大数据驱动的无线网络非线性流程建模与预测研究*

陈 晶

(江苏城乡建设职业学院 江苏常州 213147)

随着无线通技术的不断发展和成熟，无线网络得到了长足发展，并在许多领域得到了成功的应用。相对于有线网络，无线网络具有一定的优点，如可以随时随地进行上网，但是无线网络由于在一个开放的环境中工作，受多种因素的影响，导致无线网络流量具有比较强的复杂时变、非线性、强耦合等属性，为提升无线网络流量预测精度，需设计合理的无线网络流量计算方法，因此无线网络流量预测与建模成为当前一个研究热点[1-3]。

针对无线网络流量预测与建模问题，许多学者进行了深入的研究，当前存在许多无线网络流量预测与建模方法[4-5]，最常见的为线性无线网络流量预测与建模方法，该方法缺陷比较明显，无线网络流量预测误差比较大；而基于神经网络的无线网络流量预测与建模方法，无线网络流量预测与建模效果要优于线性方法，但是同样存在一定的缺陷，如对噪声敏感等[6]；极限学习算法属于一种前馈神经网络，可解决经典神经网络存在的效率低问题，具备较快的训练速度以及较优的泛化性能，且该方法的预测精度较高。

为了精准预测无线网络流量，文章设计了基于大数据驱动的无线网络流量预测方法。采集无线网络流量，基于混沌理论重构无线网络流量数据，利用粒子群算法对ELM内的权值与阈值进行优化，建立无线网络流量预测模型，提升极限学习算法的无线网络流量预测精度。经试验验证可知，文章方法预测无线网络流量时的AIC值呈上升趋势，MCC值呈下降趋势，但最高AIC值并未超过设定的阈值，表明无线网络流量预测精度较高。

1 基于混沌理论的无线网络流量数据重构

采集无线网络流量数据时，因为原始无线网络流量数据受到多种因素影响，具有一定的非线性，直接进行建模与预测，无法获得高精度无线网络流量预测结果，所以利用混沌理论对无线网络流量数据进行重构，滤除无线网络流量数据的无线性变化因素，为后续无线网络流量预测提供更为精准的学习样本。设采集无线网络流量数据是x，x的第i个混沌时间序列是{x(i)，i=1，2，…，N}，其中，x的混沌时间序列数量是N。根据Takens定理获取无线网络流量数据的重构公式，即：

[x(t)，x(t+θ)，…x(t+(m-1)θ)]

(1)

(2)

式(2)中，在I(θ)达到首个极小值点情况下，对应θ的便是最佳延迟时间。

若m过小，则混沌吸引子仅会形成部分投影，不能全面展开，此时无线网络流量数据样本点x和x的投影点间产生的点，叫作伪最邻近点。通过伪最邻近点比例，确定无线网络流量数据重构时的嵌入维数m。具体步骤如下：

(3)

(2)伪最邻近点的确定规则，公式如下：

(4)

式(4)中，嵌入维数是m与m+1时，无线网络流量数据样本点的伪最邻近点比例是Hm(i，j)、Hm+1(i，j)；门限值是H′。

(3)不断提升m，即令m=m+1，当伪最邻近点比例降至最低情况下，对应m的便是最佳嵌入维数。

2 基于大数据驱动的无线网络非线性流量预测方法

2.1 基于极限学习算法的无线网络流量预测方法

图1 ELM的结构拓扑图

(5)

式(5)中，O2内第j′个神经元阈值是bj′；激活函数是φ(·)。

(6)

(7)

(8)

其中，R的Moore-Penrose广义逆矩阵是R+。

2.2 无线网络流量预测模型总体结构

为提升极限学习算法的无线网络流量预测精度，利用粒子群算法对ELM内的w权值与阈值b进行改进及优化。大数据驱动无线网络流量预测模型总体结构如图3所示。

图2 大数据驱动无线网络流量预测模型总体结构

2.3 粒子群算法优化极限学习参数

粒子群算法内的每个粒子均代表一组极限学习算法的w与b，第a个粒子的初始速度与位置是va、za。va与za的更新公式如下：

(9)

za(s+1)=za(s)+va(s+1)

(10)

(11)

利用粒子群算法优化ELM内的w权值与阈值b的具体步骤如下：

(2)依据训练样本确定ELM网络拓扑结构。

(3)初始化粒子群算法的参数，种群内各粒子均代表一组w与b，以ELM训练的均方根误差为适应度值F，公式如下：

(12)

(4)在ELM内输入无线网络流量数据训练样本，按照ELM输出的无线网络流量预测结果，计算各粒子的F值。

(6)利用式(11)修正粒子权重。

(9)判断是否达到smax，若达到smax，则继续步骤(10)，反之，返回步骤(7)。

(10)输出最佳的w与b，代入式(5)，获取最佳无线网络流量预测结果。

2.4 无线网络非线性流量建模与预测步骤

(1)对无线网络流量数据进行采集。

(2)采用如下形式对无线网络流量数据进行处理

(13)

式中，x表示原始无线网络流量数据，xmin和xmax分别为无线网络流量数据的最小和最大值。

(3)采用混沌理论对无线网络流量数据进行重构，得到无线网络流量预测的训练和测试样本集合。

(4)根据无线网络流量数据设计极限学习机的结构，并确定相关参数初始值。

(4)根据无线网络流量定训练样本，极限学习进行自适应学习，并通过粒子算法搜索最优阈值和权值。

(5)根据最优阈值和权值构建无线网络流量预测模型。

(6)通过测试样本集合验证构建的无线网络流量预测模型性能。

由以上可知，大数据驱动的无线网络非线性流量预测流程如图3所示。

图3 大数据驱动的无线网络流量预测流程

3 仿真实验

3.1 实验数据

为了测试大数据驱动的无线网络流量预测模型有性能，从一个无线网络网络系统的服务器中采用每小时的无线网络流量数据，其采集到5000个无线网络流量数据，具体如图4所示。

图4 采集的无线网络流量数据

从图4可知，无线网络流量数据存在较为严重的随机性变化情况，为此需要对其进行相应的预处理操作。

3.2 无线网络流量数据的预处理

利用文章方法对采集的无线网络流量数据进行重构，无线网络流量数据重构前，需先确定延迟时间与嵌入维数，提升无线网络流量数据重构精度，延迟时间与嵌入维数确定结果如图5所示。

(a)延迟时间确定结果

分析图5(a)可知，当延迟时间为3时，互信息值首次出现最小值，即将3作为最佳的延迟时间；分析图5(b)可知，随着嵌入维数的提升，伪最邻近点比例随之下降，当嵌入维数为6维时，伪最邻近点比例不再发生改变，说明6维是最佳的嵌入维数。延迟时间与嵌入维数分别选择3与6维。

3.3 无线网络流量预测结果与分析

采用传统极限学习的无线网络流量预测方法，没有重构数据的粒子群优化极限学习机的无线网络流量预测方法进行对比实验，进行5次实验，每一次实验随机选择50%作为训练样本，其它作为测试样本，无线网络流量平均预测精度如图6所示。

图6 三种方法的无线网络流量预测结果

分析图6可知，三种方法均可有效预测无线网络流量值，其中文章方法的无线网络流量预测结果与实际值非常接近，且变化趋势基本相同；其余两种方法的无线网络流量预测结果与实际值存在较大差距，且变化趋势也不相同。实验证明：文章方法可精准预测无线网络流量，更好地描述无线网络流量变化情况。

3.4 文章模型的抗干扰能力

利用赤池信息准则(akashi information criterion，AIC)与马修斯系数(matthews correlation coefficient，MCC)，衡量文章方法无线网络流量预测的抗干扰效果，AIC代表无线网络流量预测结果与实际无线网络流量间的差距，其值越小，无线网络流量预测误差越低，AIC的阈值是65，AIC的取值区间是[50，100]；MCC代表无线网络流量预测结果与实际无线网络流量间的相关系数，其值越接近1，说明无线网络流量预测精度越高，MCC的取值区间是[-1，1]。在不同噪声比例时，分析文章方法无线网络流量预测结果的AIC与MCC值，分析结果如表1所示。分析表1可知，随着噪声比例提升，文章方法预测无线网络流量时的AIC值呈上升趋势，MCC值呈下降趋势，但最高AIC值并未超过设定的阈值，说明文章方法预测无线网络流量时的AIC值较低，即无线网络流量预测误差较小；在不同噪声比例时，文章方法预测无线网络流量时的MCC值均与1较为接近，最低MCC值为0.96，说明文章方法预测无线网络流量时的MCC值较高，即无线网络流量预测精度较高，表明文章方法的抗干扰能力强。

表1 文章方法的AIC与MCC值分析结果

4 结语

无线网络系统在工作过程，受到许多因素的干扰和影响，无线网络流量具有一定的混沌性和随机性，影响无线网络流量预测精度。为此，设计基于大数据驱动无线网络流量预测方法，通过改进极限学习算法，建立无线网络流量预测模型，引入粒子群算法优化极限学习算法的连接权值和阈值，解决极限学习算法参数优化问题，在该模型内输入无线网络流量数据，输出无线网络流量预测结果。实验结果表明：文章方法可精准预测无线网络流量。经实验验证，文章方法对无线网络流量数据进行重构后，可有效去除外界因素对无线网络流量建模影响，无线网络流量预测结果与实际无线网络流量非常接近，且变化趋势基本相同，而且在噪声干扰环境下，文章方法仍然可以获得较高精度的无线网络流量预测结果。