發(fā)布時(shí)間：2017-10-27 04:04

  本文關(guān)鍵詞：基于ARIMA補(bǔ)償ELM的網(wǎng)絡(luò)流量預(yù)測(cè)方法

  更多相關(guān)文章： 網(wǎng)絡(luò)流量 預(yù)測(cè) 極限學(xué)習(xí)機(jī) 自回歸積分滑動(dòng)平均模型(ARIMA) 自相似性

【摘要】：針對(duì)網(wǎng)絡(luò)流量的預(yù)測(cè)問題,結(jié)合網(wǎng)絡(luò)流量序列的自相似性分析而提出一種基于差分自回歸滑動(dòng)平均模型(ARIMA)補(bǔ)償極限學(xué)習(xí)機(jī)(ELM)的網(wǎng)絡(luò)流量預(yù)測(cè)方法.首先利用ELM模型對(duì)網(wǎng)絡(luò)流量序列進(jìn)行一步預(yù)測(cè),然后對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)的誤差序列通過ARIMA模型進(jìn)行修正,最后將ELM模型預(yù)測(cè)值與ARIMA模型修正值進(jìn)行疊加得到最終的預(yù)測(cè)值.與單獨(dú)的ARIMA模型、最小二乘支持向量機(jī)(LS-SVM)預(yù)測(cè)模型以及Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行了對(duì)比,仿真結(jié)果表明本文的方法具有更高的預(yù)測(cè)精度.
【作者單位】： 沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院;
【關(guān)鍵詞】： 網(wǎng)絡(luò)流量 預(yù)測(cè) 極限學(xué)習(xí)機(jī) 自回歸積分滑動(dòng)平均模型(ARIMA) 自相似性
【基金】：國(guó)家自然科學(xué)基金重點(diǎn)基金資助項(xiàng)目(61034005)
【分類號(hào)】：TP393.06
【正文快照】： 自回歸積分滑動(dòng)平均模型(ARIMA)自相似性1引言網(wǎng)絡(luò)流量是目前網(wǎng)絡(luò)管理的一個(gè)重要參數(shù),在網(wǎng)絡(luò)資源有限的情況下設(shè)計(jì)網(wǎng)絡(luò)的擁塞控制策略時(shí),網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測(cè)對(duì)于減少網(wǎng)絡(luò)擁塞、合理分配資源、提高網(wǎng)絡(luò)服務(wù)質(zhì)量及發(fā)現(xiàn)網(wǎng)絡(luò)異常行為等具有非常重要的作用[1].很多文獻(xiàn)將網(wǎng)絡(luò)流量看

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 孫韓林;金躍輝;崔毅東;程時(shí)端;;粗粒度網(wǎng)絡(luò)流量的灰色模型預(yù)測(cè)[J];北京郵電大學(xué)學(xué)報(bào);2010年01期

2 姜明;吳春明;張e，

本文編號(hào)：1101817