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。     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

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。     

CERNET流量行为季节预测模型

网络流量行为预测是网络行为学的一个重要研究方向 .常规的网络流量预测大多采用的是 ARIMA时间序列模型 ,但普通时间序列预测模型的参数难以估计并且模型较难处理非平稳时间序列问题 .本文基于时间序列的神经网络模型研究 ,根据网络流量行为的季节性特点 ,提出了季节型神经网络模型 .用模型对 CERNET网络流量行为的预测分析表明 ,该模型预测效果较好 ,结果合理 ,对进行网络实时监控及网络管理都具有一定的理论和实践价值 .     

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.     

基于小波的多尺度网络流量预测模型

通过把ARIMA线性预测方法引入小波域内，提出一个基于多重分形小波模型的网络流量预测模型。通过对真实网络流量的仿真实验，结果表明该模型能够对网络流量进行比较精确的预测．     

基于小波技术和ARIMA模型的网络流量预测研究

结合小波变换技术和时间序列模型ARIMA,建立一种网络流量预测模型.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.     

自回归与神经网络组合的网络流量预测模型

网络流量具有时变性和非线性,单一预测方法难以准确描述网络流量变化规律,为提高网络流量预测准确率,提出一种网络流量组合预测模型(ARIMA-BPNN);首先采用ARIMA对网络流量进行预测,然后采用BPNN对网络流量非线性变化规律进行预测,且遗传算法优化BPNN初始权值,最后将两者预测结果作为BPNN输入进行二次预测,得到ARIMA-BPNN预测结果;仿真实验结果表明,相对于ARIMA、BPNN,ARIMA-BPNN提高网络流量预测精度,在网络管理中有着广泛的应用前景。     

基于混合模型的网络流量预测算法

研究网络流量准确预测,针对网络优化控制问题,由于网络数据拥塞严重,网络流量变化具有高度自相似性、非线性和多尺度等特点,线性数据的传统预测方法无法准确刻画网络流量的非线性变化规律,导致预测准确率低.为了提高网络流量的预测准确率,在分析网络流量变化特征的基础上,提出一种小波分析的网络流量混合预测模型.混合模型首先利用小波分析将网络流量分解线性和非线性部分,然后分别采用ARIMA模型和BP神经网络模型对其进行预测,最后采用小波分析对线性和非线性部分预测结果进行重构,得到混合模型最终预测结果.仿真结果表明,混合模型比其它网络流量预测模型具有更高的预测准确率,为网络优化控制提供了有效分析方法.     

一种新型P2P流媒体协议及其流量模型研究

针对FlashP2P技术,对其RTMFP协议进行了深入分析,提出了一种基于RTMFP包检测的FlashP2P流量识别算法,并采用该算法对国内主流视频网站的FlashP2P流进行了有效的识别。在此基础上,对FlashP2P流量特征进行分析并证明其具有自相似性。最后,提出了一种基于ARIMA模型的经验模式分解预测自相似网络流量的方法,而且进行了仿真验证。结果表明,该模型不仅降低了算法的复杂度,并且对短期预测精度较高。     

基于ARIMA时序辨识的需水量预测

供水行业是国民经济的重要基础,对需水量的准确预测有利于供水部门调度。针对城市供水量波动特点和预报要求,基于ARIMA季节时间序列对城市需水状况建模。通过分析自相关系数(ACF)、偏自相关系数(PACF)等参数辨识模型阶次结构,预报未来需水量趋势,并使用SAS统计软件进行检验。所建立的模型成功应用于上海市中心城区需水预报,对照历史数据表明,模型具有理想的预测精度,能够有效地辅助供水部门进行决策。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

太阳能帆板输出功率短期预测研究

在卫星观测中,经常由于各种原因导致短时间内无法提取目标卫星数据,使控制系统无法继续对其保持高精度跟踪和控制。文章主要研究ARIMA模型在卫星遥测数据短期预测中的应用。使用Matlab软件进行ARIMA模型参数计算,再使用SPSS软件执行数据预测,并进行残差分析,通过实例验证,短时期内的预测数据精度较高。     

基于跳转模型的路网交通流预测

针对城市道路交通流复杂的非线性特征,采用基于跳转的ARIMA模型研究交通流的变化规律,以获得城市道路短期交通流的精确预测.引入路口转弯比例矩阵来描述路网的交通流状态.考虑在路网畅通和路网拥堵情况下路口转弯比例矩阵的不同特征,对两种情况分别进行研究.结合路段交通流预测模型,对路网交通流进行预测.仿真算例表明,所提出的预测模型能较好地用于路网交通流预测.     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

基于改进ARIMA模型的城市轨道交通短时客流预测研究

城市轨道交通的精准短时客流预测可以很好地缓解城市交通拥堵,给城市居民带来更快速、更优质的出行服务。通常短时客流预测的客流量数据规律性较弱、随机误差干扰较强,ARIMA(Autoregressive Integrated Moving Average)模型能对因变量产生的推迟量、产生随机误差的滞后值及当前值进行预测。为验证模型预测效果,以成都轨道交通天府广场站为例,设计一种基于改进ARIMA模型的城市轨道交通短时客流预测研究办法。通过实例分析,验证了改进ARIMA模型在城市轨道交通系统进行车站短时客流预测的时候具备更好的预测效果。     

Time-delay neural networks for time series prediction: an application to the monthly wholesale price of oilseeds in India

Agricultural price forecasting is one of the challenging areas of time series forecasting. The feed-forward time-delay neural network (TDNN) is one of the promising and potential methods for time series prediction. However, empirical evaluations of TDNN with autoregressive integrated moving average (ARIMA) model often yield mixed results in terms of the superiority in forecasting performance. In this paper, the price forecasting capabilities of TDNN model, which can model nonlinear relationship, are compared with ARIMA model using monthly wholesale price series of oilseed crops traded in different markets in India. Most earlier studies of forecast accuracy for TDNN versus ARIMA do not consider pretesting for nonlinearity. This study shows that the nonlinearity test of price series provides reliable guide to post-sample forecast accuracy for neural network model. The TDNN model in general provides better forecast accuracy in terms of conventional root mean square error values as compared to ARIMA model for nonlinear patterns. The study also reveals that the neural network models have clear advantage over linear models for predicting the direction of monthly price change for different series. Such direction of change forecasts is particularly important in economics for capturing the business cycle movements relating to the turning points.     

Time-Series Forecast Modeling on High-Bandwidth Network Measurements

With the increasing number of geographically distributed scientific collaborations and the growing sizes of scientific data, it has become challenging for users to achieve the best possible network performance on a shared network. We have developed a model to forecast expected bandwidth utilization on high-bandwidth wide area networks. The forecast model can improve the efficiency of the resource utilization and scheduling of data movements on high-bandwidth networks to accommodate ever increasing data volume for large-scale scientific data applications. A univariate time-series forecast model is developed with the Seasonal decomposition of Time series by Loess (STL) and the AutoRegressive Integrated Moving Average (ARIMA) on Simple Network Management Protocol (SNMP) path utilization measurement data. Compared with the traditional approach such as Box-Jenkins methodology to train the ARIMA model, our forecast model reduces computation time up to 92.6 %. It also shows resilience against abrupt network usage changes. Our forecast model conducts the large number of multi-step forecast, and the forecast errors are within the mean absolute deviation (MAD) of the monitored measurements.     

Forecasting time series using a methodology based on autoregressive integrated moving average and genetic programming

The autoregressive integrated moving average (ARIMA), which is a conventional statistical method, is employed in many fields to construct models for forecasting time series. Although ARIMA can be adopted to obtain a highly accurate linear forecasting model, it cannot accurately forecast nonlinear time series. Artificial neural network (ANN) can be utilized to construct more accurate forecasting model than ARIMA for nonlinear time series, but explaining the meaning of the hidden layers of ANN is difficult and, moreover, it does not yield a mathematical equation. This study proposes a hybrid forecasting model for nonlinear time series by combining ARIMA with genetic programming (GP) to improve upon both the ANN and the ARIMA forecasting models. Finally, some real data sets are adopted to demonstrate the effectiveness of the proposed forecasting model.