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.     

基于多元线性自回归模型的流量预测

为使流量预测模型具有自适应性和相关性,以时间点为基础进行建模,结合时间序列与流量序列,引入多元线性自回归(AR)思想进行参数估算,对多次估算所得参数值建立指数加权移动平均数模型进行二次估算,在此基础上,建立多元线性自回归模型。实验结果证明,与AR模型、ARMA模型相比,基于多元线性AR模型的预测结果更准确。     

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.     

网络非平稳流量多尺度时间序列预测数学建模

网络流量具有时变性与非线性等特征,线性时间序列预测性能不佳,提出网络非平稳流量多尺度时间序列预测数学建模.利用离散低通滤波器确定流量分解系数,经过初始化处理,对滤波器做插零完成小波分解;使用支持向量机方法设置回归函数,确保函数最小化,并将低维空间中非线性回归问题转换为高维空间线性回归问题,在初始低维空间做核函数计算获取高维空间内积,引入双曲核函数建立支持向量机每一步的预测模型;重构小波分解后的时间序列,利用预测模型求解回归函数,即可实现对整体流量多尺度时间序列的预测.实验结果表明,上述方法提高预测精度,减少预测延时.     

基于误差校正的网络流量组合预测

为了提高网络流量预测精度,提出一种误差校正的网络流量组合预测模型。首先对网络流量数据进行预处理构建网络流量学习样本序列,然后采用自回归移动平均建立网络流量预测模型,并采用神经网络对自回归移动平均预测误差进行校正,最后对模型性能进行仿真测试。结果表明,网络流量组合预测模型提高了网络流量的预测精度,预测结果具有一定实用价值。     

基于提升小波变换的网络流量混合预测模型

当前流量预测模型难以准确刻画互联网流量的多重特性,并且存在构建时间长、预测精度低的问题.为此,设计基于提升小波分解的网络流量混合预测模型(WLGC).该模型利用提升小波将流量时间序列快速分解为分别具有低频和高频特性的近似时间序列和细节时间序列,近似时间序列利用最小二乘支持向量机(LSSVM)预测并通过广义回归神经网络(GRNN)进行误差校准,细节时间序列在半软阈值降噪后利用自适应混沌预测方法对其预测,最后使用提升小波重构得到时间序列的预测值.仿真实验结果表明,该模型可有效提高预测精度.     

基于小波分解的网络流量时间序列建模与预测

提出一种基于小波分解的网络流量时间序列的分析和预测方法。将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型。在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验。仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法。     

基于组合方法的网络业务流预测

在总结了已有的流量预测方法基础上,提出了一种基于多种预测技术组合而成的网络流量预测方法。该方法根据小波多尺度的分解和重构思想,将网络流量通过小波分解成不同尺度下的逼近信号和细节信号,然后分别单支重构成低频序列和高频序列。根据低频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表明,该方法能比较准确地预测未来的网络流量。     

基于回归分析方法的网络故障预测

结合回归预测模型,提出一种对网络中单个组件故障率的多项式回归预测模型.通过将多项式回归模型转化成多元线性回归模型求解参数,得到预测方程.利用检验预测回归方程和回归系数显著性,得到同实际故障统计数据拟合的效果优于原方程的新预测方程.使用一组网络组件的故障率数据对预测方程进行验证,结果表明,在根据预测误差低于2％的要求而确定的预测区间内,该方法可以为网络中单个组件故障率预测提供决策依据.     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

小波分析和AR-LSSVM的网络流量预测

为了提高网络流量的预测精度,提出了一种基于小波分析和AR-LSSVM的网络流量组合预测模型。利用Mallat算法对非平稳的网络流量序列进行分解和重构,得到低频信息和高频信息;对具有平稳特性的高频信息用AR模型进行预测,而对体现非平稳的低频信息用LSSVM进行预测;再将各模型的预测结果进行叠加,从而得到原始序列的预测值。仿真结果表明组合预测模型不仅具有较高的预测精度,而且预测性能稳定。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

基于高斯过程回归的网络流量预测模型

针对传统网络流量预测精度低难题,为了获得理想的网络流量预测结果,提出一种基于高斯过程回归(GPR)的网络流量预测模型。该模型首先计算延迟时间和嵌入维数,构建高斯过程回归的学习样本;然后采用高斯过程回归对网络流训练集进行学习,并采用入侵杂草优化对高斯过程回归的参数进行优化;最后采用经典的网络流量测试集对该模型性能进行实验测试。实验结果表明,高斯过程回归模型提高了网络流量的预测精度。     

基于ARMA-RESN的网络流量预测

为了获得更加理想的网络流预测结果,融合回声状态网络和自回归移动平均模型的优点,提出一种基于ARMA-RESN的网络流量预测模型。分别采用自回归移动平均和回声状态网络对网络流量线性变化特征和非线性变化特性进行建模与预测,对自回归移动平均和回声状态网络的预测结果进行融合,得到网络流量的最终预测结果,最后采用具体网络流量数据以及多个对比模型进行了仿真实验。仿真结果表明,相对于其他网络流量预测模型,ARMA-RESN不仅提高了网络流量的预测精度,而且具有更好的鲁棒性。     

组合核函数高斯过程的网络流量预测模型

针对网络流量的非线性和时变性等特点,为了提高网络流量预测精度,提出一种组合核函数高斯过程的网络流量预测模型。用自相关法和假近邻法计算网络流量的延迟时间和嵌入维数,构建网络流量学习样本;采用组合核函数高斯过程对训练集进行学习,并且参数通过遗传算法进行优化;最后采用网络流量数据对模型性能测试。仿真表明,相对于对比模型,组合核函数高斯模型获得了更高的预测精度,预测结果更加稳定、可靠,具有较大的实际应用价值。     

油田产量多变量预测模型的优化

油田开发是一个复杂的多变量非线性动力学系统，为有效地预测油田产量，确保油田生产过程高产稳产，该文提出采用多元线性回归与神经网络相结合的方法对油田产量多变量预测模型进行优化。首先基于回归分析的“后退法”对影响产量的变量进行优选，然后通过神经网络对优选后的变量进行训练得到最终的预测模型，从而实现神经网络与多元线性回归相结合建立多变量预测模型。实际应用结果表明，优化后的模型简洁实用，可以在一定程度上提高模型的预测精度，并减少建模预测所需数据量。     

基于模糊线性回归的脑卒中发病率预测模型

针对经典线性回归模型不能完全反映变量间的耦合关系而不适宜有模糊数的脑卒中发病率预测的问题,建立了一种模糊多元线性回归分析的脑卒中发病率预测模型。把历史数据分为建模数据样本和检测数据样本,采用线性规划法求出参数的中心值和模糊幅度值。实验结果表明,该模型具有较高的精确度和可操作性。     

基于ARIMA模型的网络流量预测

网络流量的预测具有重大的研究意义,网络流量的预测对于解决网络管理优化、网络拥塞控制这一难题具有重要的指导意义。网络流量的变化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。时间序列中的预测模型包括一元线性回归、指数平滑以及能够拟合复杂变化的ARIMA模型,本文通过分析比较ARIMA模型的适用场景以及预测效果,综合评价模型在网络流量预测方面的实用性,着眼于提高网络流量预测的精度。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

基于MapReduce的多元线性回归预测模型

针对传统的多元线性回归预测方法处理时间长且受内存限制的特点,对时序样本数据设计了基于MapReduce的并行多元线性回归预测模型。模型由三组MapReduce过程组成,分别求解由历史数据所构成叉积矩阵的特征向量和标准正交特征向量,用来预测未来参数的特征值和特征向量矩阵和未来时刻回归参数的估计量。设计并实现了实验来验证提出的并行多元线性回归预测模型的有效性。实验结果表明,基于MapReduce的多元线性回归预测模型具有较好的加速比和可扩展性,适合于大规模时序数据的分析和预测。