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。     

一种新的卫星通信网流量预测算法

在通信网络的设计中,使用基于流量预测的网络规划已成为LTE发展的必然趋势。与地面网络不同,卫星网络由于受资源受限和拓扑时变的不利影响,其流量预测算法必须能兼顾精度和效率,这令传统的地面网络预测方法已不再适用。为了解决以上问题,提出了一种新的基于小波回声状态网络的流量预测算法,该算法通过小波多尺度分解的信号处理方法屏蔽了网络流量的噪声,而后结合了无反馈的回声状态网络联合进行预测。仿真证明,新算法相比传统算法能大幅提升网络流量的预测精度和运行效率,为卫星网络的流量规划提供了强有力的决策支持。     

基于FARIMA-GARCH模型的网络业务预测算法

网络流量的波动性与自相似特性为其精确预测提出了挑战。为此,提出了一种基于FARIMA-GARCH模型的预测算法。该算法首先利用分段双向CUSUM检测算法对流量序列的均值进行有效检测,并在此基础上将序列零均值化;然后采用限定搜索法对分数差分阶数进行精确估计;在获得模型参数后,使用FARIMA-GARCH模型对网络流量进行预测。仿真实验表明,限定搜索法能够获得比传统算法更高的估计精度。随后采用真实网络流量验证了预测算法的性能,在保持与FARIMA预测算法等价的时间复杂度下,其均方根和相对均方根误差与RBF神经网络预测算法相当,而高于FARIMA预测算法。同时,预测算法对突发流量的跟踪和预测性能明显优于对比算法,且有更好的区间估计性能。     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

传感器网络变权组合预测流量整形算法

针对现有流量整形算法在传感器网络应用上的不足,提出了一种新的流量整形算法。分析了传感器网络流量具有突发随机性以及时变不均衡性的原因,根据传感器网络流量的模糊性、随机性以及时变性统一建模,提出了变权组合预测流量整形算法（TSAV,Traffic Shaping Algorithm with Variable weight combination forecast）,该算法通过逼近最优组合理论分配模糊AR预测与Kalman预测的组合权重,得到更为精确的预估流量值,提前规划整形速率从而平滑的输出分组流。实验表明,TSAV算法应用到传感器网络时能够准确预测流量,减少分组丢弃率的同时增大网络吞吐量,改善了传感器网络信息传输的QOS性能。      

一种基于预测PI控制器的自相似网络主动队列管理算法

近年研究发现网络中的业务量呈自相似特征,这种自相似特征显著影响网络的流量控制与排队性能,本文在自相似网络流量可预测的基础上,利用线性回归分析理论进行流量预测,并应用控制理论中的预测PI控制器原理设计了动态矩阵PI控制主动队列管理(Dynamic Matrix PI Control-Active Queue Management,简称DMPIC-AQM)算法,以克服队列的剧烈振荡,保持队列稳定在期望的长度.仿真实验结果表明,DMPIC-AQM算法在网络流量剧烈变化和小期望队列长度的情形下,DMPIC-AQM算法明显优于RED与PI算法.     

基于拓扑链路识别的光网络流量数据合成算法

基于深度学习的光网络流量诊断与预测等场景中,由于保密等原因,光链路的流量数据采集和存储工作受限。针对数据量少而无法支撑深度学习的问题,文章提出了一种基于拓扑链路识别的光网络流量数据合成算法,其核心思想是在生成对抗网络框架下,联合基于光网络拓扑的条件生成模型和基于光网络流量的数据合成模型,以自监督的方式合成指定光链路的流量数据。仿真结果表明,所提算法合成的光网络流量数据在自相关系数指标上与真实数据接近且使得基于全连接神经网络的流量预测模型准确率达到95%以上。     

LTE/SAE移动通信网络流量识别方法的改进研究

对LTE/SAE移动通信网络流量的准确识别和预测,提高移动通信网络的通信可靠性。提出一种基于小波时间-尺度特征分解的LTE/SAE移动通信网络流量识别算法,构建LTE/SAE移动通信网络的信道模型,进行通信网络流量的时间序列分析,对时间序列采用小波时间—尺度特征分解方法进行特征提取和匹配,实现流量的准确识别和预测。仿真结果表明,采用该算法进行LTE/SAE移动通信网络流量识别的精度较好,预测的准确性较好,实时性好。     

改进的基于小波变换和FARIMA模型的网络流量预测算法

提出了一种改进的基于小波变换和FARIMA模型的网络流量预测算法,先对经过预处理的流量进行小波分解,再进行Mallat算法单支重构,接着用FARIMA模型分别对重构后的单支进行预测,最后合成流量。该算法较之传统的首先用FARIMA模型对小波系数进行预测再进行小波重构的算法减小了预测误差。仿真实验也验证了改进算法的预测准确性。     

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。     

应用梯度提升树的小区域无线网络多标签流量预测

当前无线网络流量地理分布不均且可用网络资源有限,因而开展拆闲补忙工作极为必要。为合理投放无线网络资源以保证网络性能,提出了一种针对小区域范围的多标签流量预测算法。该算法结合历史流量信息,根据无线用户偏好特性建立多标签流量预测模型,并通过梯度提升树算法得到预测结果。仿真结果表明,相比于广泛应用的移动平均自回归(Autoregressive Integrated Moving Average, ARIMA)和神经网络预测方法,多标签预测模型在对小区域突发性流量的预测上具有很大的优越性。     

基于BP神经网络的4G话务预测方法研究

目前常用的话务预测算法主要有移动平均法和指数平滑法,虽然可以达到一定精度的话务趋势预测,但对于短期话务量的周期性变化,例如潮汐效应等场景,传统的话务预测算法存在一定的缺陷。因此需要运用BP神经网络算法,进行更为精准智能的话务预测,以便支撑目前广东公司正在试点的载波动态调度,为潮汐载波调度提供算法依据。本文将对BP神经网络用于话务预测进行研究,并对模型的预测性能进行评价。     

基于改进的路网聚类结合PSOWNN的交通流预测

针对城市路网交通流数据的空间相关性、非线性和平稳与非平稳的特点,提出一种采用基于交通流量数据相关性分析改进的路网聚类算法与基于交通流量分段加权适应度函数的粒子群小波神经网络算法(MC-MPSOWNN)相结合的预测方法,来提高算法的预测精度.首先,利用基于交通流量数据相关性分析的路网聚类算法筛选出空间中与预测点交通流量数据相关系数高的其他观测点,以此精简了样本输入数据,减少冗余数据对预测精度的干扰,提高整体预测精度;其次,再构建一种新型的粒子群算法的适应度函数,给予整体预测样本中非平稳数据段更大的调节力度,以此来进一步提高非平稳数据段的预测精度.最后经实验结果分析,提出的改进预测算法相比未进行改进前预测算法而言,明显提高了整体及非平稳数据段预测精度,达到较好的预测效果.     

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.     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

基于深度学习的车联边缘网络交通事故风险预测算法研究

针对传统交通事故风险预测算法无法自动判别数据特征,且模型表达能力差等问题。该文提出一种基于深度学习的车联边缘网络交通事故风险预测算法,该算法首先针对车载自组织网络中采集的大量交通数据,采用边缘服务器中建立的卷积神经网络自主提取多维特征,经归一化、去均值等预处理后,再将得到的新变量输入卷积层、采样层进行训练,最后根据全连接层输出的判别值,得到模拟预测交通事故发生的风险性。仿真结果表明,该算法被验证能够预测交通事故发生的风险性,较传统的机器学习算法BP神经网络、逻辑回归具有更低的损失与更高的预测准确度。     

Network traffic prediction method based on improved ABC algorithm optimized EM-ELM

In order to overcome the poor generalization ability and low accuracy of traditional network traffic prediction methods, a prediction method based on improved artificial bee colony (ABC) algorithm optimized error minimized extreme learning machine (EM-ELM) is proposed. EM-ELM has good generalization ability. But many useless neurons in EM-ELM have little influences on the final network output, and reduce the efficiency of the algorithm. Based on the EM-ELM, an improved ABC algorithm is introduced to optimize the parameters of the hidden layer nodes, decrease the number of useless neurons. Network complexity is reduced. The efficiency of the algorithm is improved. The stability and convergence property of the proposed prediction method are proved. The proposed prediction method is used in the prediction of network traffic. In the simulation, the actual collected network traffic is used as the research object. Compared with other prediction methods, the simulation results show that the proposed prediction method reduces the training time of the prediction model, decreases the number of hidden layer nodes. The proposed prediction method has higher prediction accuracy and reliable performance. At the same time, the performance indicators are improved.