组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

基于小波神经网络的网络流量预测研究

主要采用小波神经网络的相关理论和方法对某小区网络的访问流量情况进行建模和预测。利用收集到的网络流量变化情况作为小波网络的训练样本,成功实现了该网络的流量预测。试验仿真结果表明,构建的小波神经网络模型可以很好地实现对网络流量的高精度预测。     

基于神经网络模型的网络流量预测综述

网络流量预测技术可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。大量研究表明,神经网络的预测性能高于其他经典预测方法,在网络流量预测中的应用潜力巨大。总结网络流量预测的一些关键因素和预测误差评判方法,重点介绍近年提出的可用于预测的神经网络模型原理、相关预测方法及其属性比较,旨在为包括流量在内的各种网络参数预测技术的学术研究与实际应用提供可借鉴的方法和手段。     

遗传优化神经网络的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传算法优化神经网络的网络流量预测模型.首先将相空间重构和神经网络参数进行编码,网络流量预测精度作为目标函数,然后通过遗传算法选择模型最优参数,最后进行网络流量仿真实验.实验结果表明相对传统预测模型,遗传优化神经网络模型具有更高预测精度及稳定性更好.     

基于包容性检验和神经网络的网络流量预测模型

网络流量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果,为此,提出一种包容性检验和BP神经网络相融合的网络流量预测模型（ET-BPNN）。首先采用多个单一模型对网络流量进行预测,然后通过包容性检验,根据t统计量检验选择最合适的基本模型,最后采用BP神经网络对基本模型预测结果进行组合得到最终预测结果。实验结果表明,相对于单一模型以及传统组合模型,ET-BPNN更加准确刻画了网络流量变化趋势,各项评价指标均达到更优,为实现网络流量准确预测提供了更为科学的方法。     

一种基于残差网络的改进网络流量分类算法

基于卷积神经网络的网络流量分类算法中,为了提高分类准确度,其结构设计日趋复杂,容易出现梯度下滑甚至梯度消失,导致预测准确度不升反降.文章提出了一种基于残差网络的改进流量分类算法,引入残差网络层代替传统卷积神经网络中的卷积层和池化层,不仅缓解了传统卷积网络因层次太深导致难以训练的问题,同时与传统卷积运算相比,所提出的残差...     

基于流量感知的网络切片资源智能分配方法

针对当前网络切片资源仅考虑时间域请求所导致切片资源分配不合理的问题,采用基于残差-预测框架的流量感知算法来预测网络流量,结合神经网络预测未来的网络负载状态;基于网络负载预测结果,利用VNF技术实现网络切片资源智能分配.实验表明,该方法能够提升虚拟服务功能链数据包调度的端到端时延和CPU利用率.     

基于图卷积神经网络的大规模软件定义网络流量预测模型

为了提高大规模软件定义网络流量预测的准确率,研究基于图卷积神经网络的大规模软件定义网络流量预测模型。构建包含图卷积神经网络（Graph Convolution Neural Network, GCN）层、门控递归单元（Gating Recursive Unit, GRU）层及自注意力机制层的流量预测模型。通过GCN层与GRU层分别重构与更新网络流量的空间与时间特征;将两种特征共同输入自注意力机制层,经整合与加权平均运算后,获得网络流量预测值输出,实现大规模软件定义网络流量预测。实验结果显示,该模型可精准预测大规模软件定义网络流量,降低所应用网络的通信丢包率与通信延时,实现高质量高时效的网络数据传输,保障大规模软件定义网络的智能流量通信。     

基于包容性检验和神经网络的网络流量预测

网络流量具有复杂多变特征,为了获得理想的预测效果,提出一种包容性检验和BP神经网络相融合的网络流量预测模型(ET-BPNN)。首先采用多个单一模型对网络流量进行预测,然后通过包容性检验选择最合适的基本模型,最后采用BP神经网络确定基本模型权重,建立网络流量预测模型。结果表明,ET-BPNN更加准确地刻画了网络流量变化趋势,各项评价指标均达到更优,为实现网络流量准确预测提供了更为科学的方法。     

基于MCC的网络流量预测方法

This paper proposes a method for improving the precision of Network Traffic Prediction based on the Maximum Correntropy Criterion (NTPMCC), where the nonlinear characteristics of network traffic are consid-ered. This method utilizes the MCC as a new error evaluation criterion or named the cost function (CF) to train neural networks (NN). MCC is based on a new similarity function (Generalized correlation entropy function, Correntropy), which has as its foundation the Parzen window evaluation and Renyi entropy of error probability density function. At the same time, by combining the MCC with the Mean Square Error (MSE), a mixed evaluation criterion with MCC and MSE is proposed as a cost function of NN training. According to the traffic network characteristics including the nonlinear, non-Gaussian, and mutation, the Elman neural network is trained by MCC and MCC-MSE, and then the trained neural net-work is used as the model for predicting net-work traffic. The simulation results based on the evaluation by Mean Absolute Error (MAE), MSE, and Sum Squared Error (SSE) show that the accuracy of the prediction based on MCC is superior to the results of the Elman neural network with MSE. The overall performance is improved by about 0.0131.     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

智能集成VBR MPEG视频流量预测模型

作为数字媒体网络视频通信的主要方式,VBR MPEG视频流量的预测能力是直接关系缓冲区设计、动态带宽分配及拥塞控制等提高网络服务质量的关键因素.因此针对MPEG视频流的复杂特性,充分利用人工智能方法的优势,提出并建立了基于模糊神经网络的智能集成VBR MPEG 视频流量预测模型.采用模糊预测模型提高预测精度,利用神经网络解决预测的实时性问题.实验结果表明,与标准AR预测模型相比,该模型预测的准确度和可靠性显著提高,且算法简单易于推广到其他方法中使用.     

Attention-based spatio-temporal graph convolutional network considering external factors for multi-step traffic flow prediction

Traffic flow prediction is an important part of the intelligent transportation system. Accurate multi-step traffic flow prediction plays an important role in improving the operational efficiency of the traffic network. Since traffic flow data has complex spatio-temporal correlation and non-linearity, existing prediction methods are mainly accomplished through a combination of a Graph Convolutional Network (GCN) and a recurrent neural network. The combination strategy has an excellent performance in traffic prediction tasks. However, multi-step prediction error accumulates with the predicted step size. Some scholars use multiple sampling sequences to achieve more accurate prediction results. But it requires high hardware conditions and multiplied training time. Considering the spatiotemporal correlation of traffic flow and influence of external factors, we propose an Attention Based Spatio-Temporal Graph Convolutional Network considering External Factors (ABSTGCN-EF) for multi-step traffic flow prediction. This model models the traffic flow as diffusion on a digraph and extracts the spatial characteristics of traffic flow through GCN. We add meaningful time-slots attention to the encoder-decoder to form an Attention Encoder Network (AEN) to handle temporal correlation. The attention vector is used as a competitive choice to draw the correlation between predicted states and historical states. We considered the impact of three external factors (daytime, weekdays, and traffic accident markers) on the traffic flow prediction tasks. Experiments on two public data sets show that it makes sense to consider external factors. The prediction performance of our ABSTGCN-EF model achieves 7.2%–8.7% higher than the state-of-the-art baselines.     

基于模糊神经网络的网络业务量预测研究

利用神经网络(NN)的自学习能力以及模糊逻辑的动态性和及时性等特点,将模糊逻辑和 NN 有机地结合起来,构造出了五层模糊神经网络(FNN),并用训练 NN 的相应学习算法-BP 算法来训练网络。本文将 FNN 用于网络自相似业务预测研究中,并与单纯的 NN 算法相比较。仿真结果表明,FNN 能很好地预测复杂网络业务,与传统的 NN 算法相比,不仅收敛速度快,且得到更好的预测效果。本文为复杂网络业务流量预测研究提供了一种有效途径。     

大尺度IP骨干网络流量矩阵估计方法研究

流量矩阵估计是当前的热点研究问题,它被网络操作员用来进行负载均衡、路由最优化、流量侦测、网络规划等等.然而,流量矩阵估计本身固有的高度病态特性,使得精确地估计流量矩阵成为具有挑战性的研究课题.本文研究大尺度IP骨干网络的流量矩阵估计;基于RBF(Radial Basis Function)神经网络,提出一种新的估计方法...     

用神经网络实现VBR视频通信量的在线预测

VBR(Varible Bit Rate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测难度较大.针对以上问题,本文提出了一种用于VBR视频通信量预测的自适应神经网络模型,网络训练采用离线与在线相结合的方式,同时通过删除不重要的权重,以优化网络的拓扑结构,提高网络的推广能力,降低网络在线学习的计算复杂度;对VBR视频通信量预测的模拟结果表明该模型具有高的预测精度,并能满足通信系统对预测实时性的要求.