基于智能优化的分布式网络流量预测方法

网络流量预测是网络管理的重要内容,高效的流量预测方法可提高网络管理效率.针对网络流量的时变性等问题,提出了一种基于智能优化的分布式网络流量预测方法.该方法采用果蝇算法优化3次指数平滑预测模型中的平滑因子,对时间窗口内收集到的网络流量进行预测,从而有效地提高3次指数平滑模型下网络流量预测的准确度与效率.仿真实验表明:相比传统3次指数平滑预测模型,此方法可解决平滑因子的不确定性所导致的预测结果误差问题,有效提高了网络流量预测精度.     

一种网络流量预测算法的研究与实现

网络流量预测是网络QoS管理的一个重要部分,较好的流量预测效果,能有效地提高网络QoS管理的工作效率,提高网络带宽的利用率,所以高效的网络流量预测是非常必要的.本文是在现有的小型专用网络中,根据指数平滑预测模型,提出一种改进的指数平滑预测法,对收集到的实际网络流量数据在小时间片内进行预测,从而达到对网络流量的控制,提高了网络服务的质量.     

基于智能优化的分布式网络流量预测方法

网络流量预测是网络管理的重要内容,高效的流量预测方法可提高网络管理效率。针对网络流量的时变性等问题,提出了一种基于智能优化的分布式网络流量预测方法。该方法采用果蝇算法优化3次指数平滑预测模型中的平滑因子,对时间窗口内收集到的网络流量进行预测,从而有效地提高3次指数平滑模型下网络流量预测的准确度与效率。仿真实验表明：相比传统3次指数平滑预测模型,此方法可解决平滑因子的不确定性所导致的预测结果误差问题,有效提高了网络流量预测精度。     

一种趋势划分的灰色马尔可夫网络流量预测方法

网络流量预测对网络规划、流量管理等方面起着重要作用.针对网络流量数据波动性比较大,在一定范围内呈现某种趋势等特点,将灰色GM(1,1)模型预测和马尔可夫链预测相结合,提出一种趋势划分的灰色马尔可夫网络流量预测方法.该方法以网络流量时间序列建立灰色预测模型,得到流量的拟合值和趋势值序列,通过划分的趋势值序列状态区间构造马尔可夫模型并加以预测.在校园网实际流量预测的实验结果表明,该方法具有良好的预测性能.     

基于宽度&深度学习的基站网络流量预测方法

针对无线网络流量长期预测问题,提出一种基于宽度&深度学习的基站网络流量预测方法。首先,利用S-H-ESD算法和数据平滑方法对网络流量数据进行预处理,以降低噪声数据对预测的影响;然后,将网络流量作为宽度&深度模型的深度部分(神经网络)的输入,将无线资源控制(RRC)连接数和物理资源块(PRB)利用率作为模型的宽度部分(线性模型)输入,通过结合深度部分和宽度部分来预测网络流量。所提方法为所有基站的网络流量建立一个预测模型,预测结果的均方根对数误差(RMSLE)为0.985,明显优于传统的季节性差分自回归滑动平均模型(RMSLE为2.095)和长短期记忆网络模型(RMSLE为3.281)。实验结果表明:宽度&深度模型通过结合线性模型的记忆能力和深度模型的泛化能力,能够更好地解决无线网络流量的长期预测问题。     

基于大数据分析的非线性网络流量组合预测模型

针对传统方法不能对网络流量变化特征进行准确描述,并且预测精度较低的问题,提出了基于大数据分析的非线性网络流量组合预测模型.通过对非线性网络流量数据进行有效分解,获得不同尺度的分量,利用混沌理论对多尺度分量进行相空间重构获得流量子序列.构建改进鸟群算法优化模型,并对重构后的网络流量子序列进行预测和组合,获得网络流量预测结果.结果表明,所提模型能够精确地描述网络流量的非线性、周期性以及长相关性等变化特征,具有较高的预测精度.     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

基于混合模型的网络流量预测研究

随着网络应用的多样化发展,分析网络流量的行为特性并建立模型进行预测,对于网络管理与流量工程有着重要意义.通过对多种流量预测方法的分析和比较,指出单一预测模型的局限性,并结合近年流量的新特性提出:网络流量的建模预测必须建立在流量重要特性的基础上,采用混合模型可以更全面、准确地描述和预测流量的行为趋势.     

基于DGMM的智能变电站网络流量预测

提出一种基于动态灰色马尔科夫模型(dynamic gray Markov model,DGMM)的智能变电站网络流量预测方法.根据灰色预测理论对网络流量进行初步预测;针对初步预测误差,利用K-means聚类算法实现状态的划分,建立马尔科夫模型对预测误差进行动态校正;对K-means中的K值进行了讨论.利用真实环境下采集到的流量数据对所提方法进行测试.结果表明,该模型的平均预测误差仅有4%,能够满足预测要求,为智能变电站网络性能分析预测、网络故障和病毒入侵预警提供决策依据.     

校园网数据流量监控设计与实现

针对校园网可靠性与可用性的问题,对网络流量监控的相关技术进行比较和分析.根据校园网的具体情况设计数据流量监控系统,运用RMON,NETFLOW等技术,采用NAM实现了整个校园网的流量监控.     

基于小波和回声状态网络的交通流多步预测模型

针对交通流的含噪混沌特征,提出了一种基于小波回声状态网络的交通流多步预测模型。该模型利用小波多尺度分解方法,屏蔽了噪声成分对交通流动力学特性的干扰,同时提取了占有交通流绝大部分能量的混沌低频成分。在采用多路分量并行预测的方式下,充分发挥了回声状态网络对混沌低频分量的强大多步预测能力,从而保障了交通流多步预测的精度。对北京市西直门桥的实测交通流的预测结果表明:该模型的多步预测精度比传统的回声状态网络模型有了较大幅度的提升,在保证预测精度的前提下,最大可预测的步长也相应的增加。     

一种基于动态递归神经网络的交通流量实时预测方法

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出了一种基于改进型Elman神经网络的交通流量实时预测方法，由于预测模型中采用的递归神经网络具有动态记忆能力，因而可在网络规模较小的情况下实现对交通流量的快速、准确预测，并用实例验证了所提出的交通流量预测方法的有效性。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

基于混沌算子网络模型的网络流量预测研究

采用混沌算子构造预测网络,对网络流量数据进行预测分析.结合相空间重构理论将已知数据构造成训练样本,利用遗传算法对混沌算子参数进行训练调节,从而改变网络的动力学特性,使之逐渐逼近被预测时间序列的动力学特性,并保持与之变化一致.该方法可对各种网络流量数据序列进行有效的预测分析.仿真实验结果表明:与传统的预测方法相比,该方法具有更好的预测趋势.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性,实时准确的交通流预测是智能交通系统,特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点,给出了基于遗传算法的小波神经网络的交通预测模型GA WNN,用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法,克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键．基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷．仿真实验验证了GA-WNN预测模型对短时交通流的预测的有效性．     

校园网络流量控制的应用

从流量特性、建模复杂性、预测精度及应用场景等多角度进行分析比较,选用流量控制设备将网络带宽的管理提升为主动的、有效的、智能化的带宽管理服务,根据流量控制设备生成的日志总结了校园网络流量的规律,采取措施控制流量的分配,从而提升网络的利用率,结果证明,这种方法简便易行,性能指标较好地满足校园网络流量实时控制的需求.     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.