任師濤， 史志才， 吳 飛， 鐘亞洲， 陳珊珊， 陳計偉

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院，上海 201620)

0 引 言

路由器節(jié)能的方法有很多種，但一些方法可能會增加額外開銷?，F(xiàn)階段，很多研究都在尋求一種更加有效的流量預(yù)測方案，也提出了一些常用的預(yù)測方法。文獻[1]提出卡爾曼濾波模型是一個可以預(yù)測實時動態(tài)數(shù)據(jù)的模型，但路由器流量具有很大的有隨機性和突發(fā)性，模型量化能力差，并不是有效的網(wǎng)絡(luò)流量預(yù)測方法。文獻[2]提出反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)模型能夠較好克服網(wǎng)絡(luò)流量的非線性和不確定性因素，但傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)并不能解決網(wǎng)絡(luò)流量的多尺度性和突發(fā)性，因此需要對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型進行改進以提高預(yù)測精度[3～5]。

本文提出了一種加入學(xué)習(xí)率自適應(yīng)算法的BP神經(jīng)網(wǎng)絡(luò)流量預(yù)測方法，為一種非常智能且效率很高的路由器節(jié)能方法。該策略通過感知用戶的相關(guān)參數(shù)，通過BP神經(jīng)網(wǎng)絡(luò)模型對參數(shù)進行預(yù)測處理，輸出的結(jié)果為路由器發(fā)射功率的調(diào)節(jié)提供依據(jù)[6～10]。本文進行大量實驗，并與其他方法詳細(xì)對比，結(jié)果表明：在加入學(xué)利率自適應(yīng)算法之后，BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中誤差下降很快，且容易編程實現(xiàn)，提高了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)測精度。

1 網(wǎng)絡(luò)流量預(yù)測原理

網(wǎng)絡(luò)流量預(yù)測就是通過總結(jié)過去時間的流量特征，從而推算出未來時間點的流量特征。對模型的預(yù)測精度要求較高?？梢杂萌缡?1)函數(shù)表示，一般原理如圖1所示。

(1)

圖1 網(wǎng)絡(luò)流量預(yù)測原理

2 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的建立

2.1 BP神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇

1)輸入層節(jié)點數(shù)確定方法。主要根據(jù)數(shù)據(jù)流的維數(shù)決定輸入層的節(jié)點個數(shù)。選擇維數(shù)時，要根據(jù)所要描述的輸入流的特征是否吻合。在BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之前，應(yīng)該輸入數(shù)據(jù)進行全面采集，并對比分析總結(jié)出代表性的特征。

2)隱含層節(jié)點數(shù)確定方法。需要通過大量的實驗，以估算出最佳的節(jié)點數(shù)目。

2.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計

將采集的流量數(shù)據(jù)設(shè)為X(t),t=0,1,…N-1，N=24。將一維的流量數(shù)據(jù)重構(gòu)為多維的流量數(shù)據(jù)，文中將采集到流量數(shù)據(jù)每24 h作為網(wǎng)絡(luò)的自變量，即輸入節(jié)點設(shè)定為24，當(dāng)前時段的流量數(shù)據(jù)作為唯一輸出。通過前24 h的流量數(shù)據(jù)，來預(yù)測下一時刻的流量數(shù)據(jù)，可獲得網(wǎng)絡(luò)的輸出詳情。BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型為式(2),基本結(jié)構(gòu)如圖2所示

(2)

式中xj(j=1,2,3，…,N)為神經(jīng)元的輸入信號；wij為連接權(quán)重；ui為輸入信號混合的輸出，也是神經(jīng)元i的純輸入；θi為神經(jīng)元的閾值；vi為經(jīng)閾值調(diào)整后的值，f(·)為神經(jīng)元的激活函數(shù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元結(jié)構(gòu)

擁有一個隱含層的前饋網(wǎng)絡(luò)，可以實現(xiàn) BP 神經(jīng)網(wǎng)絡(luò)的基本功能。但過多隱含層個數(shù)會提高網(wǎng)絡(luò)的復(fù)雜度，使訓(xùn)練時間變長，效率變低。為提高誤差精度，可以通過增加隱含層的節(jié)點數(shù)目實現(xiàn)。

3 改進學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型

3.1 改進學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)

S型函數(shù)為包括域值在(0,1)區(qū)間的S函數(shù)和域值在(-1，1)的正切函數(shù)。函數(shù)表達式

f(x)=(1+e-αx)-1

(3)

3.2 改進學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)權(quán)值

假定初始權(quán)值在 [-0.5，0.5]和[-1，1]的區(qū)間內(nèi)取隨機數(shù)值，實驗發(fā)現(xiàn)：如果初始權(quán)值選取過大，即各初始權(quán)值間的差別很大，在訓(xùn)練中權(quán)值的修正過程中容易產(chǎn)生突變現(xiàn)象。并且亦導(dǎo)致神經(jīng)元趨于飽和。所以最終訓(xùn)練權(quán)值在[-5,5]的范圍最佳。在網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)率等因素一定的條件下，普遍認(rèn)為權(quán)值初始值的范圍應(yīng)該在 ±0.8左右。

3.3 改進BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率自適應(yīng)算法

學(xué)習(xí)率ε是決定權(quán)重調(diào)整量Δwij(n)大小的關(guān)鍵因素[11～13]。在學(xué)習(xí)過程中利用梯度下降法使權(quán)重沿誤差曲面的負(fù)梯度方向調(diào)整

(4)

為了探究學(xué)習(xí)率與網(wǎng)絡(luò)的收斂能力及訓(xùn)練速度之間的關(guān)系，取不同的學(xué)習(xí)率值，計算出相應(yīng)的學(xué)習(xí)時間,如圖3。

圖3 不同學(xué)習(xí)率對比

從圖中看出，如果學(xué)習(xí)率選取過小則網(wǎng)絡(luò)的收斂速度較差；學(xué)習(xí)率選取過大則會導(dǎo)致網(wǎng)絡(luò)不能收斂，發(fā)生振蕩的現(xiàn)象。因此，學(xué)習(xí)率取值范圍為[0.25，0.45]。

4 實驗與結(jié)果分析

4.1 數(shù)據(jù)獲取與處理

編寫相關(guān)程序定時獲取路由器的流量數(shù)據(jù)，每隔1 h獲得一次流量，連續(xù)獲取30天，本文以收集到120個流量時間序列數(shù)據(jù)為例進行實驗處理。

在訓(xùn)練之前對流量數(shù)據(jù)進行歸一化處理，去除由數(shù)據(jù)差異引起的干擾。將所有的數(shù)據(jù)歸一到[0.1，0.9]，即

(5)

將獲取數(shù)據(jù)分成兩部分，前100 h作為網(wǎng)絡(luò)訓(xùn)練樣本，后20 h作為網(wǎng)絡(luò)測試樣本，采用BP神經(jīng)網(wǎng)絡(luò)和改進的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本進行學(xué)習(xí)，并對測試樣本進行預(yù)測。

4.2 結(jié)果分析

圖4所示為通過采用改進BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)流量預(yù)測的對比。從圖中可以看出：改進的BP神經(jīng)網(wǎng)絡(luò)模的預(yù)測結(jié)果較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果精確度更高。改進BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值和實際值的曲線比較吻合，雖然與實際值相比還是有略微的偏差，但與傳統(tǒng)的方法相比，訓(xùn)練速度更快，預(yù)測精度亦明顯提高，是一種很好的網(wǎng)絡(luò)流量預(yù)測模型。

圖4 實驗結(jié)果對比

5 結(jié) 論

本文提出改進的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過加入學(xué)利率自適應(yīng)算法使得模型對網(wǎng)絡(luò)流量預(yù)測的精度和速度都明顯提高，是一種值得深入研究的網(wǎng)絡(luò)流量預(yù)測方法。