using a neural system based on deep learning | |
CN110213784B (zh) | 一种流量预测方法及装置 | |
Sahoo et al. | Comparative analysis of multi-step time-series forecasting for network load dataset | |
Abraham | EvoNF: A framework for optimization of fuzzy inference systems using neural network learning and evolutionary computation | |
Hua et al. | Prediction method for network traffic based on maximum correntropy criterion | |
CN117596122B (zh) | 一种通算融合网络架构及资源适配方法 | |
Abdallah et al. | Combining fuzzy logic and neural networks in modeling landfill gas production | |
CN114254734A (zh) | 一种支持确定性应用的流量矩阵建模方法 | |
CN117060984B (zh) | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 | |
Sova et al. | Development of methodological principles of routing in networks of special communication in conditions of fire storm and radio-electronic suppression | |
CN117420443A (zh) | 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 | |
CN116843016A (zh) | 一种移动边缘计算网络下基于强化学习的联邦学习方法、***及介质 | |
Geng et al. | A LSTM based campus network traffic prediction system | |
CN111414927A (zh) | 一种海水水质评价的方法 | |
CN115987406A (zh) | 一种基于深度强化学习的水声通信链路自适应方法 | |
CN116506863A (zh) | 决策优化方法、装置、电子设备及可读存储介质 | |
Aguiar et al. | Learning Flow Functions from Data with Applications to Nonlinear Oscillators | |
Viveros et al. | Estimation of future occupation of spectral channels by licensed users in cognitive radio networks applying Neuro-Fuzzy models | |
Askari et al. | A multi-objective subtractive FCM based TSK fuzzy system with input selection, and its application to dynamic inverse modelling of MR dampers | |
Park et al. | FedQOGD: Federated Quantized Online Gradient Descent with Distributed Time-Series Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |