随着5G 网络的高速发展,网络通信量日益增加,网络流量预测变得越来越重要.人们可以基于真实数据建立预测模型,并利用预测结果进行相应的准备工作来平衡网络负载.当前,基于长短期记忆网络的模型被广泛应用于各类流量预测场景中.然而,这些模型在提取与时序相关的数据特征时表现不足,其预测精度低、收敛速度慢的特点无法适用于高速通信网络中.本文提出了一种基于烟花算法和双向长短期记忆(Bi-Long Short-Term Memory,Bi-LSTM)的预测模型,对时序相关数据进行预测.首先,建立长短期记忆网络的结构模型,并通过添加反向机制将其改进为双层结构.然后,通过增加变异算子来优化烟花算法,增加其超参数组合的多样性.最后,将改进后的烟花算法应用于双向长短期记忆网络中,达到更好的预测效果.收集了70秒的软件自定义网络(SoftwareDefinedNetwork,SDN)中的真实流量数据,并在MATLAB 中建立了仿真环境用于预测模型训练和结果测试.实验结果表明,与现有的LSTM 和LSTM-GS等模型相比,本文所提出的Bi_LSTM 模型的数据流量预测平均绝对误差分别降低了58.18％和43.63％; 均方根误差分别降低了42.16％和32.79％.绝对绝对误差分别减少了54.10％和44％.
NETL
