以准确估计舰船通信网络流量为研究核心，提出基于大数据驱动与分析的舰船通信网络流量智能估计方法。该方法以大数据驱动和分析领域中的经验模态分解、卷积神经网络为技术核心，使用基于改进集合经验模态分解的舰船通信网络信号降噪方法，去除舰船通信网络信号中噪声；构建去噪后舰船通信网络信号中的流量时间序列图，凸显通信网络流量在各个时间段的变化特征之后，将舰船通信网络流量时间序列图中的时间序列，作为基于卷积神经网络的网络流量预测方法的预测样本，提取舰船通信网络细节信号的时间序列，估计流量的趋势信息与时间信息，实现舰船通信网络流量智能估计。经测试：该方法对舰船通信网络流量智能估计后，估计结果与实际流量基本一致。
Taking the accurate estimation of ship communication network traffic as the research core, an intelligent estimation method of ship communication network traffic based on big data driving and analysis is proposed. This method takes empirical mode decomposition and convolution neural network in the field of big data driving and analysis as the technical core, and uses the signal denoising method of ship communication network based on improved ensemble empirical mode decomposition to remove the noise in the signal of ship communication network. After constructing the traffic time series diagram in the denoised ship communication network signal and highlighting the change characteristics of the communication network traffic in each time period, take the time series in the ship communication network traffic time series diagram as the prediction sample of the network traffic prediction method based on convolution neural network, extract the time series of the ship communication network detail signal, and estimate the trend information and time information of the traffic, Realize the intelligent estimation of ship communication network traffic. The test shows that the estimation result is basically consistent with the actual traffic after the intelligent estimation of ship communication network traffic by this method.
2022,44(10): 123-126 收稿日期：2021-11-25
DOI：10.3404/j.issn.1672-7649.2022.10.025
分类号：TP393.7
基金项目：辽宁省教育科学“十三五”规划课题（JG20EB022）；辽宁省大学生创新创业训练计划项目（S202110158001X）
作者简介：孟祥瑞(1982-)，男，硕士，讲师，研究方向为大数据分析
参考文献：
[1] 徐轶群, 徐弘, 孟令超, 等. 全船无线通信系统网络架构与可靠性研究[J]. 船舶工程, 2021, 43(6): 85–89+95
[2] 周毅. 智能船舶网络风暴测试及抑制技术[J]. 船海工程, 2021, 50(3): 41–44+48
[3] 金华标, 肖骁. 基于北斗短报文与4G的内河船载智能终端船岸通信技术[J]. 船海工程, 2021, 50(4): 67–71+76
[4] 晓敏. 改进灰狼算法优化支持向量机的网络流量预测[J]. 电子测量与仪器学报, 2021, 35(3): 211–217
[5] 郭佳, 余永斌, 杨晨阳. 基于全注意力机制的多步网络流量预测[J]. 信号处理, 2019, 35(5): 758–767
[6] 曹素娥, 杨泽民. 基于聚类分析算法和优化支持向量机的无线网络流量预测[J]. 计算机科学, 2020, 47(8): 319–322
[7] 陈浩杰, 黄锦, 左兴权, 等. 基于宽度&深度学习的基站网络流量预测方法[J]. 郑州大学学报(工学版), 2022, 43(1): 7–13
[8] 郭芳, 陈蕾, 杨子文. 基于MGU的大规模IP骨干网络实时流量预测[J]. 山东大学学报(工学版), 2019, 49(2): 88–95
[9] 张杰, 白光伟, 沙鑫磊, 等. 基于时空特征的移动网络流量预测模型[J]. 计算机科学, 2019, 46(12): 108–113
[10] 戴宏亮, 罗裕达. 基于蝙蝠算法优化反向传播神经网络模型的无线网络流量预测[J]. 计算机应用, 2021, 41(S1): 185–188
[11] 许绘香, 曹敏, 马莹莹. 基于大数据分析的非线性网络流量组合预测模型[J]. 沈阳工业大学学报, 2020, 42(6): 670–675
[12] 李校林, 吴腾. 基于PF-LSTM网络的高效网络流量预测方法[J]. 计算机应用研究, 2019, 36(12): 3833–3836
