基于人工魚群算法的網絡流量預測方法

摘 要： 使用非線性預測模型支持向量回歸算法建立預測模型，對具有明顯非平穩性、混沌性以及非線性的網絡流量進行預測研究。使用人工魚群算法對支持向量回歸算法的參數進行尋優，使用PSO算法對常規人工魚群算法進行改進，使得人工魚不依賴步長因子，僅對視野因子產生依賴，能夠得到最優解。通過使用Logistic映射對人工魚位置進行初始化，提高種群多樣性，從而提高算法全局尋優能力，避免算法陷入局部最小值。最后使用MAWI數據集中的三組不同時間粒度的數據進行網絡預測方法的實例分析，結果表明，所研究的人工魚群算法具有較好的預測性能，能夠滿足網絡流量預測的需求。

關鍵詞： 網絡流量預測； 人工魚群算法； 支持向量回歸； 混沌機制； 粒子群優化

中圖分類號： TN926?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2016）18?0073?03

Abstract： The support vector regression algorithm of the nonlinear prediction model is used in this paper to establish the forecasting model to study the prediction of the network traffic with obvious nonstationarity， chaos and nonlinearity. In this paper， the artificial fish swarm algorithm is adopted to optimize the parameters of support vector regression algorithm. The PSO algorithm is used to improve the conventional artificial fish swarm algorithm. The Logistic map is used to initialize the position of the artificial fish to improve the diversity of the population， so as to improve the global optimization ability of the algorithm and avoid the algorithm falling into local minimum value. The data of three groups with different time granularity are analyzed by using MAWI data. The results show that the artificial fish swarm algorithm has better prediction performance and can meet the needs of network traffic prediction.

Keywords： network traffic prediction； artificial fish swarm algorithm； support vector regression； chaos mechanism； particle swarm optimization

0 引 言

隨著互聯網技術的不斷發展，網絡的規模和業務類型不斷增長，網絡流量越發地顯現出非平穩性、混沌性以及非線性等，網絡流量預測的重要性越來越突出，網絡流量預測算法的預測精度和穩定性已成為目前計算機網絡研究領域的熱點之一[1]。

傳統的基于短相關的自回歸模型、自回歸滑動平均模型等線性回歸，時間序列等方法已不能適應當前復雜、非平穩的網絡流量特性，其預測精度一般不高，不能夠滿足系統要求。隨著人工智能和機器學習算法的興起，小波預測、神經網絡預測、支持向量機預測、灰色預測模型等非線性預測模型得到了廣泛關注[2?3]。

1 改進型人工魚群優化支持向量回歸預測模型

支持向量回歸模型基本思想是堅持結構風險最小化原則，設定一個非線性映射，利用該映射將輸入的數據映射到一個能夠明確分析輸入和輸出數據的非線性聯系的高維空間。

支持向量回歸模型的三個基本參數[C]，[ε]和[σ]決定了預測結果的精度，常規支持向量回歸模型的三個基本參數選取依賴于用戶選取，具有較強的隨機性，因此需要使用優化算法選取最優的參數組合[4]。

人工魚群算法是由李曉磊教授提出的一種群智能優化算法，該算法模擬自然界中魚群的覓食、追尾、聚群以及隨機行為。人工魚群算法初始參數會直接影響算法的優化性能，尤其是步長因子的選取依賴人工魚間距，對算法優化效果有很大影響[5]。因此本文使用PSO算法對常規人工魚群算法進行改進，將常規算法中人工魚的覓食、聚群以及追尾行為的常規計算公式改進為：

3 結 論

網絡流量越發地顯現出非平穩性、混沌性以及非線性等，網絡流量預測的重要性越來越突出。本文使用混沌粒子群優化與人工魚群優化算法對常規支持向量回歸模型進行優化，建立網絡流量預測模型，并使用MAWI數據集中的三組不同時間粒度的數據進行網絡預測方法的實例分析，結果表明，本文研究的人工魚群算法具有較好的預測性能，能夠滿足網絡流量預測的需求。

參考文獻

[1] 王瑞雪，劉淵.GAFSA優化SVR的網絡流量預測模型研究[J].計算機應用研究，2013，30（3）：856?860.

[2] 王治.基于混沌粒子群優化SVR的網絡流量預測[J].計算機仿真，2011，28（5）：151?154.

[3] 王瑞雪.基于機器學習方法的網絡流量感知與預測研究[D].無錫：江南大學，2013.

[4] 田海雷，李洪儒，許葆華.基于改進人工魚群算法的支持向量機預測[J].計算機工程，2013，39（4）：222?225.

[5] 郭通，蘭巨龍，李玉峰，等.基于量子自適應粒子群優化徑向基函數神經網絡的網絡流量預測[J].電子與信息學報，2013，35（9）：2220?2226.

[6] 蔡婷.基于人工魚群的LS?SVM在短期負荷預測中的應用[D].南寧：廣西大學，2014.

[7] 晉美次旦.基于魚群優化支持向量機的水文預測系統[D].天津：天津大學，2009.

[8] 王聯國.人工魚群算法及其應用研究[D].蘭州：蘭州理工大學，2009.

[9] 郭通.基于自適應流抽樣測量的網絡異常檢測技術研究[D].鄭州：解放軍信息工程大學，2013.

[10] 姚衛紅，方仁孝，張旭東.基于混合人工魚群優化SVR的交通流量預測[J].大連理工大學學報，2015（6）：632?637.

[11] 王婷.基于GAPSO算法和RBF神經網絡預測控制方法的研究[D].太原：太原理工大學，2015.

[12] 陳偉.基于群體智能算法的人工神經網絡優化及其應用[D].無錫：江南大學，2007.