基于改进粒子群小波神经网络的智能变电站网络流量预测

智能变电站过程层网络流量一旦发生异常,将直接影响继电保护动作的可靠性、快速性和灵敏性,然而目前缺乏针对智能变电站网络流量异常预警的方法.基于此,提出一种基于改进粒子群小波神经网络的网络流量预测模型,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.分析智能变电站网络流量的特点,对流量数据进行归一化处理,建立小波神经网络预测模型,利用粒子群优化算法对传统的小波神经网络模型的网络结构和参数进行优化.在实际智能变电站运行环境中的实验表明,所提模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

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.     

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.     

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.     

基于小波变换和时间序列的网络流量预测模型

随着互联网规模和应用的扩大,网络数据流量呈现出复杂多分形性的特点,针对这个特性,构建了基于小波分析和ARMA模型的网络流量预测模型,用Mallat算法将原始流量数据分解为4个分层数据,对各层数据用ARMA模型进行预测,再将各层预测数据重组为预测的网络流量.采用真实数据进行仿真的试验表明,基于小波分析和ARMA相结合的网络流量预测模型的预测结果具有较高的准确度,并在网络管理和优化中具有重要实用价值.     

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。     

小波消噪和优化支持向量机的网络流量预测

为了提高对网络流量的预测精度,提出了一种小波消噪和改进黏菌算法优化支持向量机的网络流量预测模型。 首先应用小波消噪对网络流量进行消噪处理,采用支持向量机作为预测模型。 由于支持向量机预测结果受模型参数影响较大,采用带有随机惯性权重机制的改进黏菌算法来优化支持向量机模型中惩罚因子以及核函数参数。 对所提模型使用最佳参数进行仿真实验,并利用实际采集的网络流量数据进行验证。 实验结果表明,所提模型在评估指标上均优于对比模型。     

基于LMD改进GPR优化的网络流量预测

针对蚁群算法容易陷入局部最优、网络流量预测准确性不高的问题,提出一种基于局部均值分解(LMD)改进蚁群优化高斯过程回归(GPR)的预测算法。考虑到网络流量的复杂性,使用LMD将网络流量分解成多个相关的子序列;通过GPR对网络流量子序列进行建模分析;用蚁群算法优化超参数,引入视线角度参数控制蚂蚁搜索时的视线范围,提高蚂蚁的局部搜索能力;通过莱维飞行更新蚂蚁搜索的步长,提高蚁群算法搜索的全局性。实验表明,改进后的蚁群算法搜索到了更优的值,与原有GPR算法相比,LMD分解后改进蚁群优化GPR的算法来预测网络流量,更好地拟合了网络流量的走向,提高了预测的效果,对维护网络安全具有一定的作用。     

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.     

新型P2P流媒体系统模型

为了改善数据传输性能,提出了一种新型P2P流媒体系统模型(NSMP2PS),描述了NSMP2PS的体系结构和设计原理. 通过引入网络编码的机制,提高了系统的数据存储转发能力. 采用效率较好的节点加入算法和节点失效管理策略,有效地解决了组播树负载不平衡的问题;此外,该模型的节点自优化过程能保证组播树结构的优化和播放的连续性. 引入了激励机制,激励更多的自私节点转发和共享资源、数据,使得数据质量和直播系统的总体性能也有所改善.