【摘要】：為了獲得更加精確的網(wǎng)絡流量預測,降低網(wǎng)絡擁塞的頻率,提出了改進極限學習機的網(wǎng)絡流量預測模型。針對網(wǎng)絡流量混沌性分別確定原始網(wǎng)絡流量的延遲時間和嵌入維數(shù),采用極限學習機對網(wǎng)絡流量的變化特點進行擬合,改進標準學習機,改善學習速度和預測性能,最后通過網(wǎng)絡流量數(shù)據(jù)的預測實驗驗證其可行性。驗證結果表明:與其它網(wǎng)絡流量預測模型相比,改進極限學習的網(wǎng)絡流量預測結果更加可靠,對網(wǎng)絡流量將來變化趨勢可以更加準確描述,提高了網(wǎng)絡流量預測精度。
[Abstract]:In order to obtain more accurate network traffic prediction and reduce the frequency of network congestion, an improved extreme learning machine network traffic prediction model is proposed. According to the chaos of network traffic, the delay time and embedding dimension of original network traffic are determined, and the characteristics of network traffic change are fitted by extreme learning machine, and the standard learning machine is improved, and the learning speed and prediction performance are improved. Finally, the feasibility of network traffic data prediction is verified by experiments. The results show that compared with other network traffic prediction models, the improved limit learning network traffic prediction results are more reliable, can more accurately describe the future trend of network traffic changes, and improve the accuracy of network traffic prediction.
【作者單位】： 周口職業(yè)技術學院信息工程學院;河南應用技術職業(yè)學院信息工程學院;周口師范學院計算機科學與技術學院;
【基金】：國家自然科學基金(U1504613) 河南省高�？萍紕�(chuàng)新團隊計劃(17IRTSTHN009)
【分類號】：TP181;TP393.06

【相似文獻】

相關期刊論文 前10條

1 陳振偉;王茜;黃繼紅;;基于多神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測模型[J];計算機安全;2010年12期

2 于靜;王輝;;基于組合模型的網(wǎng)絡流量預測[J];計算機工程與應用;2013年08期

3 葉苗;王勇;;基于支持向量回歸學習機的網(wǎng)絡流量預測[J];桂林工學院學報;2007年02期

4 張正本;翟海慶;;基于組合模型的網(wǎng)絡流量預測[J];河南機電高等�？茖W校學報;2008年06期

5 周丹琪;喬國平;張泉方;;基于K-Factor GARMA模型的網(wǎng)絡流量預測[J];江南大學學報(自然科學版);2008年02期

6 姜明;吳春明;張e，

本文編號：2367225