[发明专利]一种空天地一体化网络下的混沌动态拥塞预测系统及方法

权利要求书

1.一种空天地一体化网络下的混沌动态拥塞预测方法，其特征在于，包括以下步骤：

步骤一、获取链路与节点的状态数据，作为原始序列数据；

步骤二、对原始序列数据进行归一化处理，得到处理后的拥塞序列；

步骤三、将处理后的拥塞序列通过小波分析分解为若干低频序列和若干高频序列；

步骤四、利用粒子群算法对GRU神经网络预测模型进行优化，得到最优GRU神经网络参数；

步骤五、使用优化后的GRU神经网络预测模型对各个低频序列和高频序列进行拥塞预测，得到各序列的拥塞预测结果；

步骤六、将各序列的拥塞预测结果重构得到完整的拥塞预测序列，作为最终的预测结果；

步骤四中，使用粒子群算法优化GRU神经网络预测模型，具体包括以下步骤：

S4.1、设置粒子群算法参数，初始化GRU神经网络预测模型参数，初始化各个粒子的适应度；

S4.2、采用适应度函数对粒子位置的优劣进行评价，将每个粒子的位置与当前个体最优位置和粒子群最优位置分别进行比较，如果粒子当前位置优于个体最优位置，就用粒子位置替换当前个体最优位置和粒子群最优位置，使得粒子群朝着参数最优组合方向搜索；

若当前粒子位置没有达到最优，则再一次进行迭代；

如果迭代次数超过最初设置的最大迭代次数，则根据粒子群的最优位置向量得到GRU神经网络的最优参数，否则继续迭代，寻找最优的粒子位置；

S4.2中，所述适应度函数如下：

其中，表示样本预测值，y_i表示样本实际值，N表示样本数量；

粒子群算法的基本迭代式为：

v_i，k＝pv_i，k+c₁r₁(x_best，i，k-x_i，k)+c₂r₂(p_best，i，k-x_i，k)；

x_i，k+1＝x_i，k+v_i，k；

其中，v_i，k为第k次迭代时第i个粒子的速度；p为惯性权重；c₁，c₂为学习因子；r₁、r₂为0到1之间的随机数；x_best，i，k为第k次迭代时第i个粒子经历过的最优位置；x_i，k为第k次迭代时第i个粒子的位置；p_best，i，k为第k次迭代时全部粒子经历过的最优位置；

第四步中的GRU神经网络预测模型为：

y＝σ(w_yh_t)；

其中，y为网络的输出，w_y为隐含层到输入层的权值，h_t为GRU神经网络中当前时刻隐含层状态；

当前时刻隐含层状态为上一时刻隐含层状态与当前隐含层激活状态的和，表达式为：

其中，z_t为更新门，h_t-1为上一时刻隐含层状态，为当前隐含层激活状态；

重置门r_t和更新门z_t为当前时刻输入数据与上一时刻隐含层状态的组合，表达式为：

r_t＝σ(w_rx_t+u_rh_t-1)；

z_t＝σ(w_zx_t+u_zh_t-1)；

其中，σ为sigmoid函数，将r_t和z_t限制在0和1之间；w_r、u_r、w_z、u_z为神经网络权值；x_t为当前时刻输入数据；

当前时刻隐含层的激活状态的计算过程为：上一时刻隐含层数据经过重置门处理以后与当前的输入x_t相结合并通过Tanh激活函数可以得到当前时刻隐含层的激活状态，即：

n_z＝wx_t+u(r_t⊙)h_t-1)；

其中，⊙表示Hadmard积运算；w、u为GRU神经网络权值。