本发明涉及基于改进esn的网络流量预测方法，属于计算机应用技术领域。
背景技术：
网络在社会生活、企业生产、经营管理中扮演着非常重要的角色。随着互联网技术的发展，网络规模的不断扩大，网络的复杂性越来越高，人们对于网络管理的要求也越来越高。网络流量是评价网络负载和运行状态的重要参数，通过对网络流量的连续监测并实现准确的预测，是掌握网络运行状态、实现有效管理和控制的重要手段。因此，研究网络流量的预测具有重要意义。
网络流量具有自相似性、长相关性、周期性和混沌性等特征。近年来，随着网络规模的不断扩大，传统的ar、arma、泊松模型等线性预测方法已经无法准确地刻画网络流量的复杂非线性关系。随着研究人员对网络流量的深入研究发现，大多数基于传统神经网络的网络流量预测模型虽然具备了比较良好的预测性能，且模型简单方便，但其性能却不够稳定。因此，回声状态网络（echostatenetwork，esn）相比于传统神经网络，其强大的非线性处理能力和较快的训练速度可以在非线性时间序列预测中取得更好的预测效果。
技术实现要素：
本发明提出了基于改进esn的网络流量预测方法，提高网络流量预测结果的准确率，可以在非线性时间序列预测中取得更好的预测效果。
基于改进esn的网络流量预测方法，其特征在于，所述方法包括如下步骤：
步骤1：采集网络流量数据；
步骤2：对网络流量数据进行降噪处理；
步骤3：构造具有双环储备池结构的改进esn网络流量预测模型；
步骤4：使用采集到的网络流量数据和降噪后的网络流量数据训练步骤3构造的基于改进esn的网络流量预测模型；
步骤5:使用步骤4中训练好的基于改进esn的网络流量预测模型预测未来时刻网络流量。
进一步地，所述步骤2中，对网络流量数据进行降噪处理分为以下步骤：
进一步地，所述步骤3中，构造具有双环储备池结构的改进esn网络流量预测模型步骤如下：
进一步地，所述步骤4中，训练基于改进esn的网络流量预测模型具体步骤如下：
有益效果
本发明的特征在于，先对网络流量数据进行连续采集，再在其基础上对原始的网络流量数据进行降噪处理，得到降噪后的网络流量数据；同时构造如图1所示的基于改进esn的网络流量预测模型，将降噪后的网络流量数据和原始网络流量数据相结合作为输入，并构造具有固定结构的双环储备池结构代替原始esn的随机储备池结构；最终通过训练改进esn并获得可以用于网络流量预测的基于改进esn的网络流量预测模型。通过该方法可以提高网络流量预测结果的准确率。
附图说明
图1是基于改进esn的网络流量预测模型示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明提出了基于改进回声状态网络（echostatenetwork，esn）的网络流量预测方法，具体步骤如下：
步骤4：使用步骤1中采集到的网络流量数据和步骤2中的降噪后的网络流量数据训练步骤3构造的基于改进esn的网络流量预测模型。训练基于改进esn的网络流量预测模型具体步骤如下：
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。