网络流量预测的建模与仿真研究

研究网络流量准确预测问题,网络流量变化是一种具有时变性、多尺度和突发性的非线性系统,由于传统时间序列预测方法很难揭示内在变化规律,导致网络流量的预测精度比较低.为了提高网络流量的预测精度,提出一种小波分析BP神经网络的网络流量预测模型.模型首先通过小波分析对网络流量进行分解,得到网络流量信号的近似和细节部分,然后进行重构提取多尺度特征,最后将重构的网络流量数据输入到BP神经网络,利用BP神经网络的非线性能力对网络流量进行训练、建模并预测.仿真结果表明,小波神经网络方法提高了网络流量预测精度,是一种有效实用的网络流量预测方法.     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,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,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

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.     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

基于混沌理论的网络流量BP神经网络预测

应用相空间重构技术,论证了网络流量存在混沌现象,并计算了实际网络流量的关联维,Lyapunov指数;在此基础上对网络流量时间序列建立BP神经网络模型对网络流量进行预测,实例表明,和FARIMA(p,d,q)模型相比,基于混沌理论的BP神经网络模型有较好的预测能力,并具有较长的预测步长。     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

Elman神经网络的网络流量预测

研究网络流量准确预测问题,由于网络流量变化具有非线性、突变性,传统网络流量预测是建立在线性模型的基础上,无法准确描述网络流量变化规律,导致预测精度低.为了提高网络流量的预测精度,提出一种Elman神经网络的网络流量预测模型.根据Elman神经网络良好的时变性捕捉能力和非线性预测能力对网络流量变化规律进行建模和预测.实验结果表明,模型具有良好的预测效果,相对于传统ARIMA模型、BP神经网络模型,Elman神经网络模型预测精度更高,误差更小,说明了改进的优化方法对网络流量预测是有效和可行的.     

A novel hybridization of echo state networks and multiplicative seasonal ARIMA model for mobile communication traffic series forecasting

For mobile communication traffic series, an accurate multistep prediction result plays an important role in network management, capacity planning, traffic congestion control, channel equalization, etc. A novel time series forecasting based on echo state networks and multiplicative seasonal ARIMA model are proposed for this multiperiodic, nonstationary, mobile communication traffic series. Motivated by the fact that the real traffic series exhibits periodicities at the cycle of 6, 12, and 24 h, as well as 1 week, we isolate most of mentioned above features for each cell and integrate all the wavelet multiresolution sublayers into two parts for consideration of alleviating the accumulated error. On seasonal characters, multiplicative seasonal ARIMA model is to predict the seasonal part, and echo state networks are to deal with the smooth part because of its prominent approximation capabilities and convenience. Experimental results on real traffic dataset show that proposed method performs well on the prediction accuracy.     

一种新的基于ARIMA-SVM网络流量预测研究

研究网络流量预测精度问题,网络流量受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点,将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势;然后采用SVM对网络流量非线性和随机性趋势进行拟合;最后将两者结果再次输入SVM进行融合,得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试,仿真结果表明,ARIMA-SVM提高了网络流量预测精度,降低了预测误差,能更全面刻画网络流量变化规律。     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

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。     

应用乘积季节ARIMA模型的话务量预测及结果分析

话务量预测功能对于电信网络规划建设、网络优化意义重大。深入研究了某省某移动网络运营商的多年的话务量数据,利用自相关函数对其周期性和趋势性方面的规律进行了探测,并在此基础上提出应用乘积季节ARIMA模型进行建模和预测的方案。进行了2008年7月到12月的全省及各地区月日均话务量的预测,并与网络实际运营结果进行了比较。所应用方法的一步预测值平均绝对百分比误差MAPE为1.382%,6步预测的MAPE值均在6%以内,是精确度很高的预测;对预测误差较大的某地区进行了原因分析,证明了模型的正确性,并为实际预测应用中经常遇到的预测误差偏大的问题提供了一种有效的分析思路和方法。     

遗传算法优化延迟时间和嵌入维的网络流量预测

为了提高网络流量的预测精度,利用延迟时间(τ)和嵌入维(m)间的联系,提出一种遗传算法优化τ、m的网络流量预测模型(GA-PSR)。将τ和m作为遗传算法的个体,以网络流量预测精度作为目标函数,通过选择、交叉、变异等操作找到最优τ和m值,重构网络流量序列,采用BP网络对网络流量建立单步、多步预测模型。仿真实验结果表明,相对于对比模型,GA-PSR提高了网络流量的预测精度。     

基于ARIMA模型的网络安全威胁态势预测方法

针对网络安全威胁态势变化趋势预测的困难性,利用网络安全威胁态势值具有时间序列的特点,提出了一种基于ARIMA的模型的网络安全威胁态势预测方法。该方法首先分析服务、漏洞、弱点等与网络安全相关的信息,合理地计算出网络安全威胁态势值,进而使用ARIMA模型的预测方法对所得序列的变化趋势进行预测。实验结果表明,该方法不仅能够反映真实的网络安全威胁态势的变化趋势,而且其预测的精度也较高。     

基于动态隶属度的模糊时间序列模型的水质预测研究

科学有效的水质预测对于水资源的管理与水污染预警尤为重要。由于水质指标序列存在非线性、非平稳性、模糊性和季节性等特点,传统预测模型的精度受到一定的限制。结合差分整合自回归移动平均ARIMA模型和经典模糊时间序列模型的特性,提出了一种基于动态隶属度的模糊时间序列水质预测新模型。首先,利用模糊C均值聚类从原始数据中构建隶属度序列;其次,利用经典的时间序列模型对不同的子隶属度序列进行预测,得到动态隶属度;最后,去模糊化得到水质指标的预测值。应用提出的新模型对岷江某断面的水质指标进行了短期预测,并与经典模糊时间序列模型和ARIMA乘积季节模型进行对比。实验结果表明,新模型在RMSE、MAPE和MAE上均优于经典模糊时间序列模型和ARIMA乘积季节模型,极大地提高了预测精度,可为水污染防治提供有价值的参考。     

季节性组合预测模型在医院门诊量中的应用研究

医院门诊量是一个具有复杂的非线性组合特征的季节性时问序列。为解决传统时间序列预测大多数都是使用单一模型，以致影响预测精度等问题，采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示，季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法，为季节性时间序列预测提供了一种新的实用方法。     

Real-time road traffic state prediction based on ARIMA and Kalman filter

The realization of road traffic prediction not only provides real-time and effective information for travelers, but also helps them select the optimal route to reduce travel time. Road traffic prediction offers traffic guidance for travelers and relieves traffic jams. In this paper, a real-time road traffic state prediction based on autoregressive integrated moving average (ARIMA) and the Kalman filter is proposed. First, an ARIMA model of road traffic data in a time series is built on the basis of historical road traffic data. Second, this ARIMA model is combined with the Kalman filter to construct a road traffic state prediction algorithm, which can acquire the state, measurement, and updating equations of the Kalman filter. Third, the optimal parameters of the algorithm are discussed on the basis of historical road traffic data. Finally, four road segments in Beijing are adopted for case studies. Experimental results show that the real-time road traffic state prediction based on ARIMA and the Kalman filter is feasible and can achieve high accuracy.