平 均流量）。综合考虑用户数的占比和平均速率，最终该区域内设计带宽为350M。
[0130] 用相关性(C)测度指标，公式如下：
[0131]
[0132] /表示实际数据的均值，f'表示仿真数据，该指数表示和S的相关性，值越大说明 和S相似程度越高，实验精度越高。
[0133] 表3客观性评价结果
[0134]
[0135] 由表3可见，运营商对网络链路带宽的设计采用冗余法，为恒定值且留出一定的余 量，所以无法表达流量的起伏变化趋势。而本发明算法评价指数较理想，取得较优的结果。
[0136] 本申请中引证的文件如下：
[0137] [ 1 ]S G Mallat.A theory for multiresolution signal decomposition: the wavelet representation!! J] · IEEE Transactions On Pattern Analysis and Machine Intel 1 igence，1989，11:674-693. J法国信号处理专家Mallat将计算机视觉中的多尺度分 析思想引入到小波分析中，提出信号的小波分解与重构算法，本发明步骤2和步骤4均采用 小波的理论对城域网流量数据进行预处理。
[0138] [2]S Roger Jang,C T Sun.Functional Equivalence between radial basis function networks and fuzzy inference system[J]. IEEE Transon Neural Network, 1993，4 (1): 156-159.径向基函数(RBF)神经网络算法的提出和推导过程，本发明步骤3采取 三层RBF网络学习城域网流量数据的规律。
[0139] 本发明提供了一种基于RBF的城域数据网流量测算方法，具体实现该技术方案的 方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润 饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实 现。
【主权项】
1. 一种基于RBF的城域数据网流量测算方法，其特征在于，包括如下步骤： 步骤1，取样：Wa天为周期，从现有城域网设备中采集一个区域f时段的入流量作为输 入样本U将接下a+1~2a天该区域f时段的入流量作为输出样本H; 步骤2，预处理:将输入样本L进行小波分解，对输入样本L中的低频分量加矩形窗函数 后重构，得到输入样本L的近似值L' ； 步骤3,建模:将L'作为训练网络模型的输入，H作为训练网络模型的输出，采用K-均值 聚类方法，学习后得到训练好的网络模型； 步骤4,对输出样本H进行小波分解后的低频分量加矩形窗函数，重构之后得到其近似 值H'，保持步骤3的网络参数不变，将H'作为输入，输出则为预测值T，T为2a+l~3a天该区域 f时段的入流量预测值。2. 根据权利要求1所述的一种基于RBF的城域数据网流量测算方法，其特征在于，步骤2 包括如下步骤： 步骤2-1，设输入样本L为原始输入信号，通过两个互补的滤波器组，其中一个滤波器为 低通滤波器h，通过该低通滤波器得到原始输入信号的近似值A，另一个滤波器为高通滤波 器g，通过该高通滤波器得到原始输入信号的细节值D;近似值A表示原始输入信号的低频分 量，细节值D表示原始输入信号的高频分量； 步骤2-2,对低频分量A进一步分解，设Vj表示分解中的低频分量A的第j个函数子空间， Wj表示分解中的高频分量D的第j个函数子空间，小波分解的过程定义为用函数子空间Vj和 W冰表示函数空间L2(R)，则Wj表示Vj在V冲的正交补，即： 二巧，(1) 其中，j = l，2,…，N，N表示分解尺度的总数，取值为自然数，Vw表示V撕下一个函数子 空间，W泡含的是信号函数SEL2(R)的细节值，则= /?(/?)，R表示实数域. 步骤2-3,对于Vw上任意的信号函数SeVw，采用如下公式（2)和（3)的分解方法得到 公式(4): K, = K ?巧=^^2货e巧=...?.' = Fv安听,货Wv-,安…?取2货巧，（2) 公式(2)中，Vo表示分解尺度为O的低频子空间，Vn表示分解尺度为N的低频子空间，Wn表 示分解尺度为N的高频子空间；公式(3)中，An表示原始输入信号的分解尺度为N时对应的近似值，Dn表示原始输入信号 的分解尺度为N时对应的细节值，N为分解尺度的总数，i取值1~N;当N = 0时，目化的分解尺 度为0，S等于原始输入信号L当N= 1时，S = Ai+Di，即分解为一个低频分量和一个高频分量 之和； 则得到如下公式(4):公式(4)中，Aj,k表示大小为j Xk的低频分量，Dj,k表示大小为j Xk的高频分量;k表示时 间位移，取值范围为整数集合z;s(t)表示时域上的原始输入信号，t表示时间序列，取值为 N 正整数;尺度函数抑O =乙抑2/-A)，小波母函数庐偉) = _巧，并且iKt)具 k=0 J'.'c 有I阶消失矩，I = I，2，……，N，小波母函数至少有一阶消失矩； 再采用公式巧)的双尺度方程得到小波分解方法：Aw,1为Aj,k通过低通滤波器h后得到第j+1层的低频分量，Dw,1为Aj,k通过高通滤波器g 后得到第j+1层的高频分量； 采用公式(5)将Vw上的信号函数S分解为其函数子空间V神抓J的投影，即分解为一个低 频分量和一个高频分量之和，采用公式(6)得到信号的重构算法，即由函数子空间Vj上的一 个低频分量和Wj上的一个高频分量重构出Vw上的信号函数S，整个小波分解和重构的过程称为Mallat算法，通过小波分解的低频分量和高频分量分 别重构出原始输入信号的近似值和细节值； 步骤2-4,用窗函数E(r)与输入样本L的低频分量相乘，形成加窗信号，其中E(r)取矩形 窗函数，定义为石(〇 = < ，然后重构出输入样本1的近似值1/。3.根据权利要求2所述的一种基于RBF的城域数据网流量测算方法，其特征在于，步骤3 包括:将近似值L'作为训练网络模型的输入，H作为训练网络模型的输出，设置训练网络模 型，设置RBF径向基函数的S层结构，即输入层、隐含层和输出层，各层神经元数目依次是 m、P、mi，输入样本向量为Z = (X,，A，……:成,)T，.输出样本向量为F =(壯於,......，-1，。,,) >该 模型实现由义= ……，.\f到输出^=レl，於:，……，y",f的映射，对于每个输出节点 巧！ 却义…，祝,}，满足如下公式：A :=.；￡如.巧|义-cy)，巧） 与=1 其中表示m个隐含层到第ji个输出层的权值矩阵，ii取值1~m，气表示径向基函数 的中屯、，G( ?)是一类非线性径向对称基函数，M ? M表示距中屯、的距离，采用高斯函数得 到训练网络模型为：其中，径向基函数的中屯、Cl,和基函数宽度O是径向基函数需要学习的参数，采用自组织 选取中屯、法求取基函数的中屯、和基函数宽度0,得到最终的训练网络模型。
【专利摘要】本发明公开了一种基于RBF的城域数据网流量测算方法，包括：取样：以a天为周期从现有城域网设备中采集一个区域f时段的入流量作为输入样本L，将接下a+1～2a天f时段该区域的入流量作为输出样本H；预处理：将L进行小波分解，对低频分量加矩形窗函数后重构得到L的近似值Lˊ；建模：将Lˊ作为训练网络模型的输入，H作为训练网络模型的输出，采用K-均值聚类方法得到训练好的网络模型；对输出样本H进行小波分解后的低频分量加矩形窗函数，重构之后得到其近似值Hˊ，保持网络参数不变，将Hˊ作为输入，输出预测值T，T为2a+1～3a天f时段该区域的入流量预测值。
【IPC分类】H04L12/24
【公开号】CN105515857
【申请号】CN201510894627
【发明人】程晓轩, 魏康, 巫晨云, 张晖, 颜军, 贾军
【申请人】江苏省邮电规划设计院有限责任公司
【公开日】2016年4月20日
【申请日】2015年12月8日