[发明专利]一种基于PSO-DELM算法的比赛场馆内手机上网流量预测方法

权利要求书

1.一种基于粒子群算法优化深度极限学习机对比赛场馆的手机上网流量预测方法，其特征在于：

S1：针对网络流量数据，进行分析和预处理。

S2：确定模型的拓扑结构，包括输入层节点数、输出层节点数、隐含层层数、激活函数。

S3：确定粒子群优化算法的参数数值。

S4：输入训练样本。

S5：输出预测结果，并与实际值进行比较。

2.根据权利要求1所述的种基于粒子群算法优化深度极限学习机对比赛场馆的手机上网流量预测方法，其特征在于：具体步骤为：

步骤1：先对数据中的影响流量的因素进行分析，得出流量自身的特征性。

步骤2：针对流量数据的特殊性质做出预处理并找到最合适的时序序列，经过误差测试发现输入与输出维度为5和1，并且隐含层的层数为3时的优化效果最好。选取这五个场所的手机上网流量数据进行训练模型，预测样本中部分的上网流量使用情况，共11712组数据。原始数据经过数据预处理，新的样本如下所示：

X₂＝[n₆ n₇ n₈ ... n₁₁₇₀₇]

步骤3：把经过预处理好的新的样本数据进行归一化。

归一化的公式是：i＝1,2,…11707。

式中：L_max、L_min分别为样本中的最大值和最小值；L为样本的归一化的值；i为时间点的值，其范围为[1,11697]。

步骤4：首先，确定极限学习机的网络结构。

步骤4.1假设输入数据样本集合X＝{x_i/1≤i≤N}和输出样本T＝{t_i/1≤i≤N}。假设H＝{h_i/1≤i≤N}为隐含层特征向量集合，h_i为第i个样本对应的特殊向量。将输入数据从输入空间映射到隐含层特征空间，则X与H的关系为：

H＝s_f(WX+B)

式中：W为输入层节点到隐含层神经元的权重矩阵，B为隐含层神经元的阈值矩阵，其中权重和阈值可随机生成，且对结果不会产生恶化影响。s_f为激活函数，经过模型的仿真测试和以往的经验可知，一般激活函数选择sigmoid函数，其具有良好的特征辨识度。

隐含层的输出为：

Y＝Hβ

式中β为隐含层节点到输出层节点的权重矩阵。

ELM算法的核心是求解输出权重矩阵使得误差函数最小：

min‖Hβ-T‖

权重矩阵β可由下式近似求得：

β＝H⁺T

式中：H⁺为矩阵H的Moore-Penrose广义逆矩阵。

步骤4.2接下来确定深度极限学习机的网络结构。在深度极限学习机中引入了ELM自动编码器(ELM-AE)算法得到网络的参数，通过编码器将输入向量映射为隐含层中的特征向量，然后通过编码器将特征向量重构为原来的输入向量。在ELM-AE中，首先利用ELM算法产生正交随机权重和阈值，即：

将输入数据样本集合X映射到隐含层的特征空间，然后通过求解重构矩阵β将特征向量重构为原来的输入向量，即：

X＝Hβ

最后将重构矩阵β的转秩矩阵作为原网络结构输入层与隐含层的权重矩阵。

为了避免隐含层的节点数过多，出现过拟合的问题，增加深度极限学习机模型的泛化能力，引入了正则化系数，目标函数变为：

式中：λ为正则化系数，ε＝βH-T为训练误差，通过构造拉格朗日方程，可求得输出权重矩阵：

步骤4.3把粒子群算法优化隐含层神经元节点个数范围设置为[10,3000]，对粒子群优化算法中的参数设置为:搜索维度D＝3、种群规模N＝40、学习因子c₁＝0.5和c₁＝1、惯性因子w＝0.9,随机初始化粒子群优化算法的粒子位置h_j(1)及粒子速度初始值v_j(1)，迭代次数ger＝20。

步骤5：把这种类型的数据代入PSO-DELM的算法模型中。

步骤5：预测数据反归一化。

步骤6：得出PSO-DELM模型的预测值与真实值对比曲线。