[发明专利]基于小波神经网络的网络流量预测方法及装置

权利要求书

1.基于小波神经网络的网络流量预测方法，其特征在于，包括：

确定进行网络流量预测的空间区域，确定网络流量采集时间段和采集间隔，通过网络流量监测软件在所述采集时间段对所述空间区域的实时网络流量按照所述采集间隔进行采集，获得每个采集时间点的网络流量数据；

将所述网络流量数据拆分为训练数据组A和测试数据组B，对所述训练数据组的网络流量数据进行编组，编组形式为(a₁，a₂，a₃……a_n-1，a_n)；

构建小波神经网络模型，通过Mexican Hat小波基函数对编组后的训练数据组A进行训练，将编组中的网络流量数据(a₁，a₂，a₃……a_n-1)作为训练输入数据，将编组中的网络流量数据a_n作为预测输出数据；

采用训练完毕的小波神经网络模型对所述空间区域中测试数据组B的采集时间段的网络流量进行预测，将预测结果与所述测试数据组B实际值比较；

采用绝对值误差均值(MAE)和绝对百分比误差均值(MAPE)两个指标进行预测评价，满足预设的误差精度后，将训练完毕的小波神经网络模型用于所述空间区域的网络流量预测。

2.根据权利要求1所述的基于小波神经网络的网络流量预测方法，其特征在于，采用Mexican Hat小波基函数对网络流量数据进行时域和频域的分析；

时域的函数形式为

频域的函数形式为

其中，t代表时间，ω代表频域参数。

3.根据权利要求1所述的基于小波神经网络的网络流量预测方法，其特征在于，所述小波神经网络模型结构包括输入层、隐含层和输出层，小波神经网络模型结构为j1--j2--j2，j₁代表输入层网络流量数据节点数量，j₂代表隐含层网络流量数据节点数量，j₃代表输出层网络流量数据节点数量。

4.根据权利要求1所述的基于小波神经网络的网络流量预测方法，其特征在于，所述绝对值误差均值(MAE)的确定方法为：

所述绝对百分比误差均值(MAPE)的确定方法为：

式中：x_i表示模型的预测值；表示模型预测值的算术平均值；n为样本数。

5.基于小波神经网络的网络流量预测装置，其特征在于，包括：

参数配置模块，用于确定进行网络流量预测的空间区域、网络流量采集时间段和采集间隔；

数据采集模块，用于通过网络流量监测软件在采集时间段对空间区域的实时网络流量按照采集间隔进行采集，获得每个采集时间点的网络流量数据；

数据拆分模块，用于将采集的网络流量数据进行拆分，网络流量数据被拆分为训练数据组A和测试数据组B；

数据编组模块，用于对训练数据组的网络流量数据进行编组，编组形式为(a₁，a₂，a₃……a_n-1，a_n)；

模型构建模块，用于构建对编组后的训练数据组A进行训练的小波神经网络模型；

数据训练模块，用于通过构建小波神经网络模型采用Mexican Hat小波基函数对编组后的训练数据组A进行训练；

数据预测模块，用于采用训练完毕的小波神经网络模型对空间区域中测试数据组B的采集时间段的网络流量进行预测。

6.根据权利要求5所述的基于小波神经网络的网络流量预测装置，其特征在于，还包括数据比较模块，所述数据比较模块用于将通过小波神经网络模型的预测结果与测试数据组B实际值比较；

所述数据训练模块将编组中的网络流量数据(a₁，a₂，a₃……a_n-1)作为训练输入数据，将编组中的网络流量数据a_n作为预测输出数据。