李 兵
(中海油信息科技有限公司湛江分公司,广东 湛江 524000)
网络通信技术已发展到第5 代,简称5G[1]。在高度信息化的现代社会,人们的生产和生活均离不开5G 网络。5G 网络流量的精准预测不仅是社会发展的重要保障,而且是提升网络资源利用率的重要途径[2-3]。因此,研究5G 网络流量预测方法,提高5G 网络流量预测精度具有重要意义。
改进反向传播神经网络(Back Propagation Neural Network,BPNN)是一种反向传播学习算法,由输入层、输出层和隐含层组成。每层分布有一定数量的神经元,神经元之间相互连接。BPNN 非线性拟合能力较好,因此通常采用BPNN 预测5G 通信网络流量[4]。
BPNN 的学习过程分为2 个阶段,一是信号的正向传播过程;二是误差的反向传播过程。学习过程中不断调整BPNN 权系数和阈值,使输出结果逼近实际值。BPNN 原理简单,容易实现,目前广泛应用于非线性回归领域,但回归效果受权系数和阈值的影响较大。为提高5G 通信网络流量的预测精度,需要采用优化算法对其进行寻优[5]。
2020年,阿基米德 优化算法(Archimedes Optimize A lgorithm,AOA)被首次提出,是根据阿基米德原理提出的一种新型优化算法[6]。
AOA 的个体初始位置为
式中:N为种群容量;x(i)为第i个个体所在位置;xu(i)为搜索空间上限值;x1(i)为搜索空间下限值;rand为取值在[0,1]的随机数。
初始化个体体积、密度和加速度,分别为
式中:V(i)为第i个个体体积;D(i)为第i个个体密度;A(i)为第i个个体加速度;rand1和rand2也均为取值在[0,1]的随机数。
对个体的密度和体积进行更新,即
式中:k为迭代次数;Vbest为个体最优体积;Dbest为个体最优密度。
个体之间如果发生碰撞,则利用转移因子(Transfer Factor,TF)转移操作符进行操作,使系统重新达到平衡。转移因子TF转移操作符的计算公式为
式中:k为迭代次数;kmax为最大迭代次数。
为增强算法的全局搜索性能,设置密度因子,利用式(8)对密度因子进行线性递减,即
当TF≤0.5 时,个体运动过程中发生碰撞,加速度计算公式为
式中:Vmr为随机个体体积;Dmr为随机个体密度;Amr为随机个体加速度。
当TF>0.5 时,个体不会发生碰撞,加速度计算公式为
式中:Abest为个体最优加速度。
对式(10)进行标准化处理,即
式中:l和u为常数,取值分别为0.1 和0.9。
当TF≤0.5 时,个体位置更新公式为
式中:C1为常数,取值为2。
当TF>0.5 时,个体位置更新公式为
式中:C2和η为常数,C2=0.6,η∈[0.3C2,1];F为方向系数。
F的定义为
式中:p为选择概率。
根据步骤反复迭代找到最优解,相比传统优化算法,AOA 的健壮性更好,且不易陷入局部最优,目前广泛应用于参数寻优领域。
采用AOA 优化BPNN 的权系数和阈值,建立基于AOA-BPNN 的5G 通信网络流量预测模型。
第一,输入网络流量检测数据,将其划分为训练集和测试集,并进行归一化处理,即
式中:xi为原始数据;xmax为原始数据中的最大值;xmin为原始数据中的最小值。
第二,设置BPNN 相关参数,包括权系数和阈值的初始值。
第三,初始化AOA 相关参数。
第四,设置适应度函数,将BPNN 输出结果的均方根误差作为适应度函数,计算公式为
式中:N为训练集样本容量;yi为实际网络流量;yi*为预测网络流量。
第五,更新个体的体积和密度,并计算转移因子和密度因子。
第六,根据转移因子选择当前最优个体更新加速度和位置,或利用随机个体更新加速度。
第七,标准化处理个体加速度。
第八,判断迭代是否终止,若终止,则把最优权系数和阈值赋给BPNN,否则继续迭代。
第九,利用优化后的BPNN 预测测试集。
仿真分析某5G 基站10 d 的网络通信流量监测数据,数据采样时间间隔为1 h,获得240 组样本数据,如图1 所示。将240 组样本数据按照5 ∶1 的比例划分为训练集和测试集,训练集和测试集的样本容量分别为200 和40。阿基米德算法的参数设置为:种群规模N=20,最大迭代次数kmax=300,系数C1=2、C2=0.6。
图1 样本数据
在MATLAB 软件中建立基于AOA-BPNN 的5G通信网络流量预测模型,采用训练集数据进行训练,结果如图2 所示。模型的训练误差控制在[-0.050,0.050],可见AOA-BPNN 模型在训练过程中的误差波动较小,模型得到了较好的训练。
图2 AOA-BPNN 模型训练结果
利用完成训练的AOA-BPNN 模型预测测试集中的40 组样本数据,预测结果如图3 所示。可见,AOA-BPNN 模型的预测结果接近实际值。
图3 AOA-BPNN 模型预测结果
为正确评价AOA-BPNN 模型的5G 网络流量预测结果,采用平均相对误差和均方根误差进行评价。均方根误差的计算公式为式(16),平均相对误差计算公式为
为对比分析AOA-BPNN 模型在5G 网络流量预测方面的实用性和优越性,采用遗传算法优化反向传播神经网络(Genetic Algorithm-Back Propagation Neural Network,GA-BPNN)、粒子群算法优化支持向量机(Particle Swarm Optimization-Support Vector Machine,PSO-SVM)和长短期记忆(Long Short-Term Memory,LSTM)模型仿真分析文章算例数据。利用式(16)和式(17)计算AOA-BPNN 模型的5G网络流量预测结果的均方根误差和平均相对误差,计算结果如表1 所示。
表1 4 种模型网络流量预测效果对比
对比表1 数据可以看出,AOA-BPNN 模型预测结果的平均相对误差为4.25%,均方根误差为0.522 GB,均优于其他3 种模型。可见,AOA-BPNN 模型的5G 通信网络流量预测效果更好,验证了基于改进BPNN 的5G 通信网络流量预测方法的实用性和优越性。
文章采用AOA 优化BPNN 参数,建立基于AOA-BPNN 的5G 通信网络流量预测模型。采用某5G 基站的网络通信流量监测数据进行仿真分析,并与其他方法的预测效果进行对比,结果表明,AOABPNN 模型预测结果的平均相对误差和均方根误差均优于其他模型,验证了基于改进BPNN 的5G 通信网络流量预测方法的实用性和优越性。