一种改进的小波神经网络的网络流量预测算法

为了有效地对网络进行维护,提高网络性能,预知网络流量可以提前对网络出现的问题采取应对策略,从而对用户提供更好的服务。在神经网络预测模型中把隐含层的传递函数用小波函数替换,并采用共轭梯度下降算法,建立了一个小波神经网络的网络流量预测模型。通过实际流量数据对模型进行仿真,结果显示该模型与神经网络预测模型相比,该网络具有良好的预测效果,网络训练时间短,有效地提高了训练速度。     

自相似流量的小波神经网络预测模型研究

随着计算机网络体系规模的不断扩大,降低网络性能的影响因素也日益增多。由于网络流量的突发性会增加对网络性能的影响,该文针对网络流量的自相似特性和可预测性,提出了一种自相似流量的小波神经网络预测模型。此模型通过对已知的网络流量数据进行训练,得到预测流量,完成对自相似流量的可预测性的验证,最后对预测模型的性能做出评价。与传统的线性模型相比,自相似流量的小波神经网络模型在仿真过程中表现出预测的精确程度高、逼近最优值的速度快的优点。     

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.     

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。     

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.     

基于高阶图卷积自编码器的网络流量预测

网络流量预测是有效保障用户QoS措施之一。当前深度学习为基础的网络算法预测中没有充分利用网络拓扑信息。为此,提出了基于高阶图卷积自编码器的网络流量预测模型。该流量预测模型基于软件定义网络（SDN）架构,利用高阶图卷积网络（GCN）获取网络拓扑中的多跳邻域之间的流量相互影响关系,采用门控递归单元（GRU）获取网络的时间相关性信息,利用自编码模型来实现无监督学习和预测。在Abilene网络上采用真实数据进行了仿真对比分析试验,结果表明,提出的方法在网络流量检测方面的MAPE值为41.56%,低于其它深度学习的方法,同时预测准确率方面也达到最优。     

基于BP神经网络的IP网络流量预测

采用了BP神经网络对网络流量数据的时间序列进行建模与预测。从分析网络流量的特征着手,构建了基于BP神经网络的IP网络流量预测模型,并进行了仿真验证。实验结果表明,该模型对网络流量的预测是有效可行的,并具有良好的收敛性和稳定性。     

基于改进黑洞算法优化ESN的网络流量短期预测

网络流量数据序列具有混沌特性.相空间重构后,采用一种改进黑洞算法优化回声状态网络的非线性模型对网络流量进行预测.改进黑洞算法是在现有工作的基础上提出一种新的新解生成机制,可以提高算法的收敛速度和精度;相比于遗传算法、和声搜索算法等其他优化算法,所提出的改进黑洞算法不依赖自身相关参数的准确设定;将其应用于回声状态网络4个重要参数的优化选取,使得预测模型具有较好的预测稳定性.通过Mackey-Glass混沌时间序列和网络流量公共数据集的仿真实验,结果表明所提出的方法具有较好的预测性能.     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.     

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.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

ARIMA模型与指数平滑法对山东省GDP的实证分析

文借助Eviews6.0和Excel软件,建立了ARIMA(1,2,1)预测模型和三次指数平滑预测模型,对山东省1978年到2010年国内生产总值(GDP)数据进行分析,并对2011年到2013年的GDP进行预测。结果表明,ARIMA模型预测结果与真实值相比平均相对误差小,结果更为精确,基本符合事实。因此,选择ARIMA(1,2,1)模型作为最优模型为有关部门制定经济发展战略、经济发展规划提供重要依据。     

基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均（ARIMA）模型。分析结果显示：与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA（2,1,2）（1,1,1）12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。     

基于ARIMA-KF模型的船舶系统设备状态参数预测

针对目前大多数预测模型在船舶智能运维领域应用过程中存在的预测精度偏低、模型不易构建等问题,提出了自回归积分滑动平均模型(Auto-Regressive Integrated Moving-Average Model,ARIMA)和卡尔曼滤波(Kalman-filter,KF)相结合的船舶系统设备状态参数组合预测模型—ARIMA-KF模型。该模型首先构建了自回归积分滑动平均(ARIMA)单步和多步预测模型;然后利用卡尔曼滤波(KF)算法对ARIMA预测模型参数值进行寻优,得到ARIMA-KF组合预测模型;最后,基于组合模型对船舶海水冷却系统状态参数进行预测,将预测值与实船获取的实际值进行对比及误差分析。结果表明,采用基于ARIMA-KF组合模型比单一的ARIMA模型预测精度提高3%左右。研究结果对船舶系统设备的健康管理和视情维修具有一定的指导意义。     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

基于局部信息增强注意力机制的网络流量预测

针对网络流量具有强烈的非线性和不确定性导致传统统计方式或者机器学习方法难以准确预测的问题,为进一步提升网络流量预测精度,在传统时序序列预测模型的基础上设计实现了一种局部上下文信息增强的注意力机制,通过卷积计算将输入转换为注意力机制中的Query和Key,从微观角度对时间序列进行解释,提高了预测模型的局部感知能力。进而将提出的注意力机制分别与长短期记忆人工神经网络和门控循环单元两个时序预测模型相结合并将结合后的模型用于某运营商提供的两个不同网络流量数据集进行网络设备流量预测。实验结果表明基于局部上下文信息增强注意力机制的预测模型具有更好的预测效果。     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。