城市軌道交通車(chē)輛以太網(wǎng)流量的預(yù)測(cè)方法

馬樂(lè)庭 伍紅波

(1.中車(chē)長(zhǎng)春軌道客車(chē)股份有限公司， 130062， 長(zhǎng)春； 2.北京交通大學(xué)電子信息工程學(xué)院， 100044， 北京∥第一作者， 高級(jí)工程師)

列車(chē)控制系統(tǒng)中的信息傳輸及城市軌道交通運(yùn)營(yíng)商對(duì)控制通信的要求不斷上升，使得傳統(tǒng)列車(chē)總線(xiàn)技術(shù)已不能滿(mǎn)足列車(chē)通信控制網(wǎng)絡(luò)日益增長(zhǎng)的帶寬需求。采用ETB(以太網(wǎng)列車(chē)骨干網(wǎng))和ECN(以太網(wǎng)編組網(wǎng))等列車(chē)以太網(wǎng)技術(shù)來(lái)提升列車(chē)通信帶寬是急迫且可行的[1]。

網(wǎng)絡(luò)流量預(yù)測(cè)技術(shù)是網(wǎng)絡(luò)監(jiān)控技術(shù)的重要組成部分之一[2]。高效、高精度的網(wǎng)絡(luò)流量預(yù)測(cè)技術(shù)可協(xié)助監(jiān)控系統(tǒng)進(jìn)行實(shí)時(shí)、高質(zhì)量的網(wǎng)絡(luò)通信流量預(yù)警和控制，并為網(wǎng)絡(luò)安全和異常監(jiān)測(cè)提供技術(shù)支撐。針對(duì)車(chē)輛以太網(wǎng)的網(wǎng)絡(luò)流量預(yù)測(cè)技術(shù)，尚未有一種普適性方法可適用于所有網(wǎng)絡(luò)環(huán)境，需針對(duì)具體應(yīng)用場(chǎng)景和網(wǎng)絡(luò)流量特性進(jìn)行選擇。利用主流的智能預(yù)測(cè)方法進(jìn)行以太網(wǎng)流量預(yù)測(cè)，通常需進(jìn)行3方面的研究和分析：

1)網(wǎng)絡(luò)流量歷史數(shù)據(jù)的特性分析：是否可用確定的統(tǒng)計(jì)學(xué)模型描述，或是否具備智能預(yù)測(cè)方法所需的統(tǒng)計(jì)學(xué)規(guī)律特性，尤其是平穩(wěn)性。

2)模型方法的選擇和訓(xùn)練：根據(jù)流量場(chǎng)景和樣本量選擇適當(dāng)?shù)闹悄茴A(yù)測(cè)模型，劃分訓(xùn)練集和測(cè)試集進(jìn)行訓(xùn)練和測(cè)試。

3)模型方法的分析和評(píng)價(jià)：基于模型訓(xùn)練和測(cè)試結(jié)果，對(duì)預(yù)測(cè)方法進(jìn)行性能分析和評(píng)價(jià)。

網(wǎng)絡(luò)流量預(yù)測(cè)屬于典型的時(shí)間序列預(yù)測(cè)問(wèn)題，諸多模型方法如GARMA(廣義自回歸移動(dòng)平均)、RBF(徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)、小波變換及SVM(支持向量機(jī))等均有相關(guān)研究[3-5]。但大多智能預(yù)測(cè)方法對(duì)數(shù)據(jù)集的敏感性較高，若數(shù)據(jù)量不足或缺乏多樣性甚至存在過(guò)多離群點(diǎn)，則預(yù)測(cè)精度會(huì)明顯受到影響[6]。雖通過(guò)融合或改進(jìn)智能算法能提升網(wǎng)絡(luò)流量預(yù)測(cè)精度，但其算法復(fù)雜度的增加會(huì)影響預(yù)測(cè)的實(shí)時(shí)性[7]。因此，如何權(quán)衡速度與精度，并針對(duì)車(chē)輛以太網(wǎng)應(yīng)用場(chǎng)景進(jìn)行主流方法的仿真對(duì)比試驗(yàn)，具有積極的意義。

本文基于以太網(wǎng)公開(kāi)數(shù)據(jù)集結(jié)合自建的車(chē)輛以太網(wǎng)試驗(yàn)系統(tǒng)，對(duì)典型的3種智能預(yù)測(cè)方法，即RBF神經(jīng)網(wǎng)絡(luò)模型、LSTM(長(zhǎng)短期記憶)神經(jīng)網(wǎng)絡(luò)模型和LS-SVM(最小二乘支持向量機(jī))模型的網(wǎng)絡(luò)流量預(yù)測(cè)性能進(jìn)行研究。首先，對(duì)擬用于試驗(yàn)的數(shù)據(jù)特性進(jìn)行分析，討論其使用智能預(yù)測(cè)方法進(jìn)行訓(xùn)練和回歸的可行性，并描述了網(wǎng)絡(luò)流量預(yù)測(cè)的總體方案框架；進(jìn)而，簡(jiǎn)述了3種典型智能方法的預(yù)測(cè)原理和步驟；最后，對(duì)3種方法的仿真試驗(yàn)結(jié)果進(jìn)行了對(duì)比分析，為車(chē)輛以太網(wǎng)流量預(yù)測(cè)方法的選擇提供一定技術(shù)參考。

1 以太網(wǎng)數(shù)據(jù)特性及其總體預(yù)測(cè)方案

本文的以太網(wǎng)試驗(yàn)數(shù)據(jù)來(lái)源于Bellcore Morristown研究工程中心的高分辨率網(wǎng)絡(luò)流量數(shù)據(jù)采樣[8]。對(duì)預(yù)測(cè)的數(shù)據(jù)，通常要求其是平穩(wěn)時(shí)間序列的[9]。上述公開(kāi)數(shù)據(jù)集經(jīng)多場(chǎng)景分析，表明其具有時(shí)間序列的規(guī)律統(tǒng)計(jì)特性：周期平穩(wěn)性和自相似特性[10-11]，且本文后續(xù)仿真曲線(xiàn)也展現(xiàn)出數(shù)據(jù)的周期平穩(wěn)特性。故基于該數(shù)據(jù)集搭建試驗(yàn)系統(tǒng)如圖1所示，總體網(wǎng)絡(luò)流量預(yù)測(cè)方案如圖2所示。

圖1 基于Duagon板卡的試驗(yàn)系統(tǒng)Fig.1 Experiment system based on Duagon cards

圖2 總體網(wǎng)絡(luò)流量預(yù)測(cè)方案Fig.2 Overall internet flow data prediction scheme

由圖1可見(jiàn)，基于杜根(Duagon)設(shè)備的試驗(yàn)系統(tǒng)由電腦主機(jī)擔(dān)任輸入數(shù)據(jù)包的發(fā)送端和輸出數(shù)據(jù)的接收端；杜根設(shè)備核心板卡型號(hào)為I303，即車(chē)輛以太網(wǎng)通信板卡；交換機(jī)、Wireshark軟件和網(wǎng)絡(luò)調(diào)試軟件協(xié)助進(jìn)行通信監(jiān)控。由圖2可見(jiàn)，將Bellcore數(shù)據(jù)集輸入以太網(wǎng)試驗(yàn)系統(tǒng)，然后輸出以太網(wǎng)數(shù)據(jù)包送往RBF神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)和LS-SVM等3種智能預(yù)測(cè)方法進(jìn)行訓(xùn)練和預(yù)測(cè)，最后進(jìn)行網(wǎng)絡(luò)流量預(yù)測(cè)性能的對(duì)比分析。

2 3種智能預(yù)測(cè)方法及對(duì)比分析

2.1 基于RBF神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)流量預(yù)測(cè)方法

RBF神經(jīng)網(wǎng)絡(luò)對(duì)非線(xiàn)性連續(xù)函數(shù)具有一致逼近性能，常用于不確定因素的建模和估計(jì)[12]。

基于RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行車(chē)輛以太網(wǎng)網(wǎng)絡(luò)流量預(yù)測(cè)，需要在模型訓(xùn)練中解決2個(gè)問(wèn)題：其一，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要包括隱藏層的數(shù)目以及RBF神經(jīng)網(wǎng)絡(luò)的聚類(lèi)中心；其二，校正相應(yīng)的權(quán)值，即將權(quán)值矩陣W從隱層空間映射到輸出空間。其中，輸入層到隱藏層之間為低維空間到高維空間的非線(xiàn)性映射，故隱藏層采用非線(xiàn)性的調(diào)整辦法。隱藏層到輸出層是線(xiàn)性加權(quán)的過(guò)程，故輸出層采用線(xiàn)性調(diào)整辦法。從而整個(gè)網(wǎng)絡(luò)學(xué)習(xí)可分為聚類(lèi)中心的確定以及權(quán)值矩陣的調(diào)整，兩者的同步執(zhí)行程度取決于數(shù)據(jù)復(fù)雜度。

本文采用3 000個(gè)車(chē)輛以太網(wǎng)流量數(shù)據(jù)采樣點(diǎn)進(jìn)行試驗(yàn)，其中前2 500個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后500個(gè)數(shù)據(jù)作為測(cè)試數(shù)據(jù)。建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，取隱藏神經(jīng)元數(shù)20個(gè)，迭代次數(shù)為10次，經(jīng)數(shù)據(jù)預(yù)處理、模型訓(xùn)練和預(yù)測(cè)，得到500個(gè)以太網(wǎng)流量預(yù)測(cè)數(shù)值分布如圖3所示。

圖3 基于RBF的網(wǎng)絡(luò)流量預(yù)測(cè)值與實(shí)際值對(duì)比Fig.3 Comparison between the prediction value and real value of network flow based on RBF

由圖3可見(jiàn)，RBF神經(jīng)網(wǎng)絡(luò)模型總體上實(shí)現(xiàn)了流量的預(yù)測(cè)趨勢(shì)跟蹤，在流量上升和下降的走勢(shì)中基本能保證較準(zhǔn)確預(yù)測(cè)；但在峰谷拐點(diǎn)時(shí)刻出現(xiàn)較明顯的延遲及波動(dòng)，最大誤差點(diǎn)的幅值近30%，這說(shuō)明流量值波動(dòng)較頻繁，難以滿(mǎn)足高精度預(yù)測(cè)的需求。

2.2 基于LSTM神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)流量預(yù)測(cè)方法

LSTM神經(jīng)網(wǎng)絡(luò)源于RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))。LSTM神經(jīng)網(wǎng)絡(luò)模型在RNN的基礎(chǔ)上將記憶單元置于隱藏層中的各神經(jīng)單元內(nèi)。該記憶單元可對(duì)歷史數(shù)據(jù)信息和狀態(tài)值進(jìn)行長(zhǎng)期的存儲(chǔ)，同時(shí)傳輸存儲(chǔ)的歷史信息，加深時(shí)間序列的聯(lián)系性[13]。該特性使其適于進(jìn)行長(zhǎng)時(shí)間序列的預(yù)測(cè)。

本文基于LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)車(chē)輛以太網(wǎng)流量預(yù)測(cè)模型的訓(xùn)練主要采用時(shí)間反向傳播算法，即通過(guò)梯度下降法迭代更新參數(shù)，計(jì)算所有參數(shù)基于損失函數(shù)的偏導(dǎo)數(shù)。模型對(duì)權(quán)值的更新以迭代次數(shù)為一周期，當(dāng)滿(mǎn)足迭代次數(shù)達(dá)到最大值，或模型預(yù)測(cè)的車(chē)輛以太網(wǎng)流量和實(shí)際流量間的誤差達(dá)到預(yù)定最小閾值，則停止對(duì)權(quán)重值的更新。本文LSTM神經(jīng)網(wǎng)絡(luò)選擇Adam函數(shù)作為優(yōu)化函數(shù)以及Sigmoid函數(shù)作為激勵(lì)函數(shù)，網(wǎng)絡(luò)流量預(yù)測(cè)步驟如下：

1)對(duì)車(chē)輛以太網(wǎng)的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行預(yù)處理。

2)設(shè)定LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，包括2個(gè)隱藏層、1個(gè)輸入層和1個(gè)輸出層；設(shè)置隱藏神經(jīng)元數(shù)目為100、迭代次數(shù)為140、初始學(xué)習(xí)率為0.005、梯度閾值為1。

3)將訓(xùn)練數(shù)據(jù)輸入LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)測(cè)試。

4)比較預(yù)測(cè)值與實(shí)際值，計(jì)算預(yù)測(cè)誤差。

5)根據(jù)誤差的大小，進(jìn)行模型的反向傳播運(yùn)算，從而得到反饋的參數(shù)更新權(quán)值，以判斷是否重復(fù)新的循環(huán)；為防止收斂度過(guò)低，在60輪訓(xùn)練之后，通過(guò)乘以因子0.2來(lái)降低學(xué)習(xí)率。

基于LSTM的網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果如圖4所示。總體上，在數(shù)據(jù)的前段部分，模型的預(yù)測(cè)性能較好；在數(shù)據(jù)的中間部分預(yù)測(cè)誤差較大；在數(shù)據(jù)的中后段部分預(yù)測(cè)趨勢(shì)延遲明顯，這也是LSTM神經(jīng)網(wǎng)絡(luò)模型在小樣本時(shí)間序列預(yù)測(cè)中的缺陷。

圖4 基于LSTM的網(wǎng)絡(luò)流量預(yù)測(cè)值與實(shí)際值對(duì)比Fig.4 Comparison between the prediction value and real value of network flow based on LSTM

2.3 基于LS-SVM模型的網(wǎng)絡(luò)流量預(yù)測(cè)方法

LS-SVM模型的主要機(jī)理是尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小，從而提高學(xué)習(xí)機(jī)的泛化能力，同時(shí)實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍最小化。其優(yōu)勢(shì)主要表現(xiàn)在小樣本數(shù)據(jù)條件下，仍然保證較好的回歸預(yù)測(cè)精度[14]，其應(yīng)用于本文網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果如圖5所示。

如圖5可見(jiàn)，基于LS-SVM模型的預(yù)測(cè)在整個(gè)數(shù)據(jù)段均實(shí)現(xiàn)了高精度的預(yù)測(cè)，尤其在峰谷及數(shù)據(jù)趨勢(shì)發(fā)生變化的拐點(diǎn)處，預(yù)測(cè)跟蹤效果突出。

圖5 基于LS-SVM模型的網(wǎng)絡(luò)流量預(yù)測(cè)值與實(shí)際值對(duì)比Fig.5 Comparison between the prediction value and real value of network flow based on LS-SVM

作為示例，本文取1～25個(gè)數(shù)據(jù)點(diǎn)(數(shù)值保留至小數(shù)點(diǎn)后2位，四舍五入)，其實(shí)際流量、預(yù)測(cè)流量及誤差值如表1所示。

表1 LS-SVM模型的車(chē)輛網(wǎng)絡(luò)流量預(yù)測(cè)值與實(shí)際值對(duì)比Tab.1 Comparison between the prediction value and real value of vehicle network flow based on LS-SVM

2.4 3種預(yù)測(cè)方法對(duì)比及分析

上述3種智能預(yù)測(cè)方法的預(yù)測(cè)結(jié)果對(duì)比曲線(xiàn)如圖6所示。

圖6 3種智能網(wǎng)絡(luò)流量預(yù)測(cè)方法對(duì)比Fig.6 Comparison of the three intelligent network flow prediction methods

采用均方根誤差eRMSE和平均絕對(duì)百分比誤差eMAPE對(duì)模型預(yù)測(cè)性能進(jìn)行評(píng)價(jià)，其計(jì)算式如下：

(1)

(2)

式中：

n——時(shí)間序列的元素個(gè)數(shù)；

Yi——各元素實(shí)際值；

i——采樣點(diǎn)序號(hào);

n——采樣總量。

式(1)—(2)中,n=25。

計(jì)算得到3種預(yù)測(cè)模型的指標(biāo)結(jié)果如表2所示。

表2 3種模型預(yù)測(cè)指標(biāo)對(duì)比Tab.2 Prediction index comparison of the three models

由表2可見(jiàn)：LS-SVM模型在車(chē)輛以太網(wǎng)的網(wǎng)絡(luò)流量預(yù)測(cè)中相比RBF神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)模型更有優(yōu)勢(shì)。此外，在MATLAB 2019版本的軟件運(yùn)算上述3個(gè)模型時(shí)，RBF神經(jīng)網(wǎng)絡(luò)模型與LSTM神經(jīng)網(wǎng)絡(luò)運(yùn)算的時(shí)間較長(zhǎng)，而LS-SVM模型訓(xùn)練速度較快，保證了收斂的快速性和準(zhǔn)確性，這反映出LS-SVM在工程應(yīng)用領(lǐng)域的潛在價(jià)值。在本文測(cè)試場(chǎng)景中，具有長(zhǎng)時(shí)記憶、強(qiáng)非線(xiàn)性適應(yīng)性的LSTM神經(jīng)網(wǎng)絡(luò)在本場(chǎng)景預(yù)測(cè)中的性能并不如LS-SVM優(yōu)越，這在一定程度上是由于本次測(cè)試樣本量對(duì)LSTM神經(jīng)網(wǎng)絡(luò)而言不具有優(yōu)勢(shì)，而大幅度增大樣本量和訓(xùn)練場(chǎng)景多樣性將會(huì)有效提升LSTM神經(jīng)網(wǎng)絡(luò)性能。限于實(shí)際硬件平臺(tái)試驗(yàn)資源所限，不再進(jìn)行全面的對(duì)比。

智能算法的訓(xùn)練受到訓(xùn)練數(shù)據(jù)、模型參數(shù)、測(cè)試數(shù)據(jù)、噪聲干擾和場(chǎng)景轉(zhuǎn)換等多個(gè)因素的影響。在不同的測(cè)試場(chǎng)景和測(cè)試數(shù)據(jù)下，智能預(yù)測(cè)模型方法的性能可能會(huì)發(fā)生明顯波動(dòng)。因此，需要針對(duì)具體應(yīng)用需求進(jìn)行選擇和人工調(diào)整參數(shù)。

3 結(jié)語(yǔ)

本文面向城市軌道交通車(chē)輛以太網(wǎng)網(wǎng)絡(luò)流量特性，采用3種智能網(wǎng)絡(luò)方法設(shè)計(jì)網(wǎng)絡(luò)流量預(yù)測(cè)方法，并給出了分析和計(jì)算。結(jié)果表明，對(duì)于模型的選用，樣本量較小時(shí)宜選用LS-SVM，樣本量較大且對(duì)實(shí)時(shí)性要求較高時(shí)宜選用RBF神經(jīng)網(wǎng)絡(luò)，樣本量充足且對(duì)精度要求高時(shí)可選用LSTM神經(jīng)網(wǎng)絡(luò)。本文測(cè)試中，相對(duì)RBF和LSTM神經(jīng)網(wǎng)絡(luò)，LS-SVM在小樣本(3000數(shù)據(jù)量)條件下體現(xiàn)出快速性和準(zhǔn)確性的優(yōu)勢(shì)，具有在未來(lái)軌道車(chē)輛網(wǎng)絡(luò)流量預(yù)測(cè)中的工程應(yīng)用潛力。

綜上，本文研究的算法對(duì)于一定應(yīng)用場(chǎng)景下車(chē)輛以太網(wǎng)的網(wǎng)絡(luò)流量預(yù)測(cè)具有較好的可行性，但對(duì)于實(shí)際多樣化場(chǎng)景應(yīng)用，應(yīng)綜合考慮數(shù)據(jù)樣本量以及時(shí)效性要求，選擇合適的智能算法并進(jìn)行必要的數(shù)據(jù)預(yù)處理和網(wǎng)絡(luò)參數(shù)整定。