本發明公開了一種基于決策灰狼算法優化LSTM的網絡流量預測方法，屬于網絡流量預測領域，該方法包括以下步驟：對第一網絡流量數據集進行極差標準化處理，得到第二網絡流量數據集，并劃分為訓練集和測試集，并確定決策灰狼算法優化LSTM神經網絡中輸入層單元個數、輸出層單元個數和隱藏層單元個數；用得到第二網絡流量數據集，在過程中利用決策灰狼算法來優化LSTM神經網絡的參數，得到訓練完成的決策灰狼算法優化LSTM神經網絡；決策灰狼優化算法可以有效解決優化中的求解問題，可應用于工程、經濟、調度等問題求解。決策灰狼優化算法利用自身的全局最優能力彌補傳統LSTM容易收斂于局部最優解的缺點，提高LSTM避免局部最優能力；加快LSTM神經網絡參數收速度。實驗證明，決策灰狼算法優化LSTM能夠有效減少神經網絡的訓練時間，提高了網絡流量預測精度。

技術領域

本發明涉及網絡流量預測領域，尤其涉及一種基于決策灰狼算法優化LSTM的網絡流量預測方法。

背景技術

灰狼優化算法(Grey Wolf Optimization，GWO)的靈感來源于狼群的等級制度和狩獵行為，Mirjalili S已經證明GWO算法性能相較于其他群體智能算法的優越性。GWO算法已經在科學，工程和工業等諸多領域得到了應用。根據狼群中α，β，δ和ω的社會等級，將α，β和δ等級映射為GWO算法中的最優解、次優解、次次優解。將ω等級的狼映射為GWO算法中的其他解。這種做法，保證了GWO算法會一直朝著全局最優解的位置移動。狼群的狩獵過程被劃分為三個階段：搜尋獵物，包圍獵物，攻擊獵物。

(1)搜尋獵物：

狼群在進行捕獵之前，狼群會搜尋獵物，計算出狼與獵物的距離。搜尋獵物的數學模型為：

其中表示獵物的位置,表示當前狼的位置，t為當前迭代次數，是系數向量，的值是[0,1]范圍內的隨機數。

(2)包圍獵物：

在狩獵過程中，狼群會對獵物進行追逐和騷擾，并試圖對獵物進行包圍。這一過程中狼群中領頭狼帶頭追，其他狼跟在領頭狼的周圍。包圍獵物的數學模型為：

其中表示獵物的位置，是系數向量，的值是[0,1]范圍內的隨機數，a從2線性衰減到0，t為當前迭代次數，T為最大迭代次數。

(3)攻擊獵物：

在狼群追上獵物后，將其包圍迫使獵物停下，此時，領頭狼指揮狼群進行攻擊。因為沒有獵物明確的位置，所以默認狼群中的α狼，β狼和δ狼對獵物的潛在位置有更好的了解。此時，狼群首領指揮狼群進行向獵物的潛在位置移動，對獵物進行攻擊。攻擊獵物的數學模型為：

其中和分別代表α狼，β狼和δ狼在解空間中的位置。

因為GWO算法在開發階段容易停滯，在后期收斂速度變慢等問題，所以科研工作者們對GWO算法進行了改進產生了諸多變體。這些變體的改變可以劃分為四大類：改進收斂因子a、改進狼群的初始化、改進狼群位置的更新方法、對狼群更新后的α狼，β狼和δ狼再進行優化。

收斂因子a在平衡探索和開發之間的關系中起到至關重要的作用。合理的收斂因子a使GWO具有更好的勘探和開發質量，增強了避免局部最優的能力，但會降低算法的穩定性。

合理的初始化種群對算法的求解精度和收斂速度有著至關重要的作用。合理的初始化種群可以使算法的到更加準確的結果，但會降低算法全局搜索能力。