基于LSTM神經(jīng)網(wǎng)絡的電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測研究

1、    基于lstm神經(jīng)網(wǎng)絡的電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測研究    楊金岳 摘 要：為了提高電力綜合數(shù)據(jù)網(wǎng)的網(wǎng)絡性能和服務質量，提出了一種基于深度lstm神經(jīng)網(wǎng)絡的骨干網(wǎng)絡流量預測方法。本文采用了基于深度學習的框架;考慮到網(wǎng)絡流量的影響因子都是隨時間變化的物理量，同時深度lstm神經(jīng)網(wǎng)絡算法對時間序列的強大處理能力;從而選取長短時記憶網(wǎng)絡對電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量進行預測。lstm具有“遺忘”與“更新”功能，很好的解決了長序依賴問題，從而使特征可以很好的保留到后續(xù)的計算中，不會出現(xiàn)記憶消散問題。試驗結果表明： 相較傳統(tǒng)預測模型，運用深度lstm神經(jīng)網(wǎng)絡預測

2、模型精度較高，可使電力綜合數(shù)據(jù)網(wǎng)可以更快、更準確地調整工作狀態(tài)，具有很好的應用前景。關鍵詞：電力綜合數(shù)據(jù)網(wǎng);網(wǎng)絡流量預測;深度學習;lstm網(wǎng)絡doi：10.16640/ki.37-1222/t.2019.20.1401 引言電力綜合數(shù)據(jù)網(wǎng)是為了滿足電網(wǎng)的信息化建設，將電力網(wǎng)絡性能要求不一的各類業(yè)務做統(tǒng)一承載而搭建的支撐性網(wǎng)絡1。由于電力業(yè)務類型復雜和電力業(yè)務需求不斷增加，使得電力綜合數(shù)據(jù)網(wǎng)穩(wěn)定運行及業(yè)務保證面臨著新挑戰(zhàn)。而通過大量網(wǎng)絡流量歷史數(shù)據(jù)對網(wǎng)絡未來的流量趨勢進行預測分析，將極大提高網(wǎng)絡性能和服務質量2。因此，電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測研究將是保障電力信息業(yè)務可靠使用的重要手段。在通信

3、網(wǎng)絡技術的發(fā)展中，研究人員常利用一些傳統(tǒng)預測方法來實現(xiàn)對網(wǎng)絡資源合理地分配和控制。傳統(tǒng)預測方法有回歸模型和時間序列預測模型等，是基于線性變化來建立模型。但隨著對網(wǎng)絡流量預測的深入研究，網(wǎng)絡流量數(shù)據(jù)呈現(xiàn)出明顯的非線性、突發(fā)性、長相關性、混純性、自相似性等特點3。傳統(tǒng)方法無法較好地模擬非線性時間序列，于是出現(xiàn)了神經(jīng)網(wǎng)絡、支持向量機等深度學習算法應用于網(wǎng)絡流量預測中。目前，在網(wǎng)絡流量的預測領域中，深度學習算法已得到初步應用。其通過逐層的特征變換，自動學習樣本中的抽象特征，重新建立一個更抽象的特征空間來獲得差異化的隱含特征，從而進行有針對性地預測來實現(xiàn)更好的預測效果4。rnn循環(huán)神經(jīng)網(wǎng)絡主要是處理和預

4、測序列數(shù)據(jù)，而lstm作為rnn的一個重要結構，對序列數(shù)據(jù)的長期記憶方面表現(xiàn)良好。因此，本文采用lstm神經(jīng)網(wǎng)絡預測模型對電力通信綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量進行預測。仿真試驗表明，該算法能夠有效地預測電力通信綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量。2 電力綜合數(shù)據(jù)網(wǎng)電力綜合數(shù)據(jù)網(wǎng)主要是為各應用系統(tǒng)服務，其承載的業(yè)務對網(wǎng)絡的可靠性要求較高，例如對帶寬要求很高的圖像監(jiān)控，對丟包率忍受度很低的電源性能監(jiān)控，對綜合性能要求最好的電視電話會議等5。電力綜合數(shù)據(jù)網(wǎng)的業(yè)務主要包括以下方向：（1）信息系統(tǒng)應用。如：用電信息采集、營銷系統(tǒng)、財務系統(tǒng)、企業(yè)門戶等共計50余個信息系統(tǒng)。（2）語音及視頻應用。如：高清會議電視、一體化會議電視、i

5、ms系統(tǒng)等電視電話會議系統(tǒng)。（3）其他應用。如：通信類外網(wǎng)管。3 基于lstm神經(jīng)網(wǎng)絡的預測模型長短期記憶網(wǎng)絡（long-short-term memory network， lstm）主要是建立時間遞歸神經(jīng)網(wǎng)絡，用來處理和預測時間序列中間隔和延遲相對較長的重要事件。為了使神經(jīng)網(wǎng)絡更有效地保存長期記憶，“遺忘門”和“輸入門”被設計進網(wǎng)絡中，作為lstm結構的核心存在?！斑z忘門”可以讓循環(huán)神經(jīng)網(wǎng)絡忘記之前沒用的信息，同時“輸入門”輸入補充最新的記憶，他們之間的配合可以更加有效地決定信息的遺忘與保留6。4 基于深度lstm網(wǎng)絡的網(wǎng)絡流量預測模型4.1 lstm模型參數(shù)選擇建立用于電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡

6、流量預測的lstm網(wǎng)絡主要需要確定模型中輸入層時間步數(shù)、輸入層維數(shù)、隱藏層數(shù)目、每個隱藏層維數(shù)以及輸出變量維數(shù)7。針對電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測，本文擬采用單層lstm的預測模型，模型參數(shù)假定為1。通過多次模型試驗，發(fā)現(xiàn)增加隱藏層的維數(shù)可以取得較好的預測效果;但由于本預測任務是利用電力網(wǎng)絡歷史信息來預測下一步的網(wǎng)絡流量，因此輸出變量的維數(shù)也假定為1。4.2 隱藏層的確定隱藏層對于神經(jīng)網(wǎng)絡非常重要，神經(jīng)網(wǎng)絡的獨特性在于它對隱藏層的使用。隱藏層節(jié)點的選取并沒有統(tǒng)一的標準，可通過經(jīng)驗公式與試湊法相結合來選擇隱含層神經(jīng)元個數(shù)。通常選用的經(jīng)驗公式有：式中：l表示隱含層節(jié)點數(shù)，n表示輸入層節(jié)點數(shù)，m表示輸

7、出層節(jié)點數(shù)。4.3 預測效果評估本文將選用均方根誤差（root mean square error，rmse）法對預測結果進行評價，計算公式為：式中：和分別為網(wǎng)絡流量的實際值和預測值;n為預測驗證數(shù)據(jù)個數(shù);i為預測點序列編號，輸出序列最大值。5 試驗通過編寫相應程序獲得電力綜合業(yè)務數(shù)據(jù)網(wǎng)的流量數(shù)據(jù)，根據(jù)15分鐘的時間間隔來取一次流量數(shù)據(jù)，連續(xù)取25天。本文將根據(jù)收集到的流量數(shù)據(jù)為例進行試驗分析。在進行試驗前需要對采集的數(shù)據(jù)進行歸一化處理，排除由于數(shù)據(jù)差異所帶來的影響。采用lstm神經(jīng)網(wǎng)絡對訓練樣本進行學習。其訓練損失分析如圖1所示。通過采用lstm神經(jīng)網(wǎng)絡對網(wǎng)絡流量的預測的分析。從圖2中可以看

8、出：采用lstm神經(jīng)網(wǎng)絡模型的預測和實際值的曲線比較吻合，雖然與實際值相比還是有略微的偏差，但與傳統(tǒng)的方法相比，訓練速度更快，預測精度亦明顯提高，是一種很好的網(wǎng)絡流量預測模型。6 結論針對電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測問題，本文提出深度lstm神經(jīng)網(wǎng)絡預測模型。lstm具有“遺忘”與“更新”功能，很好的解決了長序依賴問題，從而使特征可以很好的保留到后續(xù)的計算中，不會出現(xiàn)記憶消散問題。試驗結果表明：相較傳統(tǒng)預測模型，運用深度lstm神經(jīng)網(wǎng)絡預測模型精度較高，可使電力綜合數(shù)據(jù)網(wǎng)可以更快、更準確地調整工作狀態(tài)，具有很好的應用前景。通過對網(wǎng)絡流量預測的精度和速度都明顯提高，是一種值得深入研究的網(wǎng)絡流量預測方法。參考文獻：1馬濤.電力綜合數(shù)據(jù)網(wǎng)模擬仿真系統(tǒng)設計與實現(xiàn)j.電子科技大學碩士論文，2016（04）.2曹建華，劉淵，戴悅.一種基于灰色神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測模型j.計算機工程與應用，2008（02）.3馮辰.基于esn的網(wǎng)絡流量預測算法研究j.北京郵電大學碩士論文，2012（11）.4史佳琪，張建華.基于深度學習的超短期光伏精細化預測模型研究j.電力建設，2017（06）.5馬濤.電力綜合數(shù)據(jù)網(wǎng)模擬仿真系統(tǒng)設計與實現(xiàn)j.電子科技大學碩士論文，2016（04）.6繆磊磊.基于卷積神經(jīng)網(wǎng)絡的手寫數(shù)字識別算法分析和實現(xiàn)j.大學