基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于ABC+AFS-LSSVM的网络流量预测模型

鉴于人工蜂群算法(ABC)算法和人工鱼群(AFS)算法本身的优势,为提高预测精度,提出基于ABC+AFS-LSSVM的网络流量预测模型.运用基于ABC+AFS-LSSVM的模型对网络流量进行了预测,并与ABC-LSSVM、AFS-LSSVM和PSO-LSSVM模型的预测结果进行了比较,结果表明,基于ABC+AFS-LSSVM的网络流量预测模型预测精度较高,具有更好的性能及应用前景.     

支持向量回归的网络流量预测模型

为了提高网络流量的预测精度,准确描述网络流量变化规律,提出了一种基于向量回归的网络流量预测模型,它能全面刻画网络流量变化趋势.     

混沌理论与极限学习机的网络流量预测

提出一种混沌理论和极限学习机的网络流量预测模型.首先对网络流量时间序列进行小波分解得到不同分量,然后采用混沌理论对各分量进行相空间重构,并利用神经网络中的极限学习机进行建模,得到各分量的预测结果,最后采用对分量的预测值进行叠加组合,并采用具体网络流数据集进行模拟测试.相对于其他模型,混沌理论和极限学习机的网络流量预测模型能准确地反映网络流量的变化特性,获得更高精度的预测结果.     

自相似流量的ARIMA预测模型研究

计算机网络体系逐渐扩大,因此网络的服务质量和性能也急需提高。网络流量预测是网络管理的一个重要手段,研究表明网络流量具有自相似特性,在此基础上该文提出一种ARIMA预测模型。该模型首先对所生成的网络流量数据进行预处理,基于相关性与偏相关性选择ARMA模型,其次通过AIC、BIC确定阶数,利用检验后的模型进行预测,最后评估预测模型的性能。ARIMA时间序列模型能够预测非平稳数据,与传统统计模型相比,具有可忽略其他的随机变量、预测准确性更高、突发性影响较小的优点。     

改进极限学习机的网络流量混沌预测

为了获得更加精确的网络流量预测,降低网络拥塞的频率,提出了改进极限学习机的网络流量预测模型。针对网络流量混沌性分别确定原始网络流量的延迟时间和嵌入维数,采用极限学习机对网络流量的变化特点进行拟合,改进标准学习机,改善学习速度和预测性能,最后通过网络流量数据的预测实验验证其可行性。验证结果表明:与其它网络流量预测模型相比,改进极限学习的网络流量预测结果更加可靠,对网络流量将来变化趋势可以更加准确描述,提高了网络流量预测精度。     

小波回声状态网络的流量预测

网络流量是一种复杂、多变的非线性混沌系统,为了获得更加理想的网络流量预测结果,针对传统回声状态网络的不足,提出一种小波回声状态网络流量预测模型(WESN).首先采用小波分解将网络流量数据分解成高频和低频,然后将高频和低频的数据同时输入回声状态网络进行学习,从而解决了ESN模型中存在的病态矩阵问题,最后对模型性能进行仿真测试.结果表明,WESN可以很好地拟合网络流量变化,具有一定的实际应用价值.     

基于灰色理论与BP神经网络的交通运输量组合预测研究

交通运输量预测是公路规划与管理中的重要问题.结合灰色理论模型与神经网络的优点,基于不同的组合预测思想分别建立了加权算术平均组合、加权平方和平均组合及加权比例平均组合预测模型.利用不同的评价模型对多组数据进行了评价分析研究.结果表明,通过选择合适的组合预测模型及参数估计方法并确定最佳的模型参数,能够有效地提高预测精度.     

一般公路的交通量预测方法及示例

目前,我国规范中未有明确而成熟的一般公路交通量预测的方法.对此,本文以某四级公路为例,叙述了其交通量预测的过程、方法和结果,可供相关公路工程项目的交通量预测借鉴.     

基于时空权重相关性的交通流大数据预测方法

将分布式增量大数据聚合方法与交通流数据清洗规则相结合,可以为交通流预测分析提供更准确可靠的数据源。通过交通流在路网中的相关性分析,使用多阶路口转弯率构建空间权重矩阵,完成对STARIMA交通流预测模型的改进。实验结果表明,该方法可以在工作效率及准确程度上满足交通流大数据预测的需求,为交通诱导信息发布提供依据。     

基于自适应最优模糊逻辑系统的移动通信话务预测

移动通信话务数据具有强非线性,传统的预测技术很难准确预测其变化规律．文中根据移动通信话务量的特点,对移动通信话务数据进行分块建模——采用最近邻模糊聚类算法对周期分量模块进行建模,采用线性回归方法对趋势分量模块进行建模,并据此设计了一种智能型的自适应最优模糊逻辑话务预测系统,进而对广东某地区的话务数据进行了预测．现场调试结果表明,该预测系统能有效预测移动通信的话务量．     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

城市交通需求预测理论与模型研究综述

城市交通需求预测是交通学科研究的热点之一。本文对现代城市交通需求预测理论与模型进行系统分析,重点围绕交通生成、交通分布、交通方式划分预测模型展开,对各模型基本原理、研究进展、传统模型及其改进、模型应用情况等进行综述,最后总结城市交通需求预测研究领域重点、难点,指出未来发展方向。     

县乡公路网交通预测方法探讨

根据县乡公路网规划的实际情况，提出了一种不基于现状ＯＤ调查的交通量预测方法，该方法为一种模拟四阶段法，充分考虑了县乡公路交通的变化规律，利用其易得的现状交通量资料为基础进行预测，实际应用效果良好。     

实时交通流预测的并行SVR预测方法

提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.     

信用转移矩阵预测模型的比较分析

对当前国际上几种主要的信用转移矩阵估计方法中所采用的预测模型进行了系统的分析,指出这些方法在模型构建中存在的一些共性问题,并通过进一步讨论,发现传统的结构建模方法是导致这些问题的关键·为此,提出了将动态建模理论引入转移矩阵预测模型的建模框架,并从理论上说明了这种建模途径能使所构建的转移矩阵预测模型具有更为可靠的理论依据,从而改善预测模型的有效性·     

信息化条件下的城市交通需求预测

基于信息化社会条件下的城市居民出行信息的可知性及路网交通信息的实时采集 ,根据最大熵原理 ,运用 OD反推技术 ,建立从土地利用到路网流量的组合式预测模型。简化了传统的土地利用到交通需求四步骤的预测模式。实践表明该方法更适合信息化条件下的城市快速发展。