多元宇宙优化算法优化WLSSVM的网络流量预测

高精度网络流量预测可以帮助管理人员了解网络流量变化态势,提高网络系统的稳定性,为了降低网络流量预测的误差,提出了基于多元宇宙优化算法优化加权最小二乘支持向量机的网络流量预测模型。首先采用网络流量历史数据,将其作为加权最小二乘支持向量机的输入向量,然后利用多元宇宙优化算法对加权最小二乘支持向量机参数寻优,从而得到最优的网络流量预测模型,最后采用具体网络流量预测应用实例对模型性能进行测试与分析,结果表明本模型可以准确描述网络流量的变化规律,预测误差很小,完全能够满足网络管理实际要求,相对于其他预测模型,本模型的网络流量预测精度得到了有效提高。     

基于包容性检验和证据理论的短期负荷预测

为了提高短期负荷的预测精度,提出一种包容性检验和证据理论的短期负荷组合预测模型(ET-DS).分别采用多个单一模型对短期负荷进行预测,采用包容性检验选择最合适的单一模型,利用证据理论获取单一模型的权值,实现短期负荷的组合预测,并采用短期负荷数据对模型性能进行仿真测试.仿真结果表明,相对单一模型及其它组合模型,ET-DS组合模型更加准确刻画了短期负荷变化趋势,提高了短期负荷预测精度,预测结果可为电力规划提供有价值参考意见.     

网络流量的非线性组合预测模型应用研究

研究网络优化管理问题,网络流量具有趋势性、周期性和非线性,传统预测模型只能反映网络流量变化的片段信息,难以获得高精度的网络流量预测结果。为提高网络流量预测结果,提出一种非线性组合的网络流量预测模型。首先采用单一模型ARIMA、ARMA、GM(1,1)对网络流量各特征进行预测,然后将三种预测结果输入到支持向量机进行融合,得到网络流量的最终预测结果。仿真结果表明,与传统网络流量预测模型相比,改进的非线性组合预测模型能够较好的反映网络流量的复杂变化规律,从而提高了网络流量的预测精度。     

基于FCM-LSSVM网络流量预测模型

为了提高网络流量的预测准确性,针对训练样本选取问题,提出一种训练样本选择的最小二乘支持向量机网络流量预测模型（FCM-LSSVM）。采用模糊均值聚类算法对网络充量数据进行了聚类分析,消除其中的孤立样本点,构建最小二乘支持向量机的训练集,然后将训练集输入到最小二乘支持向量机进行了学习,并采用人工蜂群算法对模型参数进行了优化,最后建立建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于其他网络流量预测模型,FCM-LSSVM不仅提高了网络流量的预测精度,而且建模速度得以提高,获得了更加理想的网强流量预测结果。     

基于CS-HRVM的网络流量预测

为了获得更加理想的网络流量预测结果,准确刻画网络流量的变化趋势,提出一种基于布谷鸟搜索算法优化组合核相关向量机的网络流量预测模型（CS-HRVM）。首先针对网络流量的混沌特性,采用相空间理论建立网络流量的多维学习样本,并采用组合核函数构建相关向量机,然后将学习样本输入到相关向量机中进行训练,并采用布谷鸟搜索算法对模型参数进行优化,从而建立网络流量预测模型,最后采用仿真实验对模型性能进行仿真对比实验。结果表明,CS-HRVM获得了比其他网络流量预模型更高的预测精度,而且可以对含噪网络流量进行准确预测。     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

基于ELM-LSSVM的网络流量预测

为了对网络流量进行准确预测,针对传统极限学习机的“过拟合”不足,提出一种极限学习机和最小二乘支持向量机相融合的网络流量预测模型（ELM-LSSVM）。该模型通过相空间重构获得网络流量的学习样本,引入最小二乘支持向量机对极限学习进行改进,并对网络流量训练集进行学习,采用仿真实验对模型性能进行测试。结果表明,ELM-LSSVM提高了网络流量的预测精度,实现了网络流量准确预测,并具有较强的实际应用价值。     

最优训练样本子集的LSSVM网络流量预测

训练样本选取对最小二乘支持向量机(LSSVM)的泛化能力有较大影响,为了提高网络流量预测精度,提出一种最优训练样本子集的LSSVM网络流量预测模型(IFCM-LSSVM)。首先采用密度方法识别和剔除网络流量数据中的孤立点,消除孤立点对模糊均值聚类(FCM)聚类结果的不利影响;然后采用FCM算法对处理后网络流量数据进行聚类,并根据预测点输入向量与聚类中心的最小距离选择最优训练集,加强训练集规律性,减少LSSVM对训练集的依赖性;最后采用非线性预测能力强的LSSVM对训练集进行学习建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于对比模型,IFCM-LSSVM提高了网络流量的预测精度,加快了模型的训练速度,预测结果更加稳定、可靠。     

包容性检验和PCA相融合的物流需求预测

模型选择以及如何进行组合是物流需求组合预测的关键,为了提高物流需求的预测精度,提出一种包容性检验和主成分分析相融合的物流需求预测模型（ET-PCA）。采用多个单一模型对物流需求进行预测,采用包容性检验选择最合理的单一模型,利用PCA对选择的单一模型预测结果进行组合,采用仿真实验对组合模型性能进行测试。结果表明,相对于传统组合模型,ET-PCA较好地解决了物流需求单一预测模型选择及组合问题,更加全面、准确描述了物流需求复杂的变化趋势,提高了物流需求的预测精度和效率,具有一定应用价值。     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

基于KNN-SVM的网络安全态势评估模型

为了提高网络安全态势评估性能,提出一种K近邻和支持向量机相融合的网络安全态势评估模型（KNN-SVM）。将网络安全数据集输入到支持向量机学习,找到支持向量集,对于待评估网络安全态势样本,计算其与最优分类超平面间的距离,如果距离大于阈值,采用支持向量机进行网络安全态势评估,否则采用K近邻进行评估,以解决支持向量机对超平面附近样本易错分的缺陷,减少SVM的误判率。仿真结果表明,相对于单独SVM,KNN-SVM提高了网络安全态势评估正确率,而且性能更加稳定。     

A Short-Term Forecasting Algorithm for Network Traffic Based on Chaos Theory and SVM

Recently, the forecasting technologies for network traffic have played a significant role in network management, congestion control and network security. Forecasting algorithms have also been investigated for decades along with the development of Time Series Analysis (TSA). Chaotic Time Series Analysis (CTSA) may be used to model and forecast the time series by Chaos Theory. As one of the prevailing intelligent forecasting algorithms, it is worthwhile to integrate CTSA and Support Vector Machine (SVM). In this paper, after the vulnerabilities of Local Support Vector Machine (LSVM) in forecasting modeling are analyzed, the Dynamic Time Wrapping (DTW) and the “Dynamic K” strategy are introduced, as well as a short-term network traffic forecasting algorithm LSVM-DTW-K based on Chaos Theory and SVM is presented. Finally, two sets of network traffic datasets collected from wired and wireless campus networks, respectively, are studied for our experiments.     

一种新的网络流量组合预测模型

针对传统网络流量预测方法精度低的问题,提出一种新的网络流量预测模型。该模型首先采用小波变换对网络流量进行分解,基于支持向量机预测各分量,并将预测结果进行重构。仿真实验结果表明该模型性能较好,其预测精度为6.347。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

图书文献经费的支持向量机组合预测

对灰色、神经网络和SVM（支持向量机）的3个预测模型进行了研究,以某图书馆1996年～2003年图书文献总经费为例,对图书文献总经费进行了预测,经过比较,SVM的预测方法精度较高。在分析组合预测特性的基础上,提出了对灰色系统、神经网络和SVM三种预测方法结果进行了线性组合预测方法和SVM的组合预测方法。与单一预测方法结果和线性组合预测进行对比,SVM组合预测方法比较精确。     

犯罪量动态优化组合预测方法

单一预测模型在预测犯罪量时难以协调拟合和泛化关系,从而影响预测结果的准确性。针对以上问题,提出一种数据驱动的可动态优化组合预测方法。以分析自回归求和移动平均模型、向量自回归模型及支持向量机模型的优点为基础,使用后验概率为每个模型赋予权重,结合误差最小原则动态调整权重。实验结果表明,该方法具有较高的预测精度和稳定性,能满足短时犯罪量预测的需要。