精准有效地预测船舶网络流量,能够及时掌握船舶无线网络在运行中的流量波动趋势,为有效解决船舶无线网络的拥堵等问题提供保障[1]。
以往在预测船舶网络流量中大多运用单一的预测模型,虽能够实现船舶网络流量的预测,但因预测模型的单一性,导致预测模型均具备不同程度的局限性,造成最终所得预测结果的精度不够理想,很难达到船舶网络流量预测的高精度需求[2]。姚立霜等[3]研究的EMD聚类的网络流量预测模型,主要是通过运用EMD分解网络流量,并结合聚类算法聚类分析所分解的各个分量,最后采用ARMA模型实现流量预测,该模型的预测效率较高,但预测精度稍差。张志宏等[4]提出的网络流量预测模型,主要是通过灰狼算法改进深度学习网络,构建预测模型,运用该模型实现网络流量预测,该模型的预测结果误差波动稍大,整体预测精度不够理想。
灰色模型(GM)可通过由局部已知与局部未知信息组成的历史数据,实现对信息之后的变化趋势的描述与预测。其优点是应用范围广、使用简单,缺点是自适应处理信息能力匮乏,预测结果的误差波动较大[5-6];反向传播神经网络在自适应处理信息与非线性映射等方面的能力较强,可实现对预测输出结果误差的有效修正,更好地逼近模型,提升预测模型的精度[7]。
本文通过有效地融合灰色模型与反向传播数据网络,生成船舶网络流量灰色预测模型,实现对船舶无线网络流量的有效预测。
1 船舶网络流量预测灰色模型 1.1 船舶网络流量数据采集选用简单网络管理协议(SNMP)由船舶网络路由器与交换机端口采集船舶网络流量数据,所采集的流量数据包括端口接收与发送的进口流量与出口流量2种[8]。SNMP协议的船舶网络管理结构如图1所示。
为提升后续灰色模型预测船舶网络流量的精度,对所采集的船舶网络流量数据序列实施平滑处理,使此类数据序列达到稳定。将所采集的船舶网络流量数据序列作为初始船舶网络流量数据序列,在此选用小波变换的Mallat算法[9],运用该算法的一维静态离散小波变换分解与重构此初始序列,获得长度与初始序列相同的平滑稳定船舶网络流量数据序列。具体处理过程如下:
1)小波分解
创建高通与低通2种滤波器,二者分别通过
$ \left\{ \begin{gathered} {b_{j + 1}} = {b_j}H ,\hfill \\ {c_{j + 1}} = {c_j}L。\hfill \\ \end{gathered} \right. $ | (1) |
式中:
2)小波重构
小波分解的逆过程即为小波重构。设初始船舶网络流量数据序列通过
$ y'\left( l \right) = \sum\limits_{j = 1}^J {{c_j}\left( l \right) + {b_j}\left( l \right)}。$ | (2) |
式中,
通过公式(2)得到平滑稳定的船舶网络流量数据序列,其长度与初始船舶网络流量数据序列相同,运用该序列作为后续灰色预测模型的输入,实现对船舶网络流量的预测。
1.3 船舶网络流量灰色预测模型构建选取灰色模型与反向传播神经网络模型,通过融合2种模型后获得灰色神经网络模型作为船舶网络流量预测模型,将小波变换Mallat算法处理后的船舶网络流量数据序列
小波变换Mallat算法处理后的船舶网络流量数据序列
$ y'\left( l \right) = \left\{ {y'\left( 1 \right),y'\left( 2 \right), \cdots ,y'\left( M \right)} \right\} 。$ | (3) |
通过一次累加生成处理船舶网络流量数据序列
$ {y'_1}{\left( l \right)_k} = \sum\limits_{i = 1}^k {y'\left( i \right)}。$ | (4) |
式中,
重新生成的船舶网络流量数据序列
$ {y'_1}\left( l \right) = \left\{ {{{y'}_1}\left( 1 \right),{{y'}_1}\left( 2 \right), \cdots ,{{y'}_1}\left( M \right)} \right\}。$ | (5) |
创建一阶线性微分方程为:
$ \eta = {\raise0.7ex\hbox{${{{y'}_1}\left( l \right){\rm{d}}}$} \mathord{\left/ {\vphantom {{{{y'}_1}\left( l \right){\rm{d}}} {{\rm{d}}t}}}\right.} \lower0.7ex\hbox{${{\rm{d}}t}$}} + \delta {y'_1}\left( l \right) 。$ | (6) |
式中:
设待预估参数向量通过
$ a = {\left( {B{B^T}} \right)^{ - 1}}x\left( M \right){B^{\rm{T}}} 。$ | (7) |
式(6)代入式(7)所得出的待预估参数向量
$ {y'_1}{\left( l \right)_{t + 1}} = \left( {y'\left( 1 \right) - \left( \frac{\eta}{\delta } \right)} \right){e^{ - \delta t}} + \left( \frac{\eta}{\delta } \right),$ | (8) |
所获得的离散响应方程可表示为:
$ {y'_1}\left( {M + 1} \right) = \left( {{{y'}_1}\left( 1 \right) - \left( \frac{\eta}{\delta }\right)} \right){e^{ - \delta M}} + \left( \frac{\eta}{\delta }\right)。$ | (9) |
式中,
对式(9)离散响应方程中船舶网络流量数据序列
$ y'\left( {M + 1} \right) = {y'_1}\left( {M + 1} \right) - {y'_1}{\left( l \right)_k}。$ | (10) |
通过等维灰数递补方法处理各种时间序列长度的船舶网络流量数据,将对应的船舶网络流量灰色模型预测值
构建3层反向传播神经网络结构,以所获得的船舶网络流量的各种灰色模型预测值
$ n = d + \sqrt {{n_1} + {n_2}} 。$ | (11) |
式中:
选用平均绝对百分误差
$ \left\{ \begin{gathered} MAPE = \frac{1}{m}\left( {\sum\limits_{i = 1}^m {\frac{\left| {U - Z} \right|}{U}} } \right) \times 100\text{%} ,\hfill \\ MAE = \frac{1}{m}\left( {\sum\limits_{i = 1}^m {\left| {U - Z} \right|} } \right) 。\hfill \\ \end{gathered} \right. $ | (12) |
式中:
以某船舶网络为例,将本文模型应用其中,对其网络流量实施预测。通过本文模型采集其网络路由器与交换机端口的流量数据,将由其中随机抽取出320个流量数据作为实验船舶网络流量数据样本,样本初始呈现情况如图2所示。
通过本文模型中的小波变换Mallat算法对图2中的实验船舶网络流量数据样本实施高低频分解滤波与重构,高低频分解滤波后的各个实验船舶网络流量数据序列如图3所示。可知,经本文模型中小波变换Mallat算法对初始实验船舶网络流量数据样本实施分解滤波之后,所获得的各个高、低频船舶网络流量数据序列均较为平滑。
通过本文模型中的小波变换Mallat算法获得的重构后实验船舶网络流量数据样本呈现效果如图4所示。可知,重构后所获得的实验船舶网络流量数据样本中消除了毛刺与不平稳的波动现象,令实验船舶网络流量数据样本能够更清晰呈现。
运用重构后的实验船舶网络流量数据样本作为本文模型的输入,经本文模型预测后所获得的实验船舶网络流量值变化情况如图5所示。可知,本文模型最终所得的实验船舶网络流量预测结果与初始样本接近吻合,预测结果精度高,预测效果理想。
为检验本文模型的综合性能,对本文模型预测结果的平均绝对百分误差
本文通过结合小波变换分解滤波并重构所采集的历史船舶网络流量数据,提升船舶网络流量历史数据序列的平滑度。以此数据序列为输入,运用灰色模型与反向传播神经网络共同构建灰色预测模型,达到对船舶网络流量预测的目的。应用实验表明,本文模型的小波变换处理方法可有效去除掉历史船舶网络流量数据序列中的毛刺与不平稳问题,提高历史船舶网络流量数据序列的平滑度与质量;模型最终预测所得的船舶网络流量数据与样本数据几乎一致,且预测结果的偏离度较低、拟合度较高,整体预测精度高,预测结果可靠性强。
[1] |
李松, 周亚同, 池越, 等. 高斯过程混合模型应用于网络流量预测研究[J]. 计算机工程与应用, 2020, 56(5): 186-193. |
[2] |
张杰, 白光伟, 沙鑫磊, 等. 基于时空特征的移动网络流量预测模型[J]. 计算机科学, 2019, 46(12): 108-113. DOI:10.11896/jsjkx.181102207 |
[3] |
姚立霜, 刘丹, 裴作飞, 等. 基于EMD聚类的实时网络流量预测模型[J]. 计算机科学, 2020, 47(S2): 316-320. |
[4] |
张志宏, 刘传领. 基于灰狼算法优化深度学习网络的网络流量预测[J]. 吉林大学学报(理学版), 2021, 59(3): 619-626. |
[5] |
王筱, 周维博. 基于优化的灰色-权马尔科夫模型的径流量预测[J]. 数学的实践与认识, 2019, 49(22): 179-186. |
[6] |
杨晓敏. 改进灰狼算法优化支持向量机的网络流量预测[J]. 电子测量与仪器学报, 2021, 35(3): 211-217. |
[7] |
朱庆辉, 李广儒, 杨晓, 等. 基于循环结构优化的Elman神经网络船舶交通流量预测[J]. 高技术通讯, 2019, 29(3): 295-301. DOI:10.3772/j.issn.1002-0470.2019.03.012 |
[8] |
林振荣, 黎嘉诚, 杨冬芹, 等. 改进微分进化和小波神经网络的网络流量预测[J]. 计算机工程与设计, 2019, 40(12): 3413-3418. |
[9] |
杜臻, 马立鹏, 孙国梓. 一种基于小波分析的网络流量异常检测方法[J]. 计算机科学, 2019, 46(8): 178-182. |