基于PSO-Elman模型的网络流量预测

针对网络流量的混沌性特点以及传统神经网络处理网络流量预测问题易陷入局部极小导致预测精度不高的问题,提出在相空间重构基础上,采用粒子群算法(PSO)优化Elman神经网络初始参数的网络流量预测模型。首先对网络流量时间序列进行相空间重构,将重构后的流量序列作为模型的输入;再利用PSO算法全局搜索能力对Elman神经网络初始参数进行优化;最后利用训练好的Elman神经网络对网络流量进行预测。仿真结果表明,相比其他流量预测方法,基于PSOElman模型的网络流量预测提高了预测准确率。     

基于SARIMA-LSTM组合模型的网络流量预测方法

针对网络流量预测问题，提出一种基于SARIMA和LSTM组合模型的网络流量预测方法。首先，利用S-HESD算法对异常流量数据进行检测，并通过滑动窗口均值进行数据平滑处理；然后，利用基于统计学习的SARIMA模型预测流量数据，并将其作为LSTM神经网络的输入，最终输出流量预测值。实验结果表明，SARIMA-LSTM组合模型能充分呈现骨干网、城域网、边缘接入网等不同层级网络的周期性和趋势性等特点，优于SARIMA、LSTM等单一模型。     

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SFO-GRU模型的短期负荷预测

为提高短期负荷预测精度,提出一种基于旗鱼优化算法(SFO)和GRU神经网络的短期负荷预测模型.通过使用负荷、气象等真实数据对GRU神经网络的权重参数进行训练并建立GRU预测模型,同时采用旗鱼优化算法(SFO)优化GRU模型的迭代次数、学习率和隐藏层神经元数量,仿真实验结果表明,与BP、LSTM等经典预测模型相比,SFO...     

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.     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。     

基于BP-LSTM组合神经网络模型的汽车车速预测

准确的汽车车速预测对整车能量分配、道路交通管理具有重要意义。针对汽车车速本身具有高度时变性以及单模型预测存在局限性的特点,提出：反向传播神经网络-长短时记忆网络(BP-LSTM)组合神经网络模型,首先利用BP神经网络进行训练,将训练集数据和得到的预测输出、残差输入到Adam算法优化的LSTM神经网络中,用于训练LSTM模型。结合BP网络结构简单、预测时间短、LSTM精度高的优点,通过深度学习框架Tensorflow进行模型的搭建与验证,实现基于BP-LSTM组合神经网络模型的短时车速预测。结果表明：组合神经网络预测效果优于BP、LSTM两种单一模型,预测精度得到改善。     

基于LSTM混合模型的时间序列预测

网络流量分析和预测已经成为监控网络的关键。网络预测是捕捉网络流量并对其进行深入研究以决定网络中发生的情况的过程。网络流量的分析和估计的准确性在实现网络服务质量(QoS)的保证方面越来越重要。研究通过将LSTM和ANFIS相结合的形式构建LSTM-ANFI模型,提高网络流量预测性能。实验结果表明,LSTM-ANFI模型在网络流量的预测方面具有一定优势,通过模型对比不难发现该模型优于单一的LSTM和单一的ANFIS模型。就相关指标而言,提出的增强型LSTM R297.95%和增强型ANFIS模型的经验结果是R2=96.78%,适用于蜂窝网络流量数据。     

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。     

混合LSTM与卷积神经网络的氧气提取率预测方法

针对空分装置系统的运行参数量大、氧气提取率预测研究欠缺的问题,提出一种基于卷积神经网络（CNN）、长短期记忆网络（LSTM）以及混合LSTM和CNN的氧气提取率预测方法。将氧气提取率作为预测目标,基于卷积神经网络、LSTM、混合LSTM与卷积神经网络模型对其进行建模,并应用于空分装置系统运行采集的数据中。使用平均绝对百分比误差、均方根误差和平均绝对误差等指标来评价预测模型的精度,并使用模型训练时间以及模型收敛速度评估模型性能。实验结果表明,采用混合LSTM和卷积神经网络的氧气提取率预测方法的效果明显优于其他两种模型。     

基于LSTM网络的矿山压力时空混合预测

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。     

基于LSTM的智能车变道预测研究

文章基于循环神经网络RNN(Recurrent Neural Network)和长短时记忆网络LSTM(Long-Short Term Memory)的理论研究,提出了一种基于LSTM的智能车变道行为预测模型。首先,搭建LSTM网络模型框架;然后根据人类驾驶场景对真实数据集NGSIM(Next Generation Simulation)进行特征选择与数据提取。最后使用长短时记忆网络(LSTM)模型进行训练,测试车辆变道预测结果,并将结果与利用RNN模型预测的结果进行比较,验证了本文方法的有效性。     

基于深度LSTM与遗传算法融合的短期交通流预测模型

短期交通流预测是交通优化控制和智能服务的基础。由于交通流日内波动性明显,使用单层长短期记忆网络(LSTM)存在泛化能力不足的问题,堆叠多层LSTM易导致模型难以快速收敛。通过对LSTM神经网络架构的优化设计,提出一种深度LSTM与遗传算法融合的交通流预测模型GA-mLSTM。首先,采用遗传算法(Genetic Algorithm, GA)对LSTM层数、Dense层数、隐藏层神经元个数和Dense层神经元个数进行优化,确定GA-mLSTM模型的网络结构设计和最优参数;然后,基于GA-mLSTM模型的预测结果,使用差分运算对预测误差进行修正;最后,利用公开数据集对交通流预测性能进行评估并验证,实验结果表明：GA-mLSTM模型采用3层LSTM神经网络结构,融入遗传算法和差分计算后,能有效捕获路网交通流的波动特性,可以实现更准确的交通流预测。     

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。     

基于神经网络的网络流量预测算法研究

网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经...     

基于增量学习的时变信道预测方法

基于自回归模型(Autoregressive Model, AR)的传统信道预测方法在高速移动中，信道具有较大的时变性，导致信道发生了非线性的改变。基于反向传播(Back Propagation, BP)网络的信道预测方法通过适当地调整权重可使模型更加稳健，但是算法效率较低。提出一种新的模型，设计长短期记忆(Long Short-Term Memory, LSTM)网络和增量学习相结合的在线信道预测模型，实现时变信道的在线预测。模型应用LSTM神经网络学习长时间序列的特性来处理时间相关通信系统中的信道状态信息，增量学习(Incremental Learning, IL)在运行期间不断预测系统状态，同时更新LSTM神经网络的现有权重，交替执行训练和预测过程，模型可以很好地适应无线信道的动态变化。实验结果表明，提出的模型能有效地改善时变信道的预测准确率。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

基于LSTM与改进残差网络优化的异常流量检测方法

传统的网络异常流量检测方法往往存在特征选择差与泛化能力较弱等缺陷,导致检测精度较低.为此,提出了一种基于长短记忆网络(LSTM)与改进残差神经网络优化的异常流量检测方法.首先分析网络流量特征,通过预处理来降低网络流量特征值的差异性;然后设计了一种三层堆叠LSTM网络来提取不同深度的网络流量特征;最后设计了一种带跳跃连接...     

基于深度学习的量子信号大气衰减系数预测

针对空间量子通信系统中大气信道环境随气象条件实时改变的特性,提出了基于深度学习的量子信号大气衰减系数预测方法。实验基于西安地区气象数据,分别使用了误差反向传播神经网络(BPNN)、长短期记忆网络(LSTM)、门限循环单元(GRU)三种神经网络模型进行数据预测,并进行了分析比较。结果表明三种神经网络模型均可以有效实现预测,并能达到80%的数据拟合度,其中LSTM和GUR网络的整体预测能力较强,但三种网络模型均在峰值处产生较大误差。该预测方案为空间量子通信中各类针对大气信道的补偿手段和智能参数优化提供了基础。