高峰期网络流量高精准度预测模型研究

针对当前网络流量预测法是通过监测网络流量历史数据进行预测,存在预测精准度低和流量信息参数自适性差的问题,提出基于多元线性回归分析的高峰期网络流量预测模型。通过BP神经网络法,确定网络流量信息权值,采用滑动窗口算法得到流量序列中对应信息数据,构成新的网络流量序列,得到多元线性回归初始模型;引入最小二乘法对流量信息参数进行估算,得到流量信息的样本回归函数,使用可决系数F检验及统计样本回归函数,完成高峰期网络流量预测模型的构建。实验结果表明,使用该模型可降低误差、提高拟合度、增加能量利用率,为高峰期网络流量预测提供了基础保障。     

模糊自回归在网络流量时序分解模型中的应用

传统时序分解模型在去除网络流量序列中的趋势性和周期性成分后，用AR模型处理剩余序列，因而只适合处理粗时间粒度的流量，而无法处理具有长相关性的细时间粒度流量。本文用模糊自回归模型替代AR模型，使得改进的时序分解模型能够对任何时间粒度的网络流量进行建摸和预测。     

基于Sas的时间序列缺失值处理方法比较

对于时间序列挖掘过程中的缺失值处理,目前有许多方法。在处理数据变量成一定的相关的数据集时,回归模型不失为较好的插补方法。利用均值插补、一元线性回归、多元线性回归、迭代回归方法对水文时间序列数据集的缺失数据进行处理,比较不同的皮氏相关系数下各方法的优劣及适用性。文中研究表明当数据集中存在与缺值变量相关度较大的变量时,一元线性回归的插补简单直观,且有较高的精度,结果接近真实;当数据集中不存在与缺值变量显著相关的自变量时,一元线性回归的结果变差,多元线性回归与多元迭代回归具有较好的结果,但多元迭代回归迭代次数难以确定,插补代价较大,多元线性回归为最佳选择;当缺值变量与其他自变量相关系数均较小时,回归插补的结果不理想,此时可考虑其他插补方法。     

基于Sas的时间序列缺失值处理方法比较

对于时间序列挖掘过程中的缺失值处理,目前有许多方法.在处理数据变量成一定的相关的数据集时,回归模型不失为较好的插补方法.利用均值插补、一元线性回归、多元线性回归、迭代回归方法对水文时间序列数据集的缺失数据进行处理,比较不同的皮氏相关系数下各方法的优劣及适用性.文中研究表明当数据集中存在与缺值变量相关度较大的变量时,一元线性回归的插补简单直观,且有较高的精度,结果接近真实;当数据集中不存在与缺值变量显著相关的自变量时,一元线性回归的结果变差,多元线性回归与多元迭代回归具有较好的结果.但多元迭代回归迭代次数难以确定,插补代价较大.多元线性回归为最佳选择;当缺值变量与其他自变量相关系数均较小时,回归插补的结果不理想,此时可考虑其他插补方法.     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

GPRS小区流量预测中时序模型的比较研究

针对通用无线分组业务(GPRS)小区流量预测问题,对几种典型时序预测模型的性能进行了综合分析。在总结时序预测模型使用步骤的基础上,分析了自回归（AR）、自回归移动平均（ARIMA）和乘积季节自回归求和移动平均（ARIMA）模型的性能。首先,对GPRS小区流量的变化情况进行分析;再根据流量的自相关系数和偏相关系数,从不同的角度进行分析,分别得到了流量变化的AR模型和ARMA模型;进而利用小区流量以天为周期变化的特点,得到了流量变化的乘积季节ARIMA模型。最后根据GPRS小区历史流量数据,应用这三种模型预测将来某一时间的流量,并对模型性能进行比较研究。     

基于递归神经网络的网络流量组合预测模型

为了提高网络流量的预测精度,提出了一种基于Elman递归神经网络,小波和自回归的网络流量组合预测模型.对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,对具有平稳特征的尺度系数序列用AR模型进行预测:而对体现了网络流量非线性、非平稳特性的小波系数序列使用Elman递归神经网络进行预测,最后通过Mallat算法重构得到网络流量的预测值.     

基于支持向量回归的多时间序列自回归方法

能耗时间序列涉及多种能源,且各种能源间关系复杂,主要通过多个独立的单时间序列进行预报,这种方式忽略了多时间序列之间的依赖性。为了充分利用多时间序列之间的关联信息以提高预报的准确性,根据机器学习中的向量值函数学习和多任务学习理论,采用支持向量回归(SVR)算法建立了多时间序列的向量值自回归方法和多任务自回归方法。实验结果证明,与多个独立的单时间序列模型相比,通过这种方法建立的多时间序列自回归模型在焦化工序能耗预报中表现出了更好的性能。     

基于性能计数事件的计算机功耗估算模型

精准快速获取计算机系统的实时功耗是功耗优化研究的基础,因此提出并建立了一种高精度的计算机功耗估算模型。通过分析统计系统运行时代表性的性能计数事件,应用机器学习理论分析性能事件与功耗的关系,建立多核计算机系统实时功耗估算模型。模型构建时使用多元线性回归(Multiple Linear Regression,MLR)方法以及支持向量回归(Support Vector Regression,SVR)方法分析二者关系,并对两种方法建立的功耗估算模型进行了对比分析。实验结果表明,基于性能事件的功耗估算模型可准确估计计算机实时功耗,估算误差不高于3%。同已有模型相比较,该估算模型精度更高、通用性更好。     

基于时间序列分析的SYN Flooding源端检测方法

提出了一种基于时间序列分析从源端对SYN Flooding攻击进行检测的方法。该方法是为了从源端对网络流量进行检测并预测,从而判断是否发生了SYN Flooding攻击,为受害者端及时响应提供依据;利用攻击网络流量的自相似性,采用Bloom Filter提取数据流特征信息,构造网络流量时间序列,建立自回归预报模型;通过动态预测网络流量并与设定的阈值进行比较来对攻击预警,提前作出响应。仿真实验结果表明,该方法能准确地统计出网络中数据包和新源IP数据包的出现次数,具有较好的检测率和较低的误报率,能够较准确地预测出下一时间段甚至几个时间段的网络流量,能为有效防御SYN Flooding攻击提供有力的数据支撑。     

Application of seasonal SVR with chaotic immune algorithm in traffic flow forecasting

Accurate forecasting of inter-urban traffic flow has been one of the most important issues globally in the research on road traffic congestion. Because the information of inter-urban traffic presents a challenging situation, the traffic flow forecasting involves a rather complex nonlinear data pattern, particularly during daily peak periods, traffic flow data reveals cyclic (seasonal) trend. In the recent years, the support vector regression model (SVR) has been widely used to solve nonlinear regression and time series problems. However, the applications of SVR models to deal with cyclic (seasonal) trend time series had not been widely explored. This investigation presents a traffic flow forecasting model that combines the seasonal support vector regression model with chaotic immune algorithm (SSVRCIA), to forecast inter-urban traffic flow. Additionally, a numerical example of traffic flow values from northern Taiwan is used to elucidate the forecasting performance of the proposed SSVRCIA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal autoregressive integrated moving average, back-propagation neural network, and seasonal Holt–Winters models. Therefore, the SSVRCIA model is a promising alternative for forecasting traffic flow.     

Traffic flow forecasting by seasonal SVR with chaotic simulated annealing algorithm

Accurate forecasting of inter-urban traffic flow has been one of the most important issues globally in the research on road traffic congestion. However, the information of inter-urban traffic presents a challenging situation; the traffic flow forecasting involves a rather complex nonlinear data pattern, particularly during daily peak periods, traffic flow data reveals cyclic (seasonal) trend. In the recent years, the support vector regression model (SVR) has been widely used to solve nonlinear regression and time series problems. However, the applications of SVR models to deal with cyclic (seasonal) trend time series have not been widely explored. This investigation presents a traffic flow forecasting model that combines the seasonal support vector regression model with chaotic simulated annealing algorithm (SSVRCSA), to forecast inter-urban traffic flow. Additionally, a numerical example of traffic flow values from northern Taiwan is employed to elucidate the forecasting performance of the proposed SSVRCSA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal autoregressive integrated moving average (SARIMA), back-propagation neural network (BPNN) and seasonal Holt-Winters (SHW) models. Therefore, the SSVRCSA model is a promising alternative for forecasting traffic flow.     

基于PSO-SVM的短期交通流预测方法

准确的交通流量预测是智能交通系统中的关键问题。在分析支持向量机SVM回归估计方法参数性能的基础上,提出了粒子群算法PSO优化参数的PSO-SVM短期交通流预测模型。模型利用支持向量机具有结构风险最小化的特性和粒子群算法快速全局优化特点,实现了数据降维并且保持了交通流序列的特征,因此可以高效地预测交通流量。用G107国道现场采集的数据仿真表明了该模型的有效性,预测平均误差为3.4%。     

采用回归方法优化网络流量管理模型处理性能

为探索优化网络流量管理性能的有效途径,在分析“深度报文检测和深度流行为检测”网络流量管理模型结构的基础上,确定了影响网络流量管理效率的性能指标及其计算方法,通过实际抽样流量数据计算性能指标值,建立性能指标关系散点图,发现性能指标间呈线性特征,采用多元回归方法建立性能指标估计函数,并利用标准化残差估计方法验证了函数的可用性和适应性,从而得到优化网络流量管理性能的定量计算方法。     

基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...     

基于数据包字节长度的线性自回归(Autoregression)和支持向量分类机(SVM)的网络流量预测建模与分析

本文提供了两种网络流量入侵检测的方法和它们的结果对比。这两种方法分别为线性的自回归预测以及非线性的支持向量机预测。本文将给出使用这两种方法在预测网络攻击的夺效性的详细分析。实验证明用支持向量机模型确实改进了对于攻击的识别性能，并且其误警率比AR模型低了很多。此外，与SVM相比较，AR预测模型的计算复杂度要低。