席小勇

摘要：近年來國家對(duì)中職教育越來越重視，不斷加大對(duì)中職學(xué)校的投資力度，中職學(xué)校的辦學(xué)條件得到有效改善，在中職學(xué)校各類投資建設(shè)中，信息化建設(shè)是構(gòu)建現(xiàn)代職教體系的基礎(chǔ)，中職學(xué)校的數(shù)字化校園網(wǎng)已經(jīng)形成。但在現(xiàn)有的各類網(wǎng)絡(luò)管理設(shè)備上，對(duì)中職學(xué)校的網(wǎng)絡(luò)流量預(yù)測并未涉及，本文將通過matlab編程建立、訓(xùn)練中職學(xué)校的網(wǎng)絡(luò)流量預(yù)測模型，然后通過測試樣本對(duì)建立的預(yù)測模型進(jìn)行測試驗(yàn)證。

關(guān)鍵詞：預(yù)測；matlab；神經(jīng)網(wǎng)絡(luò)；nntool工具箱

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）11-0171-02

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)（Back-Propagation Network），采用反向傳播誤差算法，其算法的核心思想是[1][2]：將輸出誤差反向傳播給上一層，計(jì)算出上一層的誤差，這個(gè)誤差一層一層反向傳遞，根據(jù)各層計(jì)算的誤差不斷調(diào)整權(quán)系數(shù)、閾值，使神經(jīng)網(wǎng)絡(luò)誤差達(dá)到期望值。

BP神經(jīng)網(wǎng)絡(luò)由輸入層（input layer）、隱含層（hide layer）和輸出層（output layer），其中隱含層可以有多層，每層神經(jīng)元之間無連接，層與層神經(jīng)元之間為全連接。通常一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)就可以完成任意的n維到m維的映射，可以逼近任何一個(gè)在閉區(qū)間內(nèi)續(xù)函數(shù)[3]。

三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1：

2 數(shù)據(jù)的采集與歸一化

將學(xué)校AC上網(wǎng)行為審計(jì)設(shè)備生成的日志數(shù)據(jù)庫文件導(dǎo)出，使用SQL語言對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)降維并進(jìn)行匯總生成符合本次實(shí)驗(yàn)的數(shù)據(jù)樣本。本次數(shù)據(jù)采集自2014年11月2日00：00：00至2014年11月29日23：59：59結(jié)束，時(shí)間粒度1小時(shí)，共計(jì)28天，數(shù)據(jù)結(jié)構(gòu)為28×24的陣列。然后對(duì)生成的數(shù)據(jù)進(jìn)行歸一化處理，下圖為未歸一化和歸一化后的部分?jǐn)?shù)據(jù)。

3 使用nntool建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

獲取的數(shù)據(jù)中用前21天共21*24個(gè)數(shù)據(jù)點(diǎn)作為輸入樣本，剩余7天共7*24個(gè)數(shù)據(jù)作為測試有樣本。因?yàn)楸敬螌?shí)驗(yàn)使用一天的數(shù)據(jù)流量來預(yù)測第二天的數(shù)據(jù)流量，因此輸入層神經(jīng)元個(gè)數(shù)為24，輸出層神經(jīng)元個(gè)數(shù)也為24，根據(jù)隱含層神經(jīng)元個(gè)數(shù)計(jì)算公式，結(jié)合實(shí)際經(jīng)驗(yàn)隱含層神經(jīng)元個(gè)數(shù)確定為14個(gè)，即BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)為24-14-24。迭代次數(shù)設(shè)置為1000次，誤差設(shè)為0.001，學(xué)習(xí)函數(shù)為trainlm，激活函數(shù)為logsig，具體實(shí)現(xiàn)代碼如下，

……

p=mapminmax（p，0，1）；

t=mapminmax（t，0，1）；

net=newff（minmax（p），[14，24]，{'logsig'，'logsig'}，'trainlm'）；

net.trainParam.epochs=1000；

net.trainParam.goal=0.001；

net=train（net，p，t）；

y=sim（net，p）；

……

4 實(shí)驗(yàn)驗(yàn)證

通過對(duì)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，生成中職學(xué)校網(wǎng)絡(luò)流量預(yù)測模型。使用測試樣本中前兩天的數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證，網(wǎng)絡(luò)流量預(yù)測效果如下圖，

從圖4、圖5網(wǎng)絡(luò)流量預(yù)測的對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，應(yīng)用matlab訓(xùn)練生成的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測出的網(wǎng)絡(luò)流量和實(shí)際網(wǎng)絡(luò)流量基本一致，也就是說該預(yù)測模型完全可以用于中職學(xué)校網(wǎng)絡(luò)流量的預(yù)測。顯而易見，學(xué)校網(wǎng)絡(luò)管理員可以使用預(yù)測而來網(wǎng)絡(luò)流量數(shù)據(jù)提前對(duì)學(xué)校網(wǎng)絡(luò)流量進(jìn)行合理控制，同時(shí)也可以對(duì)各類應(yīng)用控制策略進(jìn)行適當(dāng)配置，從而確保學(xué)校網(wǎng)絡(luò)始終工作在最優(yōu)的環(huán)境中。

參考文獻(xiàn)：

[1] RUM ELHARTD E. Learning Representation by BP errors[J].Natrue（London）， 1986，7：64-70.

[2] NG S C，CHEUNG C C，LEUNG SH. Fast Convergence for Back-Propagation Network with Magnified Gradient Function[J].IEEE，2003，9（3）：1903-1908.

[3] 王燕妮，樊養(yǎng)余.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)測算法[J].計(jì)算機(jī)工程與應(yīng)用. 2010.46（17）：23-26.