[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

说明书

一种基于PSO‑DELM算法的比赛场馆内手机上网流量预测方法。本发明涉及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，其中包括数据的预处理，以及构建PSO‑DELM网络流量预测模型。首先根据流量数据的自身特性做出预处理，形成新的数据样本集。在极限学习机中引入自动编码器完成多隐含层的深度极限学习机的构建，并且使用粒子群优化算法对深度极限学习机的各个隐含层的网络节点数目进行优化，选取使模型误差最小的节点数，从而使模型的预测准确率得到提升，最后对算法模型的参数进行设置。本发明基于深度极限学习机理论，并构建经过优化的PSO‑DELM模型，不仅能够使模型的训练速度快、避免的局部最小值的出现，而且相对于其他预测模型的准确率有所提升。

技术领域

本发明涉及一种比赛场馆内手机上网流量的预测方法，涉及的是使用一种粒子群算法对深度极限学习机进行优化的网络流量预测方法。

背景技术

随着互联网时代的快速发展和手机应用软件的多样化，以及4G网络正在向着5G网络时代的加速迈进，使全球的移动通信设备规模在近几年呈指数增长。移动通信设备在方便人们生活的同时也在移动网络中产生了海量的网络流量数据，这就使学者在针对网络流量的预测变得很有研究意义和研究价值。在赛事现场，为了防止观众使用手机上网产生的网络流量增多而导致网络的拥堵情况发生，影响观众的手机使用体验，所以当网络流量数值达到限定值后就要对场馆周围的基站进行扩容或者新建小型的移动基站。提前预测出流量的变化趋势，就可以提前做出部署，减少突发事件带来的危险。

手机产生的上网流量属于网络流量中的一种，网络流量具有非线性、自相似性、长相关性和多分型等特性，现有的网络流量预测模型很难准确的预测出流量的数值。传统方法的模型简单、预测速度快，但是预测的精度低。目前，比较常见的是使用现代的智能化方法进行预测，如神经网络、深度学习、机器学习理论等等。本文构建的预测模型是以深度极限学习机为基础，采用粒子群算法优化深度极限学习机中多个隐含层的神经元节点数。粒子群优化算法是一种性能良好的全局随机搜索优化算法，本文采用它去优化深度极限学习机多个隐含层的神经元个数，减少模型的预测误差，提升模型的预测精度。

发明内容

本发明的目的是提供一种能够在短时间内实现对区域场所的手机上网流量的精准预测的方法。该发明为了解决现有的预测模型存在预测精度不高的问题，选用在2004年由南洋理工大学的黄广斌教授提出的极限学习机(ELM)作为基础，极限学习机是一种单隐含层的前馈神经网络，它的提出是为了对反向传播算法 (BP)进行改进以提升学习效率低并简化学习参数的设定，具有训练速度快、拟合精度高和泛化性能好的优点。但是当面对比较庞大的数据时，单隐含层ELM 对输入数据典型特征的学习能力有限，仅含有一层隐含层的单层极限学习机网络可能会导致部分的神经元成为无效神经元。为了使模型能够应对复杂的输入与输出关系，本发明采用了更加强大和复杂的深度极限学习机(DeepELM)来处理数据的映射关系，但由于DELM中的多个隐含层的节点数无法准确的设置，所以本发明采用粒子群优化算法对个隐含层的节点数进行选取，使得预测模型的准确率得到提升。

本发明实现发明目的采用如下技术方案：一种基于PSO-DELM算法对比赛场馆手机上网流量预测方法，具体包括如下步骤：

步骤1：把得到的数据(商场、小区、万达广场、汽车站的手机上网流量数据)进行整合，选取这几个地点的数据主要是为了增加样本的多样性，样本的时间粒度为每15分钟为一个节点，共11712个一维时间序列数据。

步骤2：分析可知，根据网络流量自身的自相似性、长相关性、多分性和非线性等特点，采用基于时间序列的方式对数据进行预处理，选取合适的输入变量维度和输出变量维度。