延迟时间和嵌入维数联合优化的网络流量预测

为了提高网络流量的预测精度,利用相空间重构的两个关键参数-延迟时间（τ）和嵌入维（m）间的相互联系,提出一种延迟时间和嵌入维数联合优化的网络流量预测模型。该模型以最小二乘支持向量机作为网络流量预测算法,根据网络流量预测结果优劣评价指选择最优[τ]和[m]值,建立单步、多步网络流量预测模型,并通过仿真实验对模型的性能进行分析。结果表明,模型可以准确选择出最优嵌入维数和延迟时间,显著提高了网络流量的预测精度,预测结果明显优于独立优化[τ]和[m]以及传统联合优化[τ]和[m]的网络流量预测模型。     

遗传算法优化BP神经网络的网络流量预测

为了提高网络流量预测精度,提出一种基于遗传算法优化BP神经网络的网络流量预测模型(GA-BPNN)。首先采集网络流量数据,并进行相应预处理,然后将网络流量训练样本输入到BP神经网络进行学习,并采用遗传算法对BP神经网络参数进行优化,最后采用建立的网络流量预测模型对网络流量测试集进行预测,并通过仿真实验对模型性能进行测试。结果表明,GA-BPNN提高了网络流量的预测精度,获得比较理想的网络流量预测结果。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

自回归与神经网络组合的网络流量预测模型

网络流量具有时变性和非线性,单一预测方法难以准确描述网络流量变化规律,为提高网络流量预测准确率,提出一种网络流量组合预测模型(ARIMA-BPNN);首先采用ARIMA对网络流量进行预测,然后采用BPNN对网络流量非线性变化规律进行预测,且遗传算法优化BPNN初始权值,最后将两者预测结果作为BPNN输入进行二次预测,得到ARIMA-BPNN预测结果;仿真实验结果表明,相对于ARIMA、BPNN,ARIMA-BPNN提高网络流量预测精度,在网络管理中有着广泛的应用前景。     

基于PSR-LSSVM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,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

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。     

基于ACO-LSSVM的网络流量预测

为了提高了网络流量的预测精度,提出一种蚁群算法（ACO）优化最小二乘支持向量机（LSSVM）参数的网络流量预测算法（ACO-LSSVM）。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。     

组合核函数高斯过程的网络流量预测模型

针对网络流量的非线性和时变性等特点,为了提高网络流量预测精度,提出一种组合核函数高斯过程的网络流量预测模型。用自相关法和假近邻法计算网络流量的延迟时间和嵌入维数,构建网络流量学习样本;采用组合核函数高斯过程对训练集进行学习,并且参数通过遗传算法进行优化;最后采用网络流量数据对模型性能测试。仿真表明,相对于对比模型,组合核函数高斯模型获得了更高的预测精度,预测结果更加稳定、可靠,具有较大的实际应用价值。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

经GA优化的WNN在交通流预测中的应用

针对城市交通流的复杂性、随机性、非线性等特点,利用遗传算法(GA)优化小波神经网络(WNN),以克服传统神经网络收敛速度慢、易陷入局部最小点等缺陷,在此基础上建立基于GA-WNN的城市交通流预测模型。利用GA-WNN、GA-BP和WNN模型对南昌市南京西路交通流进行仿真预测,实验结果表明,GA-WNN模型的预测效果较好,相比GA-BP和WNN模型具有更高的预测精度和更快的收敛速度。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

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。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

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。     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。