經(jīng)驗?zāi)Ｊ椒纸馀c時間序列分析在網(wǎng)絡(luò)流量預(yù)測中的應(yīng)用
發(fā)布時間：2018-01-07 19:16
本文關(guān)鍵詞：經(jīng)驗?zāi)Ｊ椒纸馀c時間序列分析在網(wǎng)絡(luò)流量預(yù)測中的應(yīng)用 出處：《控制與決策》2015年05期 論文類型：期刊論文
更多相關(guān)文章： 網(wǎng)絡(luò)流量 經(jīng)驗?zāi)Ｊ椒纸?/b> 時間序列 自相似 預(yù)測
【摘要】：提出一種經(jīng)驗?zāi)Ｊ椒纸夂蜁r間序列分析的網(wǎng)絡(luò)流量預(yù)測方法.首先,對網(wǎng)絡(luò)流量時間序列進行經(jīng)驗?zāi)Ｊ椒纸?產(chǎn)生高低頻分量和余量;然后,對各分量進行時間序列分析,確保高頻分量采用改進和聲搜索算法優(yōu)化的最小二乘支持向量機模型、低頻分量和余量采用差分自回歸滑動平均模型進行建模和預(yù)測;最后,將預(yù)測結(jié)果通過RBF神經(jīng)網(wǎng)絡(luò)進行非線性疊加,得到最終的預(yù)測值.仿真實驗表明,所提出方法具有更好的預(yù)測效果和更高的預(yù)測精度.
[Abstract]:The prediction method of network traffic analysis an empirical mode decomposition and time series. Firstly, the network traffic time series empirical mode decomposition, produce high frequency components and allowance; then, time series analysis of the components, ensure the high frequency component with improved harmony search algorithm to optimize the least squares support vector machine model, and the low frequency component margin by ARIMA model for modeling and prediction; finally, the prediction results using RBF neural network nonlinear superposition, get the final prediction value. Simulation results show that the proposed method has better prediction effect and higher prediction accuracy.
【作者單位】： 沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)院;東北大學(xué)信息科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金重點項目(61034005)
【分類號】：TP393.06
【正文快照】： 0引言網(wǎng)絡(luò)流量是目前網(wǎng)絡(luò)管理的一個重要參數(shù),在網(wǎng)絡(luò)資源有限的情況下設(shè)計網(wǎng)絡(luò)的擁塞控制策略時,網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測對于減少網(wǎng)絡(luò)擁塞、合理分配資源、提高網(wǎng)絡(luò)服務(wù)質(zhì)量和發(fā)現(xiàn)網(wǎng)絡(luò)異常行為等具有重要的作用[1].近年來研究發(fā)現(xiàn),網(wǎng)絡(luò)流量即使在流量突變時也呈現(xiàn)出一定的變化規(guī)律
【參考文獻】
相關(guān)期刊論文 前4條
1 孫韓林;金躍輝;崔毅東;程時端;;粗粒度網(wǎng)絡(luò)流量的灰色模型預(yù)測[J];北京郵電大學(xué)學(xué)報;2010年01期
2 姜明;吳春明;張e，
本文編號：1393885
本文鏈接：http://www.sikaile.net/guanlilunwen/ydhl/1393885.html
最近更新
教材專著
