基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

基于组合模型的网络流量预测

网络流量预测模型对于网络性能评价和服务质量保证有着重要意义。网络性能评价、网络规划、网络预测都离不开真实的数据和现象的捕获。基于自回归滑动平均模型（ARMA）,利用时间序列建模,提出了利用组合模型对网络流量进行预测的方法。理论分析和实验结果表明,组合模型能达到较高的预测精度。     

基于支持向量回归学习机的网络流量预测

对最小二乘支持向量机的回归算法做了改进,并将其应用到网络流量预测中,在linux下编写网络抓包程序,统计出一个网段节点的流量,与文中算法所得到的预测结果进行对比,实验结果表明,将最小二乘支持向量机用于网络流量的预测,可以取得令人满意的效果.     

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。     

基于ARIMA与RBF组合模型的短时交通量预测

通过对柳州市某对称交叉路口交通量状况的调查分析,提出一种基于自回归求和滑动平均(ARIMA)与径向基函数神经网络(RBF)非线性组合模型的短时交通量预测模型,利用实测数据对组合模型和单一模型进行仿真实验.实例分析表明:组合模型的预测结果比单一模型更加精确,适合于实时的短时交通量预测.     

基于ARIMA的发电量预测方法

根据 1952—2001 年我国 50 年的发电量数据,利用时间序列的有关理论,经过多次拟合,找出适合我国发电量的单整自回归移动平均模型(ARIMA)。利用 AIC 准则确定模型参数。根据模型对我国未来 5年的发电量进行预测,结果表明预测精度误差小于 3%,该方法可满足实际要求。     

基于套索算法和高斯过程回归的中长期居民用电量概率预测

在目前的"新常态"经济模式下,居民电力消费量已经成为中国电力消费增长的主要驱动力。然而其预测精度容易受到社会、经济、环境等多种外部因素的影响,这样会导致预测难度的加大。因此,如何提取这些外部因素中有价值的信息,是预测居民电力消费量成功的关键。针对这个问题,提出了一种基于套索算法和高斯过程回归的中长期居民用电量概率预测模型。首先利用套索算法选取有用的影响因素,从而实现数据降维。其次将被选取的特征当作预测变量,建立了基于高斯过程回归的居民电力消费量概率预测模型。最后以中国居民电力消费量作为算例。结果表明,(1)套索算法可以识别出预测问题中重要的特征,从而能够有效地处理预测问题中的高维数据;(2)高斯过程回归模型可以提高预测精确度,为居民电力消费量的概率预测提供了一种可行思路。     

重叠局部高斯过程回归

高斯过程是一种函数的分布,在机器学习领域常用于回归.对于n个训练样本,其训练和预测时间复杂度分别为O(n~3)和O(n~2),因此难以应用于大规模数据.针对这个问题,本文基于分治的思想,提出一种简单高效的近似模型,称为"重叠局部高斯过程".本文方法假设随机变量在给定邻近变量的值后,会与距离较远的变量条件独立.首先将训练样本集递归划分,构建一棵三叉树,其中兄弟节点包含的样本存在交集,交集中的样本起到诱导点的作用,可构建相邻区域的依赖关系.然后利用每个叶子结点所包含的样本建立局部的高斯过程回归模型,在当前假设下,每个父节点的边缘似然和预测分布可通过组合其子节点的计算结果来近似,从而降低计算量.同时,这种组合方式可保证拟合的函数是连续的.理论分析表明,对于n个训练样本,近似模型训练和预测的时间复杂度均为O(n~t),其中t与交集的大小相关,通常介于1与2之间.此外通过在公共数据集上的实验对比也验证了本文近似模型的有效性.     

基于LMD改进GPR优化的网络流量预测

针对蚁群算法容易陷入局部最优、网络流量预测准确性不高的问题,提出一种基于局部均值分解(LMD)改进蚁群优化高斯过程回归(GPR)的预测算法。考虑到网络流量的复杂性,使用LMD将网络流量分解成多个相关的子序列;通过GPR对网络流量子序列进行建模分析;用蚁群算法优化超参数,引入视线角度参数控制蚂蚁搜索时的视线范围,提高蚂蚁的局部搜索能力;通过莱维飞行更新蚂蚁搜索的步长,提高蚁群算法搜索的全局性。实验表明,改进后的蚁群算法搜索到了更优的值,与原有GPR算法相比,LMD分解后改进蚁群优化GPR的算法来预测网络流量,更好地拟合了网络流量的走向,提高了预测的效果,对维护网络安全具有一定的作用。     

基于随机过程下的交通流量预测方法

在考虑交通流量为随机过程的情况下,根据实际观测得到的交通流量,运用灰色预测模型、神经网络等方法,预测将要发生的交通流量数据.然后,根据以前相应的交通流量数据计算出预测结果的波动范围.最后,提出了解决交通拥堵的方案.     

基于ARIMA的磨削颤振预测方法

磨削颤振会加剧砂轮的磨损并对磨削加工质量造成严重影响,甚至会对磨床本身造成破坏.为了避免磨削颤振的发生,提高磨削加工效率,通过对磨削过程振动信号进行分析,提取固有频率频带能量百分比R作为磨削颤振的特征量,提出一种基于自回归积分移动平均(autoregression integrated moving average,ARIMA)模型的磨削颤振预测方法.试验结果表明:在磨削过程中,固有频率频带能量会随着磨削状态的变化而变化,利用稳定磨削状态下的固有频率频带能量百分比建立ARIMA预测模型,预测结果与真实值十分接近,能够准确预测磨削颤振的发生.     

基于S-ARIMA模型的无线通信网络业务量预测方法

针对当前业务量预测方法过于理想化、预测准确度不高等问题,根据现网业务量特征提出了一种基于乘积季节自回归求和移动平均(S-ARIMA)模型的业务量预测方法.依据现网业务量的特征,详细分析了基于S-ARIMA的业务量预测建模的数学过程,经过现网大量业务量数据验证,S-ARIMA模型相比其他模型方法在预测值和置信区间上均具有较好的结果,是一种合理有效的业务量预测方法.     

基于混合模型的网络流量预测研究

随着网络应用的多样化发展,分析网络流量的行为特性并建立模型进行预测,对于网络管理与流量工程有着重要意义.通过对多种流量预测方法的分析和比较,指出单一预测模型的局限性,并结合近年流量的新特性提出:网络流量的建模预测必须建立在流量重要特性的基础上,采用混合模型可以更全面、准确地描述和预测流量的行为趋势.     

基于神经网络的客服中心话务量预测模型

针对现有预测模型在话务量发展趋势变化、新技术新业务引入后模型失效、预测精度下降等问题,提出一种基于神经网络和事件样本库的智能预测方法。该方法具有自学习功能,可根据预测误差自动调整预测参数并更新事件样本,对话务量趋势变化、事件影响程度变化及新事件的发生具有持续自适应能力。仿真结果表明,该预测方法能有效降低预测误差,与现有方法相比,话务量的预测精度提高了6．57％。     

基于神经网络的VBR视频流量建模及预测

为解决视频流量预测问题,结合神经网络和小波技术建模IP（Internet Protoc01）网络视频流,提出了利用神经网络预测尺度因子的预测算法。对可变比特率的压缩视频流完成小波分解,得出尺度因子。通过对尺度因子的预测和小波重建,完成视频流量预测。尺度因子的归-化特性简化丁神经网络处理过程。对真实VBR（Variable BitRate）视频流的流量预测实验表明,模型对IP网络普遍应用的高压缩比视频流具有良好的预测能力。     

Short-Term Traffic Flow Prediction Based on Road Network Topology

Accurate short-term traffic flow prediction plays a crucial role in intelligent transportation system (ITS), because it can assist both traffic authorities and individual travelers make better decisions. Previous researches mostly focus on shallow traffic prediction models, which performances were unsatisfying since short-term traffic flow exhibits the characteristics of high nonlinearity, complexity and chaos. Taking the spatial and temporal correlations into consideration, a new traffic flow prediction method is proposed with the basis on the road network topology and gated recurrent unit (GRU). This method can help researchers without professional traffic knowledge extracting generic traffic flow features effectively and efficiently. Experiments are conducted by using real traffic flow data collected from the Caltrans Performance Measurement System (PEMS) database in San Diego and Oakland from June 15, 2017 to September 27, 2017. The results demonstrate that our method outperforms other traditional approaches in terms of mean absolute percentage error (MAPE), symmetric mean absolute percentage error (SMAPE) and root mean square error (RMSE).     

Dropout回声状态网络的网络流量预测

提出了一种基于Dropout方法的回声状态网络（ESN）.将基于Dropout方法的ESN （Dropout ESN）应用到实际的网络流量预测任务中,设置储备池内神经元以不同的概率停止工作,将经典的ESN和Dropout ESN进行了对比,分析了2种网络对预测性能的影响,将基于Dropout方法的ESN和其他网络的正规化方均根差进行对比分析.仿真结果表明,Dropout ESN对网络流量预测效果更优.