周 莉，刘 东，郑晓亮

(安徽理工大学 电气与信息工程学院，安徽 淮南 232001)

0 引 言

在某些赛事现场，为了防止因观众使用手机上网产生的网络流量增多而导致网络拥堵的情况发生，当流量数值达到限定值后就要对场馆周围的基站进行扩容或新建小型的移动基站[1-4]。手机产生的上网流量属于网络流量中的一种，网络流量具有非线性、自相似性、长相关性和多分型等特性[5-7]。在对网络流量的预测上，现有的预测模型主要分为线性和非线性两种。线性模型的构建简单、容易实现，但面对复杂的网络流量数据，难以保证其预测精度。目前的研究结果表明，非线性模型在处理流量等复杂数据中得到较好的应用。常用的预测模型有：①采用分形自回归积分滑动平均模型对网络流量预测[8]；②采用支持向量机(support vector machine，SVM)与其它算法的组合模型对网络流量预测[9-11]；③采用反向传播(back propagation，BP)神经网络对网络流量预测[12]。以上的预测模型对数据之间的非线性关系捕捉不明显且模型训练时间较长，还容易导致模型陷入局部极值。

为了解决上述模型的不足，本文提出以深度极限学习机为基础[13]，使用粒子群算法优化它的各隐含层神经元节点数作为组合模型。这样既能保证它在应对复杂问题上具有良好的准确度，也能减少模型的训练时间。

1 DELM的原理

在2004年，极限学习机(extreme learning machine，ELM)理论被南洋理工大学的黄广斌教授提出，ELM是一种单隐含层前馈神经网络(single-hidden layer feedforward neural network，SLFN)算法[14]。它与常用的BP神经网络相比，ELM是对于权重和阈值随机的选取，而不像BP是通过反向传播算法调节各层之间的权值和阈值，从而减少了算法模型的学习时间和结构的复杂性，提高了模型整体的训练速度。……