一種用于衛(wèi)星網(wǎng)絡(luò)的業(yè)務(wù)預(yù)測(cè)方法*

魏 伍，張更新，呂 晶，楊晗竹

(解放軍理工大學(xué) 通信工程學(xué)院,江蘇 南京 210007)

一種用于衛(wèi)星網(wǎng)絡(luò)的業(yè)務(wù)預(yù)測(cè)方法*

魏 伍，張更新，呂 晶，楊晗竹

(解放軍理工大學(xué) 通信工程學(xué)院,江蘇 南京 210007)

針對(duì)衛(wèi)星網(wǎng)絡(luò)業(yè)務(wù)具有自相似的特點(diǎn)，介紹了一種基于集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾臉I(yè)務(wù)組合預(yù)測(cè)方法(EEMD)。該方法利用EEMD的分解特性，將具有自相似的網(wǎng)絡(luò)流量分解成多個(gè)只具備短相關(guān)性的本征模態(tài)函數(shù)(IMF)，這樣便可使用傳統(tǒng)的流量預(yù)測(cè)算法進(jìn)行預(yù)測(cè)。文中使用人工神經(jīng)網(wǎng)絡(luò)與自回歸滑動(dòng)平均模型(ARMA)這兩種方法進(jìn)行預(yù)測(cè)。最后將多個(gè)本征模態(tài)函數(shù)(IMF)預(yù)測(cè)的結(jié)果相加作為原始信號(hào)的預(yù)測(cè)結(jié)果，實(shí)驗(yàn)證明此方法有更高的精度。為了迎合衛(wèi)星實(shí)時(shí)性的需求，給出了硬件的框架，該框架采用DSP與FPGA相結(jié)合的構(gòu)架實(shí)現(xiàn)連續(xù)數(shù)據(jù)的EEMD實(shí)時(shí)處理。

集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?；本征模態(tài)函數(shù)；人工神經(jīng)網(wǎng)絡(luò)；ARMA

0 引 言

隨著衛(wèi)星技術(shù)的發(fā)展和日益增長(zhǎng)的客戶需求，衛(wèi)星通信系統(tǒng)不僅承載低速的數(shù)據(jù)及話音(64kb/s以下)而且需要支持圖像、聲音、視頻相結(jié)合的全新、高速率、交互式的寬帶多媒體業(yè)務(wù)，在此也稱為衛(wèi)星寬帶多媒體業(yè)務(wù)。面對(duì)有限的衛(wèi)星帶寬資源，如何對(duì)系統(tǒng)進(jìn)行高效地管理，成為衛(wèi)星通信系統(tǒng)研究領(lǐng)域的首要問(wèn)題。

1994年，Leland發(fā)現(xiàn)網(wǎng)絡(luò)流量數(shù)據(jù)呈現(xiàn)出的特性與以往電話網(wǎng)絡(luò)流量數(shù)據(jù)具有非常大的差異，稱之為自相似特性[1]。研究表明，自相似性不僅出現(xiàn)在因特網(wǎng)中，Ad hoc網(wǎng)絡(luò)與衛(wèi)星通信系統(tǒng)中都有此特性。自相似性包含了短程相關(guān)性與長(zhǎng)程相關(guān)性。而傳統(tǒng)的預(yù)測(cè)方法例如，泊松過(guò)程，自回歸滑動(dòng)平均模型(ARMA)[2]，自回歸積分滑動(dòng)平均模型(ARIMA)[3]和卡爾曼濾波[4]等都是短程相關(guān)模型。因此，當(dāng)這些模型被用于自相似性網(wǎng)絡(luò)流量預(yù)測(cè)時(shí)，預(yù)測(cè)誤差會(huì)較大。

針對(duì)網(wǎng)絡(luò)流量的自相似性，近年來(lái)取得了顯著的研究成果，一般分為四類(lèi)：①基于時(shí)間序列的預(yù)測(cè)，如分?jǐn)?shù)差分自回歸求和滑動(dòng)平均模型(FARIMA)[5]，但基于時(shí)間序列的模型都是線性模型，所以在預(yù)測(cè)非線性、不確定性的業(yè)務(wù)流量時(shí)，模型性能變差，在每次計(jì)算時(shí)都要調(diào)整權(quán)值，因此計(jì)算量過(guò)大，預(yù)測(cè)結(jié)果有時(shí)要延遲幾個(gè)時(shí)間段。②基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)(ANN)[6]，主要有BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)以及模糊神經(jīng)網(wǎng)絡(luò)等。其運(yùn)用領(lǐng)域廣泛，非線性函數(shù)擬合的效果較好。③基于混沌理論的預(yù)測(cè)，目前基于混沌理論的預(yù)測(cè)都只處于嘗試階段，并且對(duì)混沌現(xiàn)象的本質(zhì)了解的還不夠徹底。其計(jì)算過(guò)程還比較復(fù)雜，預(yù)測(cè)的可靠性和精度還無(wú)法保證。④組合預(yù)測(cè)，是指把不同的數(shù)據(jù)處理及預(yù)測(cè)方法結(jié)合起來(lái)，綜合利用各自的優(yōu)勢(shì)，以合理的方式得出組合預(yù)測(cè)模型和最佳預(yù)測(cè)結(jié)果，從而達(dá)到提高預(yù)測(cè)精度和增加預(yù)測(cè)可靠性的效果。目前流量預(yù)測(cè)領(lǐng)域最主要的三類(lèi)組合預(yù)測(cè)方法包括：基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)方法，基于小波理論的組合預(yù)測(cè)方法以及基于支持向量機(jī)理論的組合預(yù)測(cè)方法以及基于集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD)的組合預(yù)測(cè)方法。這些方法的關(guān)鍵在于將自相似流量數(shù)據(jù)轉(zhuǎn)化為短相關(guān)數(shù)據(jù)，這樣就可以用傳統(tǒng)的方式進(jìn)行預(yù)測(cè)了。

其中，EEMD的組合預(yù)測(cè)方法可以將自相似流量數(shù)據(jù)分解成若干路窄帶本征模態(tài)函數(shù)(IMF)，并驗(yàn)證了IMF是短相關(guān)的，從而減少了模型的復(fù)雜度，由于每路IMF特性有所不同，對(duì)此本文提出了一種結(jié)合ANN與ARMA的IMF預(yù)測(cè)方法。

1 基于集合經(jīng)驗(yàn)?zāi)Ｊ降慕M合預(yù)測(cè)

1.1 互補(bǔ)集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?CEEMD)

(1)

(2)

(3)

接著對(duì)原始數(shù)據(jù)以及CEEMD處理得到的IMF1-3采用R/S進(jìn)行分析。從圖1，圖2，圖3中可知，原始數(shù)據(jù)的R/S圖基本為一條直線，得到的斜率即為Hurst參數(shù)為0.83，說(shuō)明原始信號(hào)確實(shí)具有自相似性(Hurst>0.5,說(shuō)明序列有自相似性)。而IMF1的R/S圖的數(shù)據(jù)點(diǎn)已經(jīng)開(kāi)始出現(xiàn)離散的情況，且Hurst值分別為0.42。IMF2-3的曲線已不是直線，所以雖然其Hurst值較大，其結(jié)果也不具有參考意義。從R/S圖呈現(xiàn)的非直線特性及求得的Hurst值大小，可知這三路IMF中不具有明顯的自相似特性。

圖1 原始流量數(shù)據(jù)

圖2 IMF1-9的數(shù)據(jù)

(a)Traffic Data

(b)IMF1

(c)IMF2

(d)IMF3

1.2 廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)

廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)在1991年由一個(gè)學(xué)者Donald F.Specht提出。GRNN是徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的一種，有著強(qiáng)大的非線性映射能力，適合處理多種非線性問(wèn)題，并在擬合與學(xué)習(xí)能力方便強(qiáng)于RBFNN。與BP神經(jīng)網(wǎng)絡(luò)相比，GRNN不僅運(yùn)算速度快，且在函數(shù)逼近能力和學(xué)習(xí)速度上均具有較強(qiáng)的優(yōu)勢(shì)，可更快地找到合適地預(yù)測(cè)網(wǎng)絡(luò)，但spread因子的選取對(duì)GRNN預(yù)測(cè)地精度有較大影響，網(wǎng)絡(luò)的訓(xùn)練過(guò)程實(shí)際上是優(yōu)化平滑參數(shù)spread的過(guò)程。通過(guò)改變 spread,從而調(diào)整隱含層的傳遞函數(shù),來(lái)獲得最佳的回歸 估計(jì)結(jié)果。如果 spread 取值不合適,GRNN 就無(wú)法達(dá)到預(yù)期的訓(xùn)練效果。為獲得理想的 spread,使預(yù)測(cè)模 型具有良好的推廣能力,采用果蠅優(yōu)化算[7]法對(duì) GRNN 模型中的平滑參數(shù)進(jìn)行優(yōu)化。由于果蠅算法[9]有局部最優(yōu)的問(wèn)題，這里進(jìn)行了一些改進(jìn)，步驟為：1)隨機(jī)初始果蠅群體位置；2)附與果蠅個(gè)體利用嗅覺(jué)搜尋食物之隨機(jī)方向與距離；3)由于無(wú)法得知食物位置,因此先估計(jì)與原點(diǎn)之距離(Dist),再計(jì)算味道濃度判定值(S),此值為距離之倒數(shù)；4)味道濃度判定值(S)代入味道濃度判定函數(shù)(或稱為Fitness function)以求出該果蠅個(gè)體位置的味道濃度(Smelli)；5)找出此果蠅群體的中味道濃度最高的果蠅(求極大值)；6)保留最佳味道濃度值與x、y坐標(biāo),此時(shí)果蠅群體利用視覺(jué)往該位置飛去。為了增加種群的多樣性，每只果蠅移動(dòng)的范圍不斷擴(kuò)大，使得移動(dòng)出局部極值的概率增加；7)重復(fù)前6步。

1.3 自回歸滑動(dòng)平均模型(ARMA)

由于IMF3之后的各路IMF較為平緩，所以可以使用傳統(tǒng)的IMF進(jìn)行預(yù)測(cè)。而后的模型可以在分解時(shí)改變EEMD的分解規(guī)則，只分出3路，而后進(jìn)行預(yù)測(cè)。

下面是ARMA(p, q)模型的數(shù)學(xué)形式，即：

(5)

目前ARMA模型作為一種經(jīng)典的線性預(yù)測(cè)模型，其訓(xùn)練算法已較為成熟。

2 仿真實(shí)驗(yàn)分析

測(cè)試使用了上文所述的BC-pOct89中800點(diǎn)樣本數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。具體實(shí)施時(shí)，首先通過(guò)CEEMD對(duì)所有800點(diǎn)數(shù)據(jù)進(jìn)行分解。之后分別對(duì)IMF1采用GRNN模型，IMF2-IMF9采用ARMA模型進(jìn)行建模，如圖8所示。且利用分解結(jié)果中的前600點(diǎn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后200點(diǎn)數(shù)據(jù)作為測(cè)試數(shù)據(jù)。之前由于數(shù)據(jù)過(guò)大，測(cè)試結(jié)果的評(píng)價(jià)采用如公式所示的誤差度量形式：

(6)

圖4 IMF1-GRNN預(yù)測(cè)

圖5 IMF2-ARMA預(yù)測(cè)

圖6 IMF3-ARMA預(yù)測(cè)

圖7 GRNN-ARMA預(yù)測(cè)

IMFnMSEIMFnMSEIMF1(GRNN)3.71×10-3IMF1(ARMA)9.72×10-3IMF25.57×10-4IMF31.03×10-6IMF45.89×10-8IMF51.89×10-5IMF63.02×10-5IMF71.23×10-4IMF81.09×10-10IMF91.12×10-9IMF3-91.72×10-4——

表2 不同方法的預(yù)測(cè)結(jié)果(MSE)

從圖5，圖6，圖7，表1，表2中，我們知道GRNN的精度高于ARMA。由總體的流量，ARMA與GRNN的仿真結(jié)果比單一的方法精度更高。為了迎合衛(wèi)星實(shí)時(shí)性的需求，我們給出了硬件的框架見(jiàn)圖8，該框架參考了Lee等人[10]提出了采用DSP與FPGA相結(jié)合的構(gòu)架實(shí)現(xiàn)連續(xù)數(shù)據(jù)的EMD實(shí)時(shí)處理。Lee等人通過(guò)DSP構(gòu)建了EMD專用處理器，實(shí)現(xiàn)對(duì)數(shù)據(jù)的高速處理。此外，利用FPGA實(shí)現(xiàn)管道和數(shù)據(jù)的傳輸控制，從而實(shí)現(xiàn)了數(shù)據(jù)的并行處理，提升了數(shù)據(jù)處理效率。具體的預(yù)測(cè)步驟是：首先通過(guò)EEMD對(duì)一段訓(xùn)練數(shù)據(jù)進(jìn)行分析，從而分解得到的3路IMF訓(xùn)練相應(yīng)的ANN和ARMA模型。之后基于該模型對(duì)下一時(shí)刻的流量數(shù)據(jù)進(jìn)行預(yù)測(cè)。當(dāng)下一時(shí)刻數(shù)據(jù)到來(lái)時(shí)，更新EEMD分解數(shù)據(jù)，并重復(fù)以上步驟。此外，預(yù)測(cè)過(guò)程中還將實(shí)時(shí)監(jiān)測(cè)預(yù)測(cè)誤差情況，并借鑒信號(hào)跟蹤中跟蹤丟失判斷思想，采用當(dāng)預(yù)測(cè)誤差連續(xù)出現(xiàn)5次高于門(mén)限誤差ethresh時(shí)，則認(rèn)為流量狀況發(fā)生明顯變化，需要重新對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練。

圖8 基于CEEMD流量預(yù)測(cè)的實(shí)時(shí)實(shí)現(xiàn)流程

3 結(jié) 語(yǔ)

文章對(duì)自相似流量預(yù)測(cè)進(jìn)行了分析和研究。通過(guò)EEMD算法對(duì)原始數(shù)據(jù)進(jìn)行分解，得到若干路IMF分量。經(jīng)過(guò)理論證明，自相似流量經(jīng)過(guò)EEMD分解后，各IMF分量呈現(xiàn)短相關(guān)性。由于分解后的IMF波動(dòng)性依然較大，分別運(yùn)用了GRNN與ARMA模型，并且在選取GRNN模型參數(shù)時(shí)運(yùn)用了果蠅優(yōu)化算，實(shí)驗(yàn)證明，單一的神經(jīng)網(wǎng)絡(luò)與ARMA模型精度低于組合算法。而在實(shí)時(shí)性方面也有理論性的支持，在接下來(lái)的研究中，需要進(jìn)一步進(jìn)行工程實(shí)踐。

[1] Ilow J, Leung H. Self-Similar Texture Modeling using FARIMA Processes with Applications to Satellite Images [J]. IEEE Trans on Image Processing, pp.792-797,2001.

[2] BoxGEP, Jenkins G M, Reinsel G C. Time Series Analysis: Forecasting and Control. Upper Saddle River, [M] NJ: Prentice-Hall, 1994.

[3] YU Guo-qiang, ZHANG Chang-shui. Switching ARIMA Model based Forecasting for Traffic Flow [C]. Proc of ICASSP, 2004.

[4] Yantai S, J Zhi-gang, Z Lian-fang, Traffic Prediction using FARIMA Models[M]. Proc of ICC, 1999.

[5] Kolarov A, Atai A, Hui J. Application of Kalman Filter in High-Speed Networks[C]. Proc of Globecom,1994.

[6] 馬容生.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的 P2P 流量檢測(cè)研究[J]. 通信技術(shù)，2012, 45(06):113-120.

MA Rong-sheng. Study on P2P Stream Detection based on Auto-Adapted Neural Network[J], Communications Technology,Vol.45,No.06,2012, pp113-120.

[7] WU Zhao-hua and Norden E Huang. Ensemble Empirical Mode Decomposition: A Noise-Assisted Data Analysis Method[C]. Proceedings of the First International Conference on the Advance of Hilbert-Huang Transform and Its Applications, National Central University,Taiwan,2006.

[8] Yeh J R,Shieh J S and Huang N E. Complementary Ensemble Empirical Mode Decomposition: A Novel Noise Enhanced Data Analysis Method[J]. Advances in Adaptive Data Analysis, vol. 2, Issue 2, pp. 135-156, 2010.

[9] PAN Wen-tao. A New Fruit Fly Optimization Algorithm: Taking the Financial Distress Model as an Example. Knowledge-based Systems[C], (In Press), 2011, (SCI).

[10] Lee M, Shyu K, Lee P. Hardware Implementation of EMD using DSP and FPGA for Online Signal Processing [J]. IEEE Trans on Industrial Electronics, 2011, 58(6): 2473-2481.

Traffic Prediction Method for Satellite Network

WEI Wu，ZHANG Geng-xin，LV Jing，YANG Han-zhu

(College of Communication Engineering, PLA University of Science and Technology，Nanjing Jiangsu 210007, China)

For the self-similarity of satellite network traffic, a novel business portfolio prediction method based on EEMD (Ensemble Empirical Mode Decomposition) is proposed. This method uses the decomposition characteristic of EEMD to divide self-similar network traffic into multiple IMF (Intrinsic Mode Function) components merely with short dependence, so that traditional methods could be applied to the prediction. In the experiment, artificial neural networks and ARMA model are used to do the prediction. Finally,the summation of all IMFs perdition data is taken as the prediction result of original signal, and experiment verifies that this method could enjoy fairly high accuracy. In order to cater for real-time requirement of satellite network, the hardware framework is also proposed. This framework uses a combined architecture of DSP and FPGA to achieve EEMD real-time processing of continuous data.

EEMD; IMF; artificial neural networks; ARMA

10.3969/j.issn.1002-0802.2015.11.016

2015-06-09；

2015-09-12 Received date:2015-06-09；Revised date：2015-09-12

國(guó)家自然科學(xué)基金(No. 91338201)

Foundation Item:National Natural Science Foundation of China(No. 9133201)

TN927

A

1002-0802(2015)11-1285-05

魏 伍(1991—)，男，碩士研究生，主要研究方向?yàn)樾l(wèi)星通信；

張更新(1967—)，男，教授，主要研究方向?yàn)樾l(wèi)星通信，衛(wèi)星導(dǎo)航，衛(wèi)星測(cè)控；

呂 晶(1965—)男，教授，主要研究方向?yàn)樾l(wèi)星通信，衛(wèi)星導(dǎo)航，衛(wèi)星測(cè)控；

楊晗竹(1991—)，女，碩士研究生，主要研究方向?yàn)樾l(wèi)星導(dǎo)航。