宋 志 清

(张家口市科技馆,河北 张家口 075000)

0 引 言

随着人工智能技术和大数据技术的不断发展,同时也伴随着网络市场的进一步改善和网络服务行业的强烈需求,网络流量数据预测引起了行业内的广泛关注.为了尝试预测网络流量的更动趋势,国内外研究者将各种统计学和数据挖掘学的模型试图用到此项研究中,比如MARS模型、惩罚性回归模型和聚类分析模型等.可是由于影响网络流量的因素太多很难应用传统统计学方法进行分析和预测,而通过神经网络技术就可以顺利的解决这一难题.

本文利用Python爬虫中逆向JS技术对某一著名网站进行一段时间的持续跟踪,得到此网站的用户流量时间序列数据,根据此数据进行本次实验.同时利用到LSTM神经网络模型对得到的数据进行智能建模,通过分析和调整LSTM中的三项权重,得到最终的组合模型并对今后短期流量进行预测.

1 LSTM模型原理及结构简介

提到LSTM神经网络,就不得不先介绍一下循环神经网络(Recurrent Neural Network,RNN).因为RNN是LSTM神经网络的基石,其中LSTM也是从原始的RNN结构中一步一步优化得来的.

1.1 循环神经网络

循环神经网络(Recurrent Neural Network,RNN),RNN不仅将基本神经网络中的输入层、隐藏层和输出层中各个层级间权重连接起来,而且也将每层之间的神经元建立了权重连接.如图1标准RNN网络结构图.

图1 标准RNN网络结构图

1.2 长短记忆神经网络

长短期记忆神经网络(Long Short-Term Memory,LSTM),此神经网络为一种时间循环神经网络.其主要是因为RNN易受到短时记……