李 剛

（北京工業(yè)大學(xué) 軟件工程學(xué)院，北京 100022）

0 引 言

隨著移動(dòng)技術(shù)、傳感器技術(shù)、無線通信技術(shù)、微電子技術(shù)等不斷發(fā)展和融合，出現(xiàn)了許多類型的無線通信網(wǎng)絡(luò)系統(tǒng)，給人們的工作和生活帶來便利[1-3]。隨著無線網(wǎng)絡(luò)用戶不斷增多，每天無線網(wǎng)絡(luò)的數(shù)據(jù)量不斷增加，尤其到了節(jié)假日、周末以及晚上等上網(wǎng)高峰期，無線網(wǎng)絡(luò)擁塞的概率相當(dāng)高，嚴(yán)重影響人們正常上網(wǎng)[4-6]。無線網(wǎng)絡(luò)流量預(yù)測可以幫助管理人員和網(wǎng)絡(luò)公司預(yù)測無線網(wǎng)絡(luò)流量的變化特點(diǎn)，同時(shí)跟蹤網(wǎng)民上網(wǎng)的行為特性，這樣可以提前制定相應(yīng)的無線網(wǎng)絡(luò)管制方案，以防止出現(xiàn)無線網(wǎng)絡(luò)擁塞現(xiàn)象。因此無線網(wǎng)絡(luò)流量預(yù)測成為無線網(wǎng)絡(luò)管理研究中的一個(gè)重要方向，對(duì)其進(jìn)行研究具有重要的理論和實(shí)際應(yīng)用價(jià)值[7]。

由于無線網(wǎng)絡(luò)是一個(gè)新事物，其網(wǎng)絡(luò)流量的預(yù)測基本沿用有線網(wǎng)絡(luò)的流量建模方法，傳統(tǒng)無線網(wǎng)絡(luò)流量預(yù)測模型主要為時(shí)間序列分析法，首先將無線網(wǎng)絡(luò)流量歷史樣本按時(shí)間先后順序進(jìn)行排列，選擇一部分無線網(wǎng)絡(luò)流量歷史樣本作為訓(xùn)練樣本，對(duì)無線網(wǎng)絡(luò)流量預(yù)測模型的參數(shù)進(jìn)行估計(jì)，并且對(duì)另一部分無線網(wǎng)絡(luò)流量歷史樣本進(jìn)行預(yù)測，對(duì)預(yù)測效果進(jìn)行統(tǒng)計(jì)和分析。傳統(tǒng)模型主要針對(duì)小規(guī)模的無線網(wǎng)絡(luò)，不能滿足現(xiàn)代無線網(wǎng)絡(luò)向大規(guī)模方向發(fā)展的要求[8-10]?，F(xiàn)代無線網(wǎng)絡(luò)流量預(yù)測模型主要為非線性建模技術(shù)，如：灰色理論的無線網(wǎng)絡(luò)流量預(yù)測模型、RBF 神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測模型等，它們通常有較強(qiáng)的自適應(yīng)學(xué)習(xí)能力，可以對(duì)無線網(wǎng)絡(luò)流量變化特點(diǎn)進(jìn)行擬合，無線網(wǎng)絡(luò)流量預(yù)測效果要優(yōu)于傳統(tǒng)無線網(wǎng)絡(luò)流量預(yù)測模型[10-12]。訓(xùn)練樣本集合的構(gòu)建對(duì)無線網(wǎng)絡(luò)流量預(yù)測結(jié)果具有決定性的影響，目前主要根據(jù)時(shí)間的前后進(jìn)行訓(xùn)練樣本集合選擇，或者采用隨機(jī)方式選擇訓(xùn)練樣本集合，這樣無法建立性能最優(yōu)的無線網(wǎng)絡(luò)流量預(yù)測模型，無法獲得高精度的無線網(wǎng)絡(luò)流量預(yù)測結(jié)果，同時(shí)使得無線網(wǎng)絡(luò)流量預(yù)測建模時(shí)間長，影響無線網(wǎng)絡(luò)流量預(yù)測建模效率[13-14]。

針對(duì)當(dāng)前無線網(wǎng)絡(luò)流量預(yù)測精度低、預(yù)測結(jié)果可信度低等問題，為了獲得理想的無線網(wǎng)絡(luò)流量預(yù)測結(jié)果，設(shè)計(jì)了聚類分析和神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測模型，采用聚類分析算法構(gòu)建最優(yōu)的訓(xùn)練樣本，然后引入神經(jīng)網(wǎng)絡(luò)建立無線網(wǎng)絡(luò)流量預(yù)測模型，與其他無線網(wǎng)絡(luò)流量預(yù)測模型方法進(jìn)行了對(duì)比測試，驗(yàn)證了本文無線網(wǎng)絡(luò)流量預(yù)測建模方法的可行性，并且預(yù)測結(jié)果要明顯優(yōu)于其他模型，是一種精度高、效率高的無線網(wǎng)絡(luò)流量預(yù)測建模方法。

1 聚類分析和神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測模型

1.1 聚類分析算法

當(dāng)前聚類分析算法很多，如k-均值聚類分析算法、模糊均值聚類算法，其中模糊均值聚類算法的通用性強(qiáng)、性能較優(yōu)，因此本文選擇模糊均值聚類算法對(duì)無線網(wǎng)絡(luò)流量預(yù)測過程中的樣本進(jìn)行預(yù)處理，選擇最優(yōu)的訓(xùn)練樣本集合。設(shè)無線網(wǎng)絡(luò)流量的數(shù)據(jù)集為X={x1,x2,…,xn}，n表示樣本的數(shù)量，那么該無線網(wǎng)絡(luò)流量的數(shù)據(jù)集可以劃分為c類，它們的聚類中心集合為V={v1,v2,…,vc}，每一個(gè)無線網(wǎng)絡(luò)流量均可以劃分到相應(yīng)的類別中，每一類有一個(gè)隸屬度值uij，它們構(gòu)成一個(gè)隸屬度矩陣U= (uij)c×n，模糊均值聚類算法的一般優(yōu)化目標(biāo)函數(shù)為：

式中：m表示模糊系數(shù)；dij表示樣本xj與聚類中心vi之間的距離。

1.2 神經(jīng)網(wǎng)絡(luò)

極限學(xué)習(xí)機(jī)是一種基于深度學(xué)習(xí)理論的神經(jīng)網(wǎng)絡(luò)算法，與其他神經(jīng)網(wǎng)絡(luò)一樣，由大量的神經(jīng)元構(gòu)成。相對(duì)于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)或者RBF 神經(jīng)網(wǎng)絡(luò)，極限學(xué)習(xí)機(jī)不需要計(jì)算輸入權(quán)值和隱含層閾值，因此學(xué)習(xí)速度加快，基本結(jié)構(gòu)如圖1 所示。

圖1 極限學(xué)習(xí)機(jī)結(jié)構(gòu)

設(shè)極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層閾值分別為a和b，極限學(xué)習(xí)機(jī)模型可以表示為：

在極限學(xué)習(xí)機(jī)的學(xué)習(xí)過程中，誤差O逐漸減小，輸出層的權(quán)重值可以通過下式得到：

式中H+表示H的逆矩陣。

1.3 聚類分析和神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測模型工作步驟

1）對(duì)某一個(gè)無線網(wǎng)絡(luò)通信系統(tǒng)一段時(shí)間的流量數(shù)據(jù)進(jìn)行采集，并做如下歸一化操作：

式中xmax表示無線網(wǎng)絡(luò)流量的最大值。

2）采用模糊聚類分析算法對(duì)無線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行聚類操作，選擇與每一個(gè)無線網(wǎng)絡(luò)預(yù)測樣本點(diǎn)相關(guān)的訓(xùn)練樣本集合。

3）設(shè)置極限學(xué)習(xí)機(jī)隱含層神經(jīng)元數(shù)，同時(shí)初始化輸入權(quán)值和隱含層閾值。

4）采用極限學(xué)習(xí)機(jī)對(duì)無線網(wǎng)絡(luò)流量訓(xùn)練樣本進(jìn)行學(xué)習(xí)。

5）構(gòu)建隱含層的輸出矩陣，計(jì)算輸出層的權(quán)重值。

6）統(tǒng)計(jì)無線網(wǎng)絡(luò)流量訓(xùn)練誤差，如果誤差超過了無線網(wǎng)絡(luò)管理的實(shí)際要求范圍，返回到步驟4）繼續(xù)進(jìn)行學(xué)習(xí)。

7）極限學(xué)習(xí)機(jī)訓(xùn)練終止，建立無線網(wǎng)絡(luò)流量的預(yù)測模型。

基于聚類分析和神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測流程如圖2 所示。

圖2 聚類分析和神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測流程

2 無線網(wǎng)絡(luò)流量預(yù)測的實(shí)例分析

2.1 無線網(wǎng)絡(luò)流量數(shù)據(jù)

為了對(duì)聚類分析和神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測效果進(jìn)行評(píng)價(jià)，收集了200 個(gè)無線網(wǎng)絡(luò)流量數(shù)據(jù)作為研究對(duì)象，變化曲線如圖3 所示。

圖3 200 個(gè)無線網(wǎng)絡(luò)流量數(shù)據(jù)

選擇ARMA 的無線網(wǎng)絡(luò)流量預(yù)測模型、BP 神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測模型進(jìn)行對(duì)比測試。為了體現(xiàn)無線網(wǎng)絡(luò)流量預(yù)測結(jié)果的可靠性，進(jìn)行5 次仿真對(duì)比實(shí)驗(yàn)，每一次實(shí)驗(yàn)的訓(xùn)練樣本和測試樣本數(shù)量如表1所示。

表1 無線網(wǎng)絡(luò)流量的訓(xùn)練樣本和測試樣本數(shù)量 個(gè)

2.2 無線網(wǎng)絡(luò)流量預(yù)測精度對(duì)比

統(tǒng)計(jì)3 種模型的無線網(wǎng)絡(luò)流量預(yù)測精度，如圖4 所示。從圖4 可以發(fā)現(xiàn)，隨著無線網(wǎng)絡(luò)流量訓(xùn)練樣本數(shù)量的不斷增加，無線網(wǎng)絡(luò)流量預(yù)測精度不斷上升，這是因?yàn)橛?xùn)練樣本越多，那么無線網(wǎng)絡(luò)流量訓(xùn)練效果就更優(yōu)，建立的無線網(wǎng)絡(luò)流量預(yù)測模型更好。在相同數(shù)量訓(xùn)練樣本情況下，ARMA 的無線網(wǎng)絡(luò)流量預(yù)測精度最低，因?yàn)樗且环N線性建模技術(shù)，與無線網(wǎng)絡(luò)流量變化特點(diǎn)不相適應(yīng)；BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測精度要高于ARAM，因?yàn)槠涫且环N非線性建模技術(shù)，可以更好地跟蹤無線網(wǎng)絡(luò)流量變化趨勢；而本文模型的無線網(wǎng)絡(luò)流量預(yù)測精度最高，這是因?yàn)橥ㄟ^模糊聚類分析算法可以構(gòu)建更優(yōu)的訓(xùn)練樣本集合，同時(shí)引入極限學(xué)習(xí)機(jī)進(jìn)行學(xué)習(xí)，學(xué)習(xí)性能更優(yōu)，減少了無線網(wǎng)絡(luò)流量預(yù)測誤差，預(yù)測結(jié)果更加可靠。

圖4 無線網(wǎng)絡(luò)流量預(yù)測精度比較

2.3 無線網(wǎng)絡(luò)流量的建模時(shí)間比較

統(tǒng)計(jì)3 種模型的無線網(wǎng)絡(luò)流量訓(xùn)練時(shí)間和預(yù)測時(shí)間，結(jié)果如表2 所示。從表2 可以看出，無線網(wǎng)絡(luò)流量的測試時(shí)間相差不大，但是訓(xùn)練時(shí)間差異很大，其中BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間最長，因?yàn)槠涫諗克俣缺容^慢，而本文方法的訓(xùn)練時(shí)間最短，因?yàn)槠溥x擇了最優(yōu)的訓(xùn)練樣本數(shù)據(jù)，減少了訓(xùn)練時(shí)間的復(fù)雜度，提升了無線網(wǎng)絡(luò)流量預(yù)測的建模速度。

表2 無線網(wǎng)絡(luò)流量預(yù)測的建模時(shí)間對(duì)比 s

3 結(jié) 語

為了解決當(dāng)前無線網(wǎng)絡(luò)流量預(yù)測過程中存在的一些難題，本文采用聚類分析算法構(gòu)建最優(yōu)的訓(xùn)練樣本，采用神經(jīng)網(wǎng)絡(luò)中的極限學(xué)習(xí)機(jī)對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，與其他無線網(wǎng)絡(luò)流量預(yù)測模型進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，本文模型是一種速度快、誤差小的無線網(wǎng)絡(luò)流量建模工具。