自适应网络流量线性预测算法及应用*

Internet网络流量的分析、模型仿真以及流量的预测,在网络管理和设计中起着很重要的作用。分析了CERNET网络流量行为,提出了CERNET IP Backbone的流量模型,同时将自适应滤波的新思想引入网络流量的模型仿真和预测,提出了自适应网络流量线性预测的新算法,并将其应用于CERNET的网络流量预测。     

基于加权支持向量回归的网络流量预测

网络流量预测对于网络的安全和可用性至关重要,但是,传统的网络流量预测方法使用平均时间加权的方法进行预测,缺泛化能力导致预测精度低。基于每一个网络流量历史数据到预测点的时间间隔计算其时间权重,使用带时间权重的加权支持向量回归模型w-SVR预测网络流量。该模型因为其泛化能力和为每个训练数据设置单独的权重而提高了网络流量预测的准确性。模拟实验显示w-SVR模型相对于ANN和AR模型,预测错误率分别降低了37.4%和65.6%,而标准误差降低了46.2%和53.3%。     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

包容性检验和SVM相融合的网络流量预测

模型选择对网络流量组合预测结果至关重要,为了提高网络流量的预测效果,提出一种包容性检验和支持向量机相融合的网络流量预测模型（ET-SVM）。采用多个单一模型对网络流量进行预测,根据预测结果的均方根误差对模型优劣进行排序,通过包容性检验,根据t统计量检验选择最合适的单一模型,采用支持向量机对单一模型预测结果进行组合得到最终预测结果,通过仿真实验对模型性能进行测试。仿真结果表明,ET-SVM降低了网络流量的预测误差,预测精度得到了提高。     

网络流量预测方法和实际预测分析

随着网络带宽的迅速增加以及各种网络服务的广泛应用,针对网络流量的建模以及预测日益重要并备受人们关注。为了更好地对网络流量进行建模和预测,文章一方面将现有的一些流量模型分短相关和长相关两类进行总结和分析;另一方面分析了常见的流量预测方法,尤其是神经网络、模糊理论以及小波分析。并在实际测量中,使用FIR神经网络模型对网络流量进行了实际的预测。最后,提出了流量预测在网络安全领域的应用前景和方向。     

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.     

网络流量预测的建模与仿真研究

研究网络流量准确预测问题,网络流量变化是一种具有时变性、多尺度和突发性的非线性系统,由于传统时间序列预测方法很难揭示内在变化规律,导致网络流量的预测精度比较低.为了提高网络流量的预测精度,提出一种小波分析BP神经网络的网络流量预测模型.模型首先通过小波分析对网络流量进行分解,得到网络流量信号的近似和细节部分,然后进行重构提取多尺度特征,最后将重构的网络流量数据输入到BP神经网络,利用BP神经网络的非线性能力对网络流量进行训练、建模并预测.仿真结果表明,小波神经网络方法提高了网络流量预测精度,是一种有效实用的网络流量预测方法.     

基于小波变换的PCNN网络流量预测算法

网络流量预测对网络安全、网络管理等具有重要的意义。针对网络流量的行为特征,提出了基于小波变换的PCNN网络流量预测算法。对预处理的网络流量进行小波分解,利用PCNN模型预测获得的近似系数和细节系数,通过小波逆变换对预测的小波系数进行重构,得到预测的网络流量。实验结果表明,与其他的三种网络流量预测算法相比,算法得到较小的残差,取得了较好的预测效果。     

复合协方差函数高斯回归的网络流量建模与预测

为了获得更优的网络流量预测结果,提出一种复合协方差函数高斯过程(GP)的网络流量预测模型。首先采用复合协方差函数构建GP模型,然后对网络流量训练集进行训练,找到协方差和均值函数的最优参数,最后建立网络流量预测模型,并与支持向量机、神经网络、传统高斯过程进行网络流量的单步和多步预测对比测试。结果表明,相对于对比模型,复合协方差函数GP模型更加能够辨识非线性的网络流量变化趋势,提高了网络流量的预测精确性,是一种有效的复杂网络流量变化预测方法。     

基于自适应滤波理论的网络流量线性预测

Internet网络流量的分析、模型仿真以及流量的预测,在网络管理和设计中起着很重要的作用。该文在此方面做了一些工作和尝试,主要有两方面的贡献：（1）在分析和比较了不同模型性能的基础上,提出了CERNET IP backbone的流量模型;（2）将自适应滤波的新思想引入网络流量的模型仿真和预测,提出了自适应网络流量线性预测的新算法。     

基于SCSO-GRU模型的网络流量预测

网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化（SCSO）算法的GRU神经网络的网络流量预测模型（SCSO-GRU）。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。     

遗传BP神经网络在网络流量预测中的应用

由于BP神经网络本质上采用的是梯度下降算法,具有收敛速度慢、容易陷入局部极小点等缺陷.针对这种情况,用具有良好全局搜索能力的遗传算法来改进BP神经网络模型,对神经网络的初始权值和阈值进行优化.仿真结果表明,遗传BP神经网络具有良好的预测效果,预测精度比传统的BP神经网络要高,误差更小,说明了遗传BP神经网络对网络流量预测是高效可行的.     

改进的自适应脊波网络的碳通量预测

碳通量同生态因素之间具有复杂的非线性关系,可以通过生态因素预测碳通量。为提高网络的训练速度和预测精度,针对碳通量数据高维、多样本、非线性、超平面奇异的特点,提出了一种改进的自适应脊波网络预测模型,采用高斯牛顿法调整激励函数的参数,运用矩阵分块法和伪逆矩阵计算脊波网络的权值和阈值。通过实验,比较了改进自适应脊波网络、自适应脊波网络和小波网络的训练收敛速度、隐含层节点个数和预测精度。实验结果表明,提出的预测模型预测精度更高,网络结构更稀疏,训练收敛速度更快。     

基于神经网络的配电网负荷预测方法

配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆（LSTM）,构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持向量回归（SVR）方法,该方法预测精度高、过程简单。     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

K-Similarity降噪的LSTM神经网络水质多因子预测模型

针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.     

Prophet混合模型应用于基站网络流量长期预测

传统网络流量预测方法大多数关注短期预测,而长期预测能够更好地指导基站小区无线设备扩缩容。集合经验模态分解（ensemble empirical mode decomposition,EEMD）能够使非平稳时间序列转化成平稳时间序列,Prophet模型能够准确地对流量序列进行较准确的长期预测,基于以上模型方法的优点和基站小区网络流量的非线性和非平稳性特点,提出一种Prophet混合EEMD的基站小区网络流量预测方法（E-Prophet）。采用EEMD将网络流量序列分解成若干固有模态函数（intrinsic mode functions,IMF）分量和一个残差分量;利用Prophet模型对各分量建模,并将各分量预测结果进行线性组合,得到最终的预测结果。利用实际基站小区网络流量数据对方法进行验证,结果表明：E-Prophet对于网络流量长期预测比Prophet、SARIMA、LSTM以及结合EMD和Prophet的模型具有更高的准确度和鲁棒性。     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

基于RBF网络的商品混凝土强度预测分析

提出具有9个输入节点, 1个输出节点的 RBF神经网络模型来模拟抗压强度及其影响因素之间复杂非线性关系.作为对比,作者同时比较了3种不同输入模型的RBF网络的预测效果并与传统的BP网络模型进行比较,结果表明,文章提出的RBF网络模型具有很高的预测精度和较强的泛化能力,可作为商品混凝土性能分析的一种新型有效的方法.