[发明专利]一种面向智能用电的融合通信网络业务预测方法

说明书

技术领域

本发明属于面向智能用电的融合通信网络业务预测领域，尤其涉及一种面向智能用电的融合通信网络业务预测方法。

背景技术

随着信息技术的发展，互联网的规模呈指数级增长。运营商为了实现对网络进行高效的设计和规划需要知道数据是如何在网络中进行传输的。流量矩阵能够反映网络中的所有源和目的地之间数据传输量。流量矩阵中的元素被称为源-目的地(OD)对(或流)。然而，网络中的流量矩阵的直接测量是很难实现的，但链路负载情况可以容易的获得。传输矩阵、路由矩阵和链路负载之间的关系是

y＝Ax(1)

其中y表示链路负载，x表示流量矩阵，A表示路由矩阵，它的每一个元素A_ij如果是1，就表示源-目的地对中流j通过链接i；如果是0，表示其它情况。

公式(1)表明给定链路负载y和路由矩阵A，就能找到流量矩阵x的解决方案。由于路由矩阵A通常是欠定和病态的，这是一个高度病态的逆向问题。网络层析法是解决这一问题的最好方法之一。Vardi(1996)首先介绍了网络层析方法来研究这个问题，并将OD流建模为iid(独立、同分布)泊松模型。Cao等(2000)改进了方法和建模的OD流作为iid高斯模型。尹璋等(2003)研究了大尺度流量矩阵估计的问题，并利用了OD流量的重力模型。他们提出了Tomo-Gravity方法来估计流量矩阵，并获得了相当准确的估计。Zhang(2003)等采用正则化方法估计流量矩阵，达到更好的效果。基于泊松模型，Tebaldi和West(1998)采用贝叶斯方法，但是，由于计算后验分布非常的困难，因此他们采用马尔可夫链-蒙特卡罗仿真来模拟它们。如Medina等(2002)的论文中所述，Vardi(1996)，Cao(2000)等人的方法对流量矩阵的先验性非常敏感，而Zhang(2003)等人的方法部分降低了对先验性的敏感程度。

当然，采用统计推理的方法可以获取大尺度IP网络的流量矩阵。正如Gunnar(2004)所述，对于大尺度IP流量矩阵，公式(1)表示的是一个高度欠定的系统，这是由于网络中的链路数量远远小于OD流的数量，因此，公式(1)有无限多个解，如何找到一个平均解是一个非常困难的问题。以前解决这个问题的方法是通过增加关于OD流的附加约束，例如假设OD流满足统计分布或者将它们建模为一些典型的模型。但是这些方法在获取大尺度IP网络流量矩阵估计的速度都很慢。

发明内容

本发明就是针对上述问题，提供一种基于递归多层感知网络的大尺度IP网络流量矩阵估计方法，以达到对网络流量进行快速准确估计的目的面向智能用电的融合通信网络业务预测方法。

为实现上述目的，本发明采用如下技术方案，本发明包括以下步骤：

步骤1：构建多输入多输出递归多层次感知网络模型，并对模型进行初始化，将训练数据对提供给该模型并进行训练，设置误差界限δ，总迭代步长T和迭代步变量k；

步骤2：将训练数据呈现给网络用于训练网络；

步骤3：通过网络模型，将输入数据对提供给模型并计算出估计值计算输出误差其中，x(t)表示当前时刻t流量矩阵真实值，而表示当前时刻t流量矩阵估计值，并将其用作为模型的下一次训练输入；

步骤4：进行梯度计算；

步骤5：如果多流训练结束，转到步骤6；否则，返回步骤2；

步骤6：更新网络权重，计算模型最新估计值然后计算总误差

步骤7：如果ε<δ或者k>T则将网络权重保存到文件并退出训练；否则，k＝k+1并返回到步骤2；

步骤8：根据以上步骤1到步骤7中对递归多层次网络进行训练，并在步骤7中获得网络权重值，对递归多层次网络进行初始化；

步骤9：将输入数据提供给网络，但并不包括在训练过程中输出的误差；

步骤10：根据网络模型，得到如下等式：

因此，等式(2)可以表示为

其中F＝(f₁,f₂,...,f·)，Y(t)＝(y₁(t),y₂(t),...,y_·(t))^·和×表明公式(2)代表的映射关系；等式(3)表明模型建立了从R·到R·的映射关系；

利用等式(1)-(3)，获得网络业务预测值；