基于改进BPNN 的5G 通信网络流量预测

李 兵

（中海油信息科技有限公司湛江分公司，广东 湛江 524000）

0 引 言

网络通信技术已发展到第5 代，简称5G[1]。在高度信息化的现代社会，人们的生产和生活均离不开5G 网络。5G 网络流量的精准预测不仅是社会发展的重要保障，而且是提升网络资源利用率的重要途径[2-3]。因此，研究5G 网络流量预测方法，提高5G 网络流量预测精度具有重要意义。

1 BPNN 的相关内容

改进反向传播神经网络（Back Propagation Neural Network，BPNN）是一种反向传播学习算法，由输入层、输出层和隐含层组成。每层分布有一定数量的神经元，神经元之间相互连接。BPNN 非线性拟合能力较好，因此通常采用BPNN 预测5G 通信网络流量[4]。

BPNN 的学习过程分为2 个阶段，一是信号的正向传播过程；二是误差的反向传播过程。学习过程中不断调整BPNN 权系数和阈值，使输出结果逼近实际值。BPNN 原理简单，容易实现，目前广泛应用于非线性回归领域，但回归效果受权系数和阈值的影响较大。为提高5G 通信网络流量的预测精度，需要采用优化算法对其进行寻优[5]。

2 AOA 基本原理

2020年，阿基米德 优化算法（Archimedes Optimize A lgorithm，AOA）被首次提出，是根据阿基米德原理提出的一种新型优化算法[6]。

AOA 的个体初始位置为

式中：N为种群容量；x(i)为第i个个体所在位置；xu(i)为搜索空间上限值；x1(i)为搜索空间下限值；rand为取值在[0，1]的随机数。

初始化个体体积、密度和加速度，分别为

式中：V(i)为第i个个体体积；D(i)为第i个个体密度；A(i)为第i个个体加速度；rand1和rand2也均为取值在[0，1]的随机数。

对个体的密度和体积进行更新，即

式中：k为迭代次数；Vbest为个体最优体积；Dbest为个体最优密度。

个体之间如果发生碰撞，则利用转移因子（Transfer Factor，TF）转移操作符进行操作，使系统重新达到平衡。转移因子TF转移操作符的计算公式为

式中：k为迭代次数；kmax为最大迭代次数。

为增强算法的全局搜索性能，设置密度因子，利用式（8）对密度因子进行线性递减，即

当TF≤0.5 时，个体运动过程中发生碰撞，加速度计算公式为

式中：Vmr为随机个体体积；Dmr为随机个体密度；Amr为随机个体加速度。

当TF＞0.5 时，个体不会发生碰撞，加速度计算公式为

式中：Abest为个体最优加速度。

对式（10）进行标准化处理，即

式中：l和u为常数，取值分别为0.1 和0.9。

当TF≤0.5 时，个体位置更新公式为

式中：C1为常数，取值为2。

当TF＞0.5 时，个体位置更新公式为

式中：C2和η为常数，C2=0.6，η∈[0.3C2,1]；F为方向系数。

F的定义为

式中：p为选择概率。

根据步骤反复迭代找到最优解，相比传统优化算法，AOA 的健壮性更好，且不易陷入局部最优，目前广泛应用于参数寻优领域。

3 基于AOA-BPNN 的5G 通信网络流量预测模型

采用AOA 优化BPNN 的权系数和阈值，建立基于AOA-BPNN 的5G 通信网络流量预测模型。

第一，输入网络流量检测数据，将其划分为训练集和测试集，并进行归一化处理，即

式中：xi为原始数据；xmax为原始数据中的最大值；xmin为原始数据中的最小值。

第二，设置BPNN 相关参数，包括权系数和阈值的初始值。

第三，初始化AOA 相关参数。

第四，设置适应度函数，将BPNN 输出结果的均方根误差作为适应度函数，计算公式为

式中：N为训练集样本容量；yi为实际网络流量；yi*为预测网络流量。

第五，更新个体的体积和密度，并计算转移因子和密度因子。

第六，根据转移因子选择当前最优个体更新加速度和位置，或利用随机个体更新加速度。

第七，标准化处理个体加速度。

第八，判断迭代是否终止，若终止，则把最优权系数和阈值赋给BPNN，否则继续迭代。

第九，利用优化后的BPNN 预测测试集。

4 算例分析

仿真分析某5G 基站10 d 的网络通信流量监测数据，数据采样时间间隔为1 h，获得240 组样本数据，如图1 所示。将240 组样本数据按照5 ∶1 的比例划分为训练集和测试集，训练集和测试集的样本容量分别为200 和40。阿基米德算法的参数设置为：种群规模N=20，最大迭代次数kmax=300，系数C1=2、C2=0.6。

图1 样本数据

在MATLAB 软件中建立基于AOA-BPNN 的5G通信网络流量预测模型，采用训练集数据进行训练，结果如图2 所示。模型的训练误差控制在[-0.050,0.050]，可见AOA-BPNN 模型在训练过程中的误差波动较小，模型得到了较好的训练。

图2 AOA-BPNN 模型训练结果

利用完成训练的AOA-BPNN 模型预测测试集中的40 组样本数据，预测结果如图3 所示。可见，AOA-BPNN 模型的预测结果接近实际值。

图3 AOA-BPNN 模型预测结果

为正确评价AOA-BPNN 模型的5G 网络流量预测结果，采用平均相对误差和均方根误差进行评价。均方根误差的计算公式为式（16），平均相对误差计算公式为

为对比分析AOA-BPNN 模型在5G 网络流量预测方面的实用性和优越性，采用遗传算法优化反向传播神经网络（Genetic Algorithm-Back Propagation Neural Network，GA-BPNN）、粒子群算法优化支持向量机（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）和长短期记忆（Long Short-Term Memory，LSTM）模型仿真分析文章算例数据。利用式（16）和式（17）计算AOA-BPNN 模型的5G网络流量预测结果的均方根误差和平均相对误差，计算结果如表1 所示。

表1 4 种模型网络流量预测效果对比

对比表1 数据可以看出，AOA-BPNN 模型预测结果的平均相对误差为4.25%，均方根误差为0.522 GB，均优于其他3 种模型。可见，AOA-BPNN 模型的5G 通信网络流量预测效果更好，验证了基于改进BPNN 的5G 通信网络流量预测方法的实用性和优越性。

5 结 论

文章采用AOA 优化BPNN 参数，建立基于AOA-BPNN 的5G 通信网络流量预测模型。采用某5G 基站的网络通信流量监测数据进行仿真分析，并与其他方法的预测效果进行对比，结果表明，AOABPNN 模型预测结果的平均相对误差和均方根误差均优于其他模型，验证了基于改进BPNN 的5G 通信网络流量预测方法的实用性和优越性。