1.基于改进ESN的网络流量预测方法，其特征在于，所述方法包括如下步骤：步骤1：采集网络流量数据；

步骤2：对网络流量数据进行降噪处理；

步骤3：构造具有双环储备池结构的改进回声状态网络ESN网络流量预测模型，其中根据双环神经元间隔dmax和环数c，构造非零元素绝对值为权值r，大小为N×N的储备池连接矩阵W；

所述步骤3中，构造具有双环储备池结构的改进ESN网络流量预测模型步骤如下：步骤3‑1：根据储备池规模N和输入层神经元个数K，构造非零元素绝对值为权值r，大小in

为K×N的输入连接矩阵W ；

步骤3‑2：根据双环神经元间隔dmax和环数c，构造非零元素绝对值为权值r，大小为N×N的储备池连接矩阵W；

in

步骤3‑3：对于输入向量u(t)，使用tanh(·)作为储备池内部的激励函数f ，通过如下in in

公式后获得改进ESN储备池中的内部神经元的激励状态x(t)，x(t)＝f (W u(t)+Wx(t‑

1))；

out

步骤3‑4：根据输出连接矩阵W ，输入向量u(t)和储备池内部神经元激励状态x(t)，使out out out

用恒等函数作为输出激励函数f ，通过如下公式后获得输出向量y(t)，y(t)＝f (W (u(t)，x(t)))；

步骤4：使用采集到的网络流量数据和降噪后的网络流量数据训练步骤3构造的基于改进ESN的网络流量预测模型；

步骤5：使用步骤4中训练好的基于改进ESN的网络流量预测模型预测未来时刻网络流量。

2.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤1采集网络流量数据中，在规定的采样时间内，统计每分钟数据包的总数，最终获得一定数量的网络流量数据集合Tr(t)，Tr(t)＝{tr(1)，tr(2)，...，tr(t)}，其中tr(t)为时刻t的网络流量数据。

3.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤2中，对采集到的网络流量数据进行降噪处理需要先对网络流量数据进行相空间重构，然后使用局部投影方法去对已知的网络流量数据进行降噪处理，最终获得一定数量的降噪后的den den den den den den网络流量数据集合Tr (t)，Tr (t)＝{tr (1)，tr (2)，...，tr (t)}，其中tr (t)为时刻t的网络流量降噪数据。

4.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤2中，对网络流量数据进行降噪处理分为以下步骤：步骤2‑1：对于采集到的流量数据集合Tr(t)，利用交互信息法求出相空间重构所需的时延τ；

步骤2‑2：对于采集到的流量数据集合Tr(t)，利用改进虚假最邻近点法求出相空间重构所需的嵌入维数m；

步骤2‑3：根据时延τ和嵌入维数m，对已知流量数据进行相空间重构，并存储；

步骤2‑4：对于相空间中的每一个相点，选取相应的局部邻域，采用局部投影方法对已den

知的网络流量数据进行降噪处理，获得降噪后的网络流量数据的集合Tr (t)。

5.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤3中，构造双环储备池结构需要设置权值r＝0.5，储备池规模N＝80，双环神经元间隔dmax＝8和环数c＝2；构造基于改进ESN的网络流量预测模型需要确定改进ESN的输入和输出向量；

改进ESN的输入向量为网络流量历史数据和降噪后的网络流量历史数据其中 为时刻t之前的k1个网络流量历史数据的集合，k1为原始网络流量序列的嵌入维数， 其中

为时刻t之前的k2个降噪后的网络流量历史数据的集合，k2为降噪后的网络流量序列的嵌入维数，K＝k1+k2为总嵌入维数和输入层神经元个数；输出向量y(t)＝{tr(t)}。

6.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤4中，训练基于改进ESN的网络流量预测模型具体步骤如下：步骤4‑1：构造改进ESN的输入输出的训练样本对{Utrain，Ytrain}t＝{{utrain(1)，ytrain(1)}，{utrain(2)，ytrain(2)}，...，{utrain(t)，ytrain(t)}}，其中t＝{1，2，...，T}，T＝3000；

步骤4‑2：将训练样本对带入改进后的ESN，收集时刻t0到时刻T的输入向量utrain(t)和内部状态向量x(t)，组成状态向量s(t)，获得大小为(K+N)×(T‑t0+1)的状态矩阵S；收集时刻t0到时刻T的期望输出向量ytrain(t)，得到大小为L×(T‑t0+1)的期望输出矩阵Q；t0设置为

100；上述方法通过如下公式实现：s(t)＝{utrain(t)；x(t)}S＝{s(t0)，s(t0+1)，...，s(T)}Q＝{ytrain(t0)，ytrain(t0+1)，...，ytrain(T)}out

步骤4‑3：使用伪逆法计算获得输出连接矩阵W ；计算网络实际输出 和期望输出+

ytrain(t)的均方误差 使得均方误差 最小；S为状态矩阵S的伪逆；

上述方法通过如下公式实现：

+

Wout＝Q·S。

7.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤5中，统计每分钟数据包的总数获得新的网络流量数据集合Tr′(t)，并对该网络流量数据利den′

用局部降噪投影方法进行降噪处理从而获得降噪后的网络流量数据集合Tr (t)；使用训练完成的基于改进ESN的网络流量预测模型预测未来网络流量数据，输出下一时刻的网络流量数据trpred(t+1)。