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。     

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。     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

相空间重构和支持向量机相融合的网络流量预测

针对网络流量非线性、突变性和混沌性特点,利用相空间重构和支持向量机参数的天然联系,提出一种相空间重构和支持向量机相融合的网络流量预测方法。将网络流量预测精度作为建模目标,采用粒子群算法对空间重构和支持向量机参数进行组合优化,建立最优网络流量预测模型。仿真实验结果表明,相对于传统网络流量预测方法,该方法更加能够刻画网络流量复杂的变化特点,有效提高了网络流量的预测精度。     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

网络时延的混沌特性分析及预测

针对互联网的传输时延处于不确定状态的问题,从网络时延序列表现出的性质出发,将混沌理论引入对网络时延的特性分析.通过对实际网络时延数据的处理,计算验证了网络时延具有混沌特性.并提出了采用混沌一支持向量机回归模型对互联网络时延进行预测的方法,通过实例分析对该方法进行了验证.分析结果证明了混沌一支持向量机模型可以对网络时延的变化趋势进行较为准确的预测,和BP神经网络回归预测相比,混沌一支持向量机对时延的短期预测具有更高精度.     

改进PSO-LSSVM算法的SDN网络流量预测模型

SDN技术解决了IP网络布设困难、更新繁琐等突出问题, 近年来发展迅速. 本文针对SDN网络流量预测问题, 提出首先采用混沌理论对时间序列样本群进行相空间重构, 随后引入最小二乘支持向量机(LSSVM)构建SDN网络流量预测模型, 并结合改进的粒子群算法(PSO)对其关键参数进行优化. 实验结果证明, 该模型有效提高了SDN网络流量预测精度与误差控制水平, 具有良好的实际应用价值.     

融合提升小波降噪和LSSVM的网络流量在线预测

针对网络流量数据被噪声污染而无法进行准确建模与预测的问题,将提升小波降噪(LWD)技术和在线最小二乘支持向量机(LSSVM)相结合,提出了一种网络流量的集成式在线预测方法。该方法首先对采集的流量数据进行降噪,然后采用相空间重构理论计算流量的时延、嵌入维数,据此确定训练样本并建立在线预测模型,对网络流量数据进行预测。实验结果表明,该方法能有效滤除流量噪声,实现在线预测,提高预测精度。     

应用小波变换改进网络流量的相空间重构

流量预测是流量工程、拥塞控制和网络管理的核心问题,网络流量非线性变化部分有混沌特性的存在.现有的网络流量研究方法只是单一采用线性或者非线性的方法进行处理,而忽略了对混沌特性的研究.针对网络流量的混沌特点,利用小波变换和非线性动力学方法研究网络流量的混沌特性,并改进相空间重构方法.将混沌吸引子投影于小波滤波器向量所张的空间中,并充分利用了小波变换的去噪优点,给网络流量预测提供了行之有效的新方法.     

网络时延的混沌特性分析及预测

针对互联网的传输时延处于不确定状态的问题,从网络时延序列表现出的性质出发,将混沌理论引入对网络时延的特性分析。通过对实际网络时延数据的处理,计算验证了网络时延具有混沌特性。并提出了采用混沌一支持向量机回归模型对互联网络时延进行预测的方法,通过实例分析对该方法进行了验证。分析结果证明了混沌—支持向量机模型可以对网络时延的变化趋势进行较为准确的预测,和BP神经网络回归预测相比,混沌—支持向量机对时延的短期预测具有更高精度。     

汽车交通事故混沌分析及预测方法

提出一种新型的事故混沌理论.利用混沌理论和故障树法分析了汽车交通事故中的混沌特性,建立了基于事故混沌理论的汽车交通事故预测模型,并分析了预测模型的最大可预测尺度.该预测模型利用相空间近邻等距法对交通事故中的混沌吸引子进行预测,从而实现了对汽车交通事故的预测.仿真结果表明事故混沌理论对分析和预测汽车交通事故是有效的.     

网络流量行为分析的小波加权混沌局域模型

结合小波变换和混沌局域模型的各自优势,提出一种网络流量的预测模型。首先,将网络流量时间序列进行小波分解得到高频信号序列和低频信号序列,再用加权混沌局域模型对每一成分的信号序列分别进行预测,对所有的预测分量进行小波重构就可以实现对网络流量的预测。用实际网络流量对该模型进行验证,实验结果表明,该模型具有较高的预测效果。     

Traffic chaos and its prediction based on a nonlinear car-following model

This paper discusses the dynamic behavior and its predictions for a simulated traffic flow based on the nonlinear response of a vehicle to the leading car's movement in a single lane.Traffic chaos is a promising field,and chaos theory has been applied to identify and predict its chaotic movement.A simulated traffic flow is generated using a car-following model(GM model),and the distance between two cars is investigated for its dynamic properties.A positive Lyapunov exponent confirms the existence of chaotic behavior in the GM model.A new algorithm using a RBF NN (radial basis function neural network) is proposed to predict this traffic chaos.The experiment shows that the chaotic degree and predictable degree are determined by the first Lyapunov exponent.The algorithm proposed in this paper can be generalized to recognize and predict the chaos of short-time traffic flow series.     

Traffm chaos and its prediction based on a nonlinear car-following model

This paper discusses the dynamic behavior and its predictions for a simulated traffic flow based on the nonlinear response of a vehicle to the leading car＇s movement in a single lane. Traffic chaos is a promising field, and chaos theory has been applied to identify and predict its chaotic movement. A simulated traffic flow is generated using a car-following model（ GM model）, and the distance between two cars is investigated for its dynamic properties. A positive Lyapunov exponent confirms the existence of chaotic behavior in the GM model. A new algorithm using a RBF NN （radial basis function neural network） is proposed to predict this traffic chaos. The experiment shows that the chaotic degree and predictable degree are determined by the first Lyapunov exponent. The algorithm proposed in this paper can be generalized to recognize and predict the chaos of short-time traffic flow series     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...     

仿真交通流混沌转化过程研究

为分析交通流混沌转化机理,探讨了车头间距和交通流混沌之间的关系。利用Matlab软件编制皮埃莱（Bierley）模型来产生仿真交通流时间序列,在一定参数组合情况下,研究了交通流车队中前后车辆的车头间距变化过程。通过分析这种车头间距变化曲线相轨迹,可以明显地观察到交通流混沌运动和有序运动之间的转化过程;在此基础上,应用最大Lyapunov指数改进算法对仿真交通流混沌转化过程进行了理论分析,讨论了车头间距对交通流混沌转化过程的影响作用。研究表明,车头间距的变化是交通流混沌现象产生和转化的根本原因。该研究结果有助于进一步理解交通流混沌现象,并为短时交通流预测和智能交通控制提供理论依据。     

基于乘积耦合Volterra模型的短时交通流预测

基于混沌序列固有的非线性和确定性机制以及Volterra级数的非线性表征能力,提出一种短时交通流预测的三阶Volterra模型。针对Volterra模型随阶数增加复杂度以幂次方增加的问题,研究了该模型的乘积耦合近似实现结构。首先,采用互信息法和虚假邻点法选取时间延迟和嵌入维数,并采用小数据量法计算Lyapunov指数判定交通流是否具有混沌特性;然后,建立三阶Volterra滤波器的乘积耦合近似实现结构,并采用一种改进的非线性归一化最小均方(NLMS)算法实时调整模型系数;最后,对高速公路实测交通流的预测结果表明,交通流中存在混沌特征,应用构建的预测模型可有效地对交通流进行预测,且降低了模型的复杂性。     

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。