1 内容介绍
一种基于灰狼算法优化LSTM的网络流量预测方法,属于网络流量预测领域,该方法包括以下步骤:对第一网络流量数据集进行极差标准化处理,得到第二网络流量数据集,并划分为训练集和测试集,并确定灰狼算法优化LSTM神经网络中输入层单元个数,输出层单元个数和隐藏层单元个数;用得到第二网络流量数据集,在过程中利用灰狼算法来优化LSTM神经网络的参数,得到训练完成的灰狼算法优化LSTM神经网络;灰狼优化算法可以有效解决优化中的求解问题,可应用于工程,经济,调度等问题求解.灰狼优化算法利用自身的全局最优能力弥补传统LSTM容易收敛于局部最优解的缺点,提高LSTM避免局部最优能力;加快LSTM神经网络参数收速度.实验证明,灰狼算法优化LSTM能够有效减少神经网络的训练时间,提高了网络流量预测精度.?
2 仿真代码
function result = fun(pop)
global inputn outputn shuru_num shuchu_num
tic
pop(1)=round(pop(1));
layers = [ ...
? ? sequenceInputLayer(shuru_num)
? ? lstmLayer(pop(1))
? ? fullyConnectedLayer(shuchu_num)
? ? regressionLayer];
options = trainingOptions('adam', ...? % 梯度下降
? ? 'MaxEpochs',50, ...? ? ? ? ? ? ? ? % 最大迭代次数
? ? ?'GradientThreshold',1, ...? ? ? ? ?% 梯度阈值?
? ? 'InitialLearnRate',pop(2));
% 划分训练集=训练集中选取80%进行训练，20%进行训练测试
n = randperm(size(inputn,2));%随机选取
xun_n = round(size(inputn,2)*0.8);
xunx = inputn(:,n(1:xun_n));
xuny = outputn(:,n(1:xun_n));??
cex = inputn(:,n((xun_n+1):end));
cey = outputn(:,n((xun_n+1):end));?
% 训练LSTM
net = trainNetwork(xunx,xuny,layers,options);
% 预测
net = resetState(net);% 网络的更新状态可能对分类产生了负面影响。重置网络状态并再次预测序列。
[~,Ytrain]= predictAndUpdateState(net,cex);
error = Ytrain-cey;
num=length(cey);
cg=sum(error.*error)/num;
?toc
disp('-------------------------')
result = cg;
end
3 运行结果
4 参考文献
[1]杜秀丽, 司增辉, 潘成胜,等. 一种基于决策灰狼算法优化LSTM的网络流量预测方法:, CN111371607A[P]. 2020.
[2]庞敏. 基于LSTM混合模型的时间序列预测[D]. 华中科技大学.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。