基于改进LSTM算法的天地一体化信息网络流量预测

doi:10.11959/j.issn.2096-8930.20200208

天地一体化信息网络 ›› 2020, Vol. 1 ›› Issue (2): 57-65.doi: 10.11959/j.issn.2096-8930.20200208

所属专题：专题：天地一体化信息网络体系架构

• 专题：天地一体化信息网络体系架构 • 上一篇下一篇

基于改进LSTM算法的天地一体化信息网络流量预测

潘成胜¹^,², 王羽夫¹, 杨力¹

¹ 大连大学通信与网络重点实验室，辽宁大连 116622
² 南京信息工程大学，江苏南京 210044

修回日期:2020-11-10 出版日期:2020-12-20 发布日期:2020-12-01
作者简介:潘成胜（1962-），男，大连大学通信与网络重点实验室教授，南京信息工程大学电子信息工程学院教授，主要研究方向为一体化网络系统与网络协议、一体化指挥系统的网络理论与技术。
王羽夫（1996-），男，大连大学通信与网络重点实验室研究生，主要研究方向为一体化智能网络流量预测技术。
杨力（1982-），女，大连大学通信与网络重点实验室负责人，主要研究方向为空间信息网络传输技术、无线通信网络协议理论与方法。

Traffic Prediction of Space-Integrated-Ground Information Network Based on Improved LSTM Algorithm

Chengsheng PAN¹^,², Yufu WANG¹, Li YANG¹

¹ Communication and Network Laboratory, Dalian University, Dalian 116622, China
² Nanjing University of Information Science and Technology, Nanjing 210044, China

Revised:2020-11-10 Online:2020-12-20 Published:2020-12-01

摘要/Abstract

摘要：

天地一体化信息网络由于存在流量突发性强、拓扑时变等问题使得通信易产生中断，流量波动不平稳导致其流量预测难度远高于地面网络。针对该问题，提出一种改进的LSTM算法，首先分析流量序列滞后变量对预测值的影响，判断流量自相关度；其次，采用以预测值代替中断的方式，消除训练集的噪声和断点；最后，使用Dropout算法减少了噪声和神经网络过拟合带来的影响，准确预测天地一体化信息网络流量数据。仿真实验表明，在OPNET仿真环境中，该算法相较于其他算法准确性提升了59.21%，算法训练速度提升了11.11%，能够为天地一体化信息网络统筹调度提供有效的数据支撑。

关键词: 天地一体化信息网络, 网络流量预测, 深度学习, 流量自相关性

Abstract:

The space-integrated-ground information network is easy to interrupt and the traffi c fl uctuation is not stable due to the problems of high traffi c burst and topological time-varying, which makes the traffi c prediction diffi cult much higher than the ground.In order to solve this problem, an improved LSTM algorithm was put forward.Firstly, the traffi c autocorrelation was judged by analyzd the infl uence of the lag variable of traffi c sequence on the predicted value; Secondly, the noise and breakpoint of the training set were eliminated by replacing the interruption with the predicted value; Finally, Dropout algorithm was used to reduce the impact of noise and neural network over fi tting, and accurately predict the traffi c data of the integrated intelligent network.The simulation results showed that in OPNET simulation environment, compared with other algorithms, the accuracy of this algorithm was improved by 59.21%, and the training speed of the algorithm was improved by 11.11%, which could provide eff ective data support for the overall scheduling of the integrated intelligent network.

Key words: space-integrated-ground information network, traffi c prediction of network, deep learning, traffi c autocorrelation

中图分类号:

TN929

潘成胜, 王羽夫, 杨力. 基于改进LSTM算法的天地一体化信息网络流量预测[J]. 天地一体化信息网络, 2020, 1(2): 57-65.

Chengsheng PAN, Yufu WANG, Li YANG. Traffic Prediction of Space-Integrated-Ground Information Network Based on Improved LSTM Algorithm[J]. Space-Integrated-Ground Information Networks, 2020, 1(2): 57-65.

图/表 11

图1

图2

图3

图4

图5

图6

图7

图8

图9

表1

图10

参考文献 15

[1]	成艳, 韩笑冬, 陈亮亮 ,等. 天地一体化信息网络参考模型及关键技术[J]. 空间电子技术, 2017(4): 39-42+47.
	CHENG Y , HAN X D , CHEN L L ,et al. Function reference model and key technologies of space-integration ground information network[J]. Space Electronic Technology, 2017(4): 39-42+47.
[2]	刘立祥 . 天地一体化信息网络[M]. 北京: 科学出版社, 2015.
	LIU L X . Space-and-ground integration network[M]. Beijing: Science Press, 2015.
[3]	林振荣, 黎嘉诚, 杨冬芹 ,等. 改进微分进化和小波神经网络的网络流量预测[J]. 计算机工程与设计, 2019,040(12): 3413-3418.
	LIN Z R , LI J C , YANG D Q ,et al. Network traffic prediction based on wavelet neural network with improved differential evolution algorithm[J]. Computer Engineering and Design, 2019,040(12): 3413-3418.
[4]	LI M , WANG Y W , WANG Z W ,et al. A deep learning method based on an attention mechanism for wireless network traffic prediction[J]. Ad Hoc Networks, 2020.
[5]	穆昌 . 基于小波变换和极限学习机的网络流量预测模型[J]. 微型电脑应用, 2020,036(1): 138-140.
	MU C . Network traffic prediction model based on wavelet transform and limit learning machine[J]. Microcomputer Applications, 2020,036(1): 138-140.
[6]	FAN J , MU D , LIU Y . Research on network traffic prediction model based on neural network[C]// 2019 2nd International Conference on Information Systems and Computer Aided Education(ICISCAE). Piscataway: IEEE, 2019: 554-557.
[7]	ZHANG G , HUANG D . Short-term network traffic prediction with ACD and particle filter[C]// 2013 5th International Conference on Intelligent Networking and Collaborative Systems. Piscataway:IEEE, 2013: 189-191.
[8]	LI Z , LEI Q , KOUYING X ,et al. A novel BP neural network model for traffic prediction of next generation network[C]// 2009 Fifth International Conference on Natural Computation. Piscataway:IEEE, 2009: 32-38.
[9]	KO T , RAZA S M , BINH D T ,et al. Network prediction with traffic gradient classification using convolutional neural networks[C]// 2020 14th International Conference on Ubiquitous Information Management and Communication (IMCOM). Piscataway:IEEE, 2020: 1-4.
[10]	MOHORCIC M , SVIGELJ A , KANDUS G ,et al. Demographically weighted traffic flow models for adaptive routing in packet-switched non-geostationary satellite meshed networks[J]. Computer Networks the International Journal of Computer ＆Telecommunications Networking, 2003,43(2): 113-131.
[11]	DONNER A , KISSLING C , HERMENIER R . Satellite constellation networks for aeronautical communication:Traffic modelling and link load analysis[J]. Iet Communications, 2010,4(13): 1594-1606.
[12]	CHEN Q , . Traffic prediction based on surrogate model in satellite constellation networks[C]// 2019 12th IFIP Wireless and Mobile Networking Conference (WMNC). Piscataway: IEEE, 2019: 126-130.
[13]	刑梦来, 王硕, 孙洋洋 . 深度学习框架PyTorch快速开发与实战[M]. 北京: 电子工业出版社, 2018.
	XING M L , WANG S , SUN Y Y . Rapid development and practice of deep learning framework PyTorch[M]. Beijing: Publishing House of Electronics Industry, 2018.
[14]	CHEN K , SONG X , HAN D ,et al. Pedestrian behavior prediction model with a convolutional LSTM encoder-decoder[J]. Physica A:Statal Mechanics and its Applications, 2020: 125-132.
[15]	SRIVASTAVA N , HINTON G E , KRIZHEVSKY A ,et al. Dropout:a simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014,15(1): 1929-1958.

算法类型	RMSE	MAPE	训练时间/s
本文改进的LSTM算法	15.38	5.35%	64
RNN算法	374.53	60.77%	91
ARIMA算法	37.71	11.93%	-
LSTM算法	62.14	31.52%	72

基于改进LSTM算法的天地一体化信息网络流量预测

Traffic Prediction of Space-Integrated-Ground Information Network Based on Improved LSTM Algorithm

在线阅读

pdf下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 15

相关文章 15

Metrics

推荐阅读 0

[1]	季新生, 黄开枝, 邬江兴, 陈亚军, 游伟. 6G天地一体化信息网络内生安全技术[J]. 天地一体化信息网络, 2023, 4(2): 2-12.
[2]	郭晟, 余乐, 朱立东. 星地场景下基于CNN的OTFS系统信道估计方法[J]. 天地一体化信息网络, 2022, 3(3): 37-45.
[3]	徐晖, 孙韶辉. 面向6G的天地一体化信息网络架构研究[J]. 天地一体化信息网络, 2021, 2(4): 2-9.
[4]	班亚明, 郑浩, 刘喆, 董思洋. 天地一体化信息网络高速传输协议设计与若干关键技术研究[J]. 天地一体化信息网络, 2021, 2(4): 84-92.
[5]	曹进, 陈李兰, 马如慧, 李晖, 李凤华. 面向多类型终端的天地一体化信息网络接入与切换认证机制研究[J]. 天地一体化信息网络, 2021, 2(3): 2-14.
[6]	石小平, 马如慧, 曹进, 李晖, 陈李兰, 李凤华. 面向卫星网络断续连通场景的接入和切换认证机制[J]. 天地一体化信息网络, 2021, 2(3): 24-34.
[7]	刘梦如, 付玉龙, 曹进, 李晖. 基于区块链的天地一体化信息网络非交互式密钥交换方法[J]. 天地一体化信息网络, 2021, 2(3): 48-56.
[8]	亓玉璐, 江荣, 荣星, 李爱平. 基于网络安全知识图谱的天地一体化信息网络攻击研判框架[J]. 天地一体化信息网络, 2021, 2(3): 57-65.
[9]	薛青松, 王晓锋. 基于模板解析的天地一体化信息网络用户行为流量回放技术[J]. 天地一体化信息网络, 2021, 2(3): 66-75.
[10]	曹素芝, 孙雪, 王厚鹏, 韩佳蓉, 潘思妍, 闫蕾. 星地融合网络智能路由技术综述[J]. 天地一体化信息网络, 2021, 2(2): 11-19.
[11]	陈雅正, 李贺武. 天地一体化信息网络中无状态地址自动配置与重复地址检测机制研究[J]. 天地一体化信息网络, 2021, 2(2): 28-34.
[12]	赵尚弘, 彭聪, 李勇军, 李海. 天地一体化信息网络光电混合交换技术研究[J]. 天地一体化信息网络, 2021, 2(2): 46-52.
[13]	李密, 陈强, 曾丞, 汪学, 王祎思, 陈向飞. 天地一体化信息网络中信号光束偏移对卫星混沌激光安全通信系统性能影响[J]. 天地一体化信息网络, 2021, 2(2): 53-61.
[14]	王开锋, 开祥宝, 李明, 高媛, 刘运, 柴金川. 天地一体化信息网络在铁路领域的应用展望[J]. 天地一体化信息网络, 2021, 2(1): 93-98.
[15]	章小宁, 朱立东. 通信与安全一体化的天地异构融合网络体系架构[J]. 天地一体化信息网络, 2020, 1(2): 11-16.