基于LSTM神经网络的电力综合数据网网络流量预测研究

杨金岳

摘 要：为了提高电力综合数据网的网络性能和服务质量，提出了一种基于深度LSTM神经网络的骨干网络流量预测方法。本文采用了基于深度学习的框架;考虑到网络流量的影响因子都是随时间变化的物理量，同时深度LSTM神经网络算法对时间序列的强大处理能力;从而选取长短时记忆网络对电力综合数据网网络流量进行预测。LSTM具有“遗忘”与“更新”功能，很好的解决了长序依赖问题，从而使特征可以很好的保留到后续的计算中，不会出现记忆消散问题。试验结果表明： 相较传统预测模型，运用深度LSTM神经网络预测模型精度较高，可使电力综合数据网可以更快、更准确地调整工作状态，具有很好的应用前景。

关键词：电力综合数据网;网络流量预测;深度学习;LSTM网络

DOI：10.16640/j.cnki.37-1222/t.2019.20.140

1 引言

电力综合数据网是为了满足电网的信息化建设，将电力网络性能要求不一的各类业务做统一承载而搭建的支撑性网络[1]。由于电力业务类型复杂和电力业务需求不断增加，使得电力综合数据网稳定运行及业务保证面临着新挑战。而通过大量网络流量历史数据对网络未来的流量趋势进行预测分析，将极大提高网络性能和服务质量[2]。因此，电力综合数据网网络流量预测研究将是保障电力信息业务可靠使用的重要手段。

在通信网络技术的发展中，研究人员常利用一些传统预测方法来实现对网络资源合理地分配和控制。传统预测方法有回归模型和时间序列预测模型等，是基于线性变化来建立模型。但随着对网络流量预测的深入研究，网络流量数据呈现出明显的非线性、突发性、长相关性、混纯性、自相似性等特点[3]。传统方法无法较好地模拟非线性时间序列，于是出现了神经网络、支持向量机等深度学习算法应用于网络流量预测中。

目前，在网络流量的预测领域中，深度学习算法已得到初步应用。其通过逐层的特征变换，自动学习样本中的抽象特征，重新建立一个更抽象的特征空间来获得差异化的隐含特征，从而进行有针对性地预测来实现更好的预测效果[4]。RNN循环神经网络主要是处理和预测序列数据，而LSTM作为RNN的一个重要结构，对序列数据的长期记忆方面表现良好。因此，本文采用LSTM神经网络预测模型对电力通信综合数据网网络流量进行预测。仿真试验表明，该算法能够有效地预测电力通信综合数据网网络流量。

2 电力综合数据网

电力综合数据网主要是为各应用系统服务，其承载的业务对网络的可靠性要求较高，例如对带宽要求很高的图像监控，对丢包率忍受度很低的电源性能监控，对综合性能要求最好的电视电话会议等[5]。

电力综合数据网的业务主要包括以下方向：

（1）信息系统应用。如：用电信息采集、营销系统、财务系统、企业门户等共计50余个信息系统。

（2）语音及视频应用。如：高清会议电视、一体化会议电视、IMS系统等电视电话会议系统。

（3）其他应用。如：通信类外网管。

3 基于LSTM神经网络的预测模型

长短期记忆网络（long-short-term memory network， LSTM）主要是建立时间递归神经网络，用来处理和预测时间序列中间隔和延迟相对较长的重要事件。为了使神经网络更有效地保存长期记忆，“遗忘门”和“输入门”被设计进网络中，作为LSTM结构的核心存在。“遗忘门”可以让循环神经网络忘记之前没用的信息，同时“输入门”输入补充最新的记忆，他们之间的配合可以更加有效地决定信息的遗忘与保留[6]。

4 基于深度LSTM网络的网络流量预测模型

4.1 LSTM模型参数选择

建立用于电力综合数据网网络流量预测的LSTM网络主要需要确定模型中输入层时间步数、输入层维数、隐藏层数目、每个隐藏层维数以及输出变量维数[7]。针对电力综合数据网网络流量预测，本文拟采用单层LSTM的预测模型，模型参数假定为1。通过多次模型试验，发现增加隐藏层的维数可以取得较好的预测效果;但由于本预测任务是利用电力网络历史信息来预测下一步的网络流量，因此输出变量的维数也假定为1。

4.2 隐藏层的确定

隐藏层对于神经网络非常重要，神经网络的独特性在于它对隐藏层的使用。隐藏层节点的选取并没有统一的标准，可通过经验公式与试凑法相结合来选择隐含层神经元个数。通常选用的经验公式有：

式中：l表示隐含层节点数，n表示输入层节点数，m表示输出层节点数。

4.3 预测效果评估

本文将选用均方根误差（root mean square error，RMSE）法对预测结果进行评价，计算公式为：

式中：和分別为网络流量的实际值和预测值;n为预测验证数据个数;i为预测点序列编号，输出序列最大值。

5 试验

通过编写相应程序获得电力综合业务数据网的流量数据，根据15分钟的时间间隔来取一次流量数据，连续取25天。本文将根据收集到的流量数据为例进行试验分析。在进行试验前需要对采集的数据进行归一化处理，排除由于数据差异所带来的影响。采用LSTM神经网络对训练样本进行学习。其训练损失分析如图1所示。

通过采用LSTM神经网络对网络流量的预测的分析。从图2中可以看出：采用LSTM神经网络模型的预测和实际值的曲线比较吻合，虽然与实际值相比还是有略微的偏差，但与传统的方法相比，训练速度更快，预测精度亦明显提高，是一种很好的网络流量预测模型。

6 结论

针对电力综合数据网网络流量预测问题，本文提出深度LSTM神经网络预测模型。LSTM具有“遗忘”与“更新”功能，很好的解决了长序依赖问题，从而使特征可以很好的保留到后续的计算中，不会出现记忆消散问题。试验结果表明：相较传统预测模型，运用深度LSTM神经网络预测模型精度较高，可使电力综合数据网可以更快、更准确地调整工作状态，具有很好的应用前景。通过对网络流量预测的精度和速度都明显提高，是一种值得深入研究的网络流量预测方法。

参考文献：

[1]马涛.电力综合数据网模拟仿真系统设计与实现[J].电子科技大学硕士论文，2016（04）.

[2]曹建华，刘渊，戴悦.一种基于灰色神经网络的网络流量预测模型[J].计算机工程与应用，2008（02）.

[3]冯辰.基于ESN的网络流量预测算法研究[J].北京邮电大学硕士论文，2012（11）.

[4]史佳琪，张建华.基于深度学习的超短期光伏精细化预测模型研究[J].电力建设，2017（06）.

[5]马涛.电力综合数据网模拟仿真系统设计与实现[J].电子科技大学硕士论文，2016（04）.

[6]缪磊磊.基于卷积神经网络的手写数字识别算法分析和实现[J].大学生论文联合比对库，2017（06）.

[7]朱乔木，李弘毅，王子琪，陈金富，王博.基于长短期记忆网络的风电场发电功率超短期预测[J].电网技术，2017（12）.

[8]任师涛，史志才，吴飞等.基于改进BP神经网络的路由器流量预测方法[J].传感器与微系统，2018（08）.