基于改进小波-Elman神经网络算法的蜂窝网流量预测

合集下载

基于改进Elman神经网络的网络流量预测

ｎｕａｅｗｏｋｍｏｅ，ｉｈｓｈｇｒｐｒｃｓｏｎｔｅｄａｔｂｉｉｅｒｌｎｔｒｄｌｔａｉｈｅｅｉｉｎａｄｂｅｔｒａｐａｌｔＦｉａｌａｎｏｍａｅａｉｒｆｎｔｒｔａｆｃａｙ．ｎｙ，ｂｒｌｂｈｖｏｓｏｅｗｏｋｒｆｉｃｎ网络的网络流量预测ｌａ
党小超郝占军，，
（．北师范大学网络教育学院，州７０７：２西北师范大学数学与信息科学学院，州７０７；１西兰３００．兰３００３西京学院工程技术系，安７０２）．西１１３
第３Ｏ卷第ｌＯ期２１００年１月０
计算机应用
ＪｕｎｌｏｏｕｅｐｉａｉｎｏｒａｆＣｍｐｔｒＡｐｌｔｓｃｏ
Ｖｏ．０．１１３Ｎｏ０
０ｃ．２０１ｔ０
文章编号：０１９８（００１２４０１０ — ０１２１）０— ６８— ５
ｂｔｒｐｅｉａｉｎｅｆｃ．Ｃｍｐｒｄｗｉｈｒｄｔｎｌｌｎａｄ１ｔｅＢｅｒｌｎｔｒｄｌａｄｔｅｎｒｌＥｍａｅｔｒｄｃｔｆｔｏａｅｔｔｅｔａｉｏａｉｅｒｍｏｅ．ｈＰｎｕａｅｗｏｋｍｏｅｎｈｏｍａｌｎｅｏｅｈｉ
２Ｃｌｇｔｅａｉｎｆｒａｉｃｎｅｏｈｅｔｏｍｌｎｖｒｔａｚｏａｓ３００ｈｎ；．ｏｅｅｏＭａｈｍｔｓｄＩｏｍｔｎＳｉｃ，ＮａｗｓＮｒａｉｓｙｌｆｃａｎｏｅＵｅｉ，ＬｎｈｕＧｎｕ７０７，Ｃｉａ３Ｄｐｒｎｎｉｅｉｅｎｌ）ＸｉｇＵｉｒｔｉｎＳａｎｉ１１３ｈｎ）．ｅａｔｔｆＥｇｎｒｇＴｃｏｏ．ｉｎｖｓｙｍｅｏｅｎｈｇｊｎｅｉ，Ｘ＇ｈａｘ０２，Ｃｉａａ７

改进的基于小波变换和FARIMA模型的网络流量预测算法

2011年4月Journal on Communications April 2011 第32卷第4期通信学报V ol.32No.4改进的基于小波变换和FARIMA模型的网络流量预测算法陈晓天，刘静娴（南京邮电大学通信与信息工程学院，江苏南京 210003）摘要：提出了一种改进的基于小波变换和FARIMA模型的网络流量预测算法，先对经过预处理的流量进行小波分解，再进行Mallat算法单支重构，接着用FARIMA模型分别对重构后的单支进行预测，最后合成流量。

该算法较之传统的首先用FARIMA模型对小波系数进行预测再进行小波重构的算法减小了预测误差。

仿真实验也验证了改进算法的预测准确性。

关键词：小波变换；FARIMA；流量预测中图分类号：TN915 文献标识码：A 文章编号：1000-436X(2011)04-0153-05Network traffic prediction based on wavelettransformation and FARIIMACHEN Xiao-tian, LIU Jing-xian(College of Telecommunication & Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China) Abstract: An advanced network traffic prediction method based on wavelet transformation and FARIMA model was put forward. In the method, the original data was decomposed and reconstructed with Mallat algorithm, then FARIMA model was applied on each branch to predict and integrate the traffic. Simulation is carried out to verify the accuracy of pro-posed algorithm with real network traffic. Compared with the traditional method, the proposed method reduces the pre-diction error.Key words: wavelet transformation; FARIMA; traffic prediction1引言随着因特网的不断发展，网络承载的业务也日益多元化。

Elman神经网络的网络流量预测_侯家利 (1)

1
引言
随着互联网技术飞速发展，网络用户日益增多，网络中
与预测
［3 － 5 ］
。近年来，随着人工智能技术和机器学习方法的
［6 ］
不断成熟，有一些学者提出了基于支持向量机、人工神经网络等方法的网络流量预测模型。支持向量机是一种非线性、小样本的预测方法，其预测精度高，但是其在实际应用过程中，存在最优参数难以确定，学习速度慢，适应性差等缺陷，有时出现预测网络流量误差较大。人工神经网络模型是一种非线性预测能力强的智能学习算法，不需要预先知道系统的具体数学模型，能够精确描述网络流量变化的非线性和非平稳性等复杂规律，成为网络流量的主要研究方法
图1 Elman 神经网络结构
Elman 神经网络的算法 Elman 神经网络的数学模型见下式：
{
X（ k） = f（ W1 Xc（ k） + W2 u（ k － 1 ）） Xc（ k） = αXc（ k） + X（ k － 1 ） Y（ k） = g（ W X（ k））
3 3
（ 3）
W1 表示 k 时刻， W2 式中，联系单元与隐层单元的连接权值， W 表示 k 时刻表示 k 时刻输入单元与隐层单元的连接权值， Xc（ k）和 X（ k）分别表示隐层单元与输出单元的连接权值， Y（ k）表示输出单元的输出，承接层单元和隐层单元的输出， f（）表示非线性作用函数， α 表示自连接反馈增益因子。通常取 sigmoid 函数，具体表示如下： f（ x） = 1 1 + e －x （ 4）
［2 ］
何设计高准确率的预测算法是网络控制中的热点问题
。
多年来，国内外许多学者和网络管理人员对网络流量建模预测进行了广泛的研究，并提出一些有效的算法。传统网络流量模型有回归模型、时间序列模型、马尔可夫模型等，这些模型都是假设网络流量的变化是线性的，而随着网络规模的增大和用户上网行为的影响，使网络流量呈现出非线性、突变性和非平稳性等特点，因此这些传统的网络流量预测模型的预测准确率比较低，已经无法适合于当前网络流量建模

小波与神经网络相结合的网络流量预测模型

０引言
随着网络带宽的迅速增加以及各种网络服务的广泛应
用，对网络流量的建模以及预测日益重要并备受人们关注。针
和小波系数序列作为ＲＦ神经网络和Ｅｍａ神经网络的输Ｂｌｎ入，始时间序列作为输出，网络进行训练，后用Ｂ网络原对最Ｐ
ＡｂｔａｔＢａｅｎｔｅｍｕｔ．ｍｅｓａｅａｄｔｅｎｎｉａｈｒｃｅｆｈｅｗｏｋｔａＣｔｅｅ．ａｎｗｅｗｏｋ仃ａｆＣｒｄｃｉｎｓｒｃ：ｓｄｏｌｔｃｌｎｏｌｈｉｉｈｎｅｒｃａａｔｒｅｎｔｒ币ｍｅｓｒｓｅｎｔｒｏｔｒｉｉｆｉｅｉｔｐｏｍｏｅｉｈｃｍｂｎｓｔｅｗａｅｅａｓｏｍｎｅｒｌｅｗｏｋｉｒｓｎｅ．Ｔｈｕｇｓｅｄｌａｄａｔｇｔｔａｓｒｉｇｄｌｗｈｃｏｉｅｖｌｔｒｆｒａｄｎｕａｔｒｓｅｅｔｄｈｔｎｎｐｅｓｇｅｔｄｍｏｅｓａｖａｅｗｉｉｂｏｂｎｈｎｈｓｓｍｅｍｅｔｆｗａｅｅａｓｏｄａｔｆｉ１ｅａｅｏｋＦｉｔｔｅｔ币Ｃｔｅｅｅｄｃｍｐｓｄｔｅｓａｉｇｃｅｃｅｔｏｒｓｏｖｌｔｎｆｒａｒｉｃａｕ１ｔｒ．ｒ．ｈａｉｓｒｓａｅｏｏｅｔｃｌｏ币ｉｎｉｒｔｍｎｉｎｒｎｗｓｒｍｅｉｒｏｈｎｓｒｓａｄｗａｅｅｏｆｉｉｎｅｅ．ＴｈｎＲＢＦｎｕａｅｏｋａｄＥｌｎｅａｅｏｋａｅｕｅｅｐｃｉｅｙｔｋｒｄｃｉｎｅｅｖｌｔｅｆｅｔｓｒｓｉｎｃｃｉｅ，ｅ１ｔｒｍａｎｕ１ｔｒｓｄｒｓｅｔｖｌｍａｅｐｅｉｔ．ｒｎｗｎｒｎｗｒｏｏＦｎｌ，ｔｅｔｏｐｅｉｔｎｒｏｉｅｔｅｆａｓｌｔｒｕｈＢＰｎｕａｅｏｋＴｅｓｉａｌｙｈｒｄｃｉｓａｅｃｍｂｄｉｏｔｎ１ｅｕｔｈｏｇｅｒ１ｔｒ．ｈｉｌｔｎｒｓｌｎｒａｅｏｋｔ币Ｃｗｏｎｎｈｉｒｎｗｍｕａｉｅｕｔｏ１ｔｒａｏｓｅｎｗｒｓｏｔｅｎｗｄ１ａｅｅｒｄｃｉｅｐｅｉｉｎｈｗｅｍｏｅｓｂＲｒｅｉｔｒｃｓｏ．ｈｈｐｖＫｅｒｓｎｔｏｋｔａｃｗａｅｅａｓｒ；ｎｕａｅｏｋｃｍｂｎ；ｐｅｉｔｎｙｗｏｄ：ｅｗｒ所：ｒｖｌｔｎｆｍｒｔｏｅ１ｔｒ：ｏｉｅｒｎｗｒｄｃｉｏ

基于改进BP小波网络的网络流量预测研究

ｉｃｎｅｔｆｒｌｓｅｗｒｐｉｏｔｏｌｍ．Ｃｏｓｄｒｇｔａｒｄｔｎｌａｋｐｏａａｉｎｗａｅｅｅ — ｔｏｇｓｉｎｏｉｅｅｓｎｔｏｋｏｔｌｃｎｒｌｒｂｅｃｏｗｍａｏｐｎｉｅｎｈｔａｉｏａｃｒｐｇｔｖｌｔｕｉｔｉｂｏｎｒｌｅｗｒｓｅｓｋｃｌｏｖｒｅｃｎａｌｗｙｌａｎｎｏｖｒｅｔｅｏｉａｔｏｋｉａｙｔｔｅｌａｎｅｇｎｅａｄｈｓｓｏｌｒｉｇｃｎｅｇｎｌｃｔｎｏａｏｃｅｖｙ，ａｍｅｈｄｂｓｄｏｄｐｉｅｔｏａｅｎａａｔｖ
ｍｎｍａｄｔｅｌｇｒｅｏ，ａｐｏｅａｋｐｏａａｏａｅｅｎｕａｎｔｏｋ（ＢＷＮｉｉｎｒｅｒｒｎｉｒｖｄｂｃｒｇｔｎｗｖｌｔｅｒｌｅｒＩＰＮ）ａｊｓｅｔｌｒ－ｍｕｈａｒｍｐｉｗｄｔｎｓｅｎｕｍａ
ｗｔａｏｂｃｒａａｉｅｒｌｅｏｋＢＮｉｔｔｆａｋｐｏｇｔｎｎｕａｎｔｒ（ＰＮ）ｏｅｃｓｆｅｏｋｔｆｃｐｅｉｉｎＴｅｒｔａａａｓｈｈｐｏｗｆｎｔａｅｏｎｔｒａｒｃｏ．ｈｏｉｌｎｌｉｉｈｗｒｆｉｄｔｅｃｙｓ
．
ＢａｋＰｒｐａａｉｎＷａｅｅｕｒｌＮｅｗｏｋｃｏｇｔｏｖｌｔＮｅａｔｒ
ＺＵＹｅ，ＨＮＱ —ｙＯｕＣＥｉｕ

改进的基于小波变换和FARIMA模型的网络流量预测算法

型ｌ。
基于自回归或自回归滑动平均的预测模型其实现算法简单，对于短期预测具有较高的精度，
但长期预测的效果不好。对于该模型和算法的研究已相当系统和全面，许多后来的算法也是通过
了改进算法的预测准确性。
关键词：小波变换；ＦＩＡ；流量预测ＡＲＭ
中图分类号：Ｔ１Ｎ９５
文献标识码：Ａ
文章编号：１０ —３Ｘ（０１０ —１３０００４６２１）４０５ —５
ＮｅｗｏｋｔａｃｐｒｄｃｉｎｂａｅｏｖｌｔｔｒｒｆｅｉｔｏｓｄｎｗａｅｅｉｔａｆｒａｉｎｎｄｒｎｓｏｍｔｏａＦＡＲＩＭＡＩ
ｐｓｄａｇｒｔｍｔｅｌｎｔｒａｆｃＣｏａｅｔｈｒｄｔｎｌｍｅｈｄｔｅｐｏｏｅｔｏｅｕｅｅｐｅｏｅｌｏｈｗｉｒａｅｗｏｋｔｆｉ．ｍｐｄｗｉｔｅｔａｉｏａｔｏ，ｈｒｐｓｄｍｅｈｄｒｄｃｓｔｒ — ｉｈｒｒｈｉｈ
ＡｂｓｒｔｎａａｅｅｗｏｒｒｆｃｐｅｃｔｏｅｈｓｄａｌｔｔａｆｒａｉｎＦＡＲＩＡｏｄｌｗａｔｔａｃ：ＡｄｖｎｃｄｎｔｋｔａｉｒｄｉｉｎｍｔｏｄｂａｅｏｎｗｖｅｅｒｎｓｏｍｔｏｎａｄＭｍｅｓｐｕｆｒａｄ．ｎｔｅｍｅｈｏｄｈｅｏｒｇｉｌｄａａｗａｅｃｍｐｏｓｄａｅｎｓｒｃｅｔＭａｌｔａｇｏｔ，ｔｎＦＲＩＡｏｄｌｏｗｒＩｈｔ，ｔｉｎａｔｓｄｏｅｎｄｒｃｏｔｕｔｄｗｉｈｌａｌｒｈｍｈｅＡＭｉｍｅｗａｐｐｉｄｎａｈｂａｃｔｐｒｉｔａｄｉｅａｅｔｒｆｃｓａｌｅｏｅｃｒｎｈｏｅｄｃｎｎｔｇｒｔｈｅｔａｉ．Ｓｉｕａｉｓｃｒｉｄｏｏｖｒｆｈｅａｃｒｃｙｏｆｐｏ— ｍｌｔｏｎｉａｒｅｕｔｔｅｙｔｃｕａｒｉ

基于改进的Elman神经网络的网络流量预测

（＿ｓｔｎｕｐｎｓＭａａｍｅｔＯｆｉｅＣｏｌｇｆＰｎｇｉｇｈａ１ＡｓｅｓａｄＥｑｉｍｅｔｎｇｅｎｆ，ｌｅｅｏｉｄｎｓｎ，Ｐｉｇｉｇｈｎ４７０ｃｎｄｎｓａ６００）
（．Ｐｒｏｎｅｐｒｍｅ，ＣｏｌｇｆＰｉｇｉｓａ２ｅｓｎｌＤｅａｔｎｔｌｅｅｏｎｄｎｇｈｎ，Ｐｉｄｎｓａ４７０ｎｇｉｇｈｎ６００）
型，分别用Ｅｍａ１ｎ神经网络和改进的Ｅｌｎ神经网络对实际网络流量进行预测，ｍａ仿真实验结果表明，改进的Ｅｍａｌｎ神经网络具有良好的预
测效果，进的Ｅｍａ经网络具有更高的预测精度和更好的动态性能。改ｌｎ神关键词Ｅｌｎ神经网络；测；络管理ｍａ预网
ＴＰ８１３中图分类号
ＰｒｄｉｔｏｏｅｗｏｋＴｒｆｉｓｄｏｍｐｒｖｄＥｌａｅａｌＮｅｗｏｋｅｃｉｎｆｒＮｔｒａｆｃＢａｅｎＩｏｅｍｎＮｕｒｔｒ
ＷＡＮＧｎｇｉＨｏｗｅＳＵＮｉｕｎＺｈｙａ。
增长，网络规模和复杂度越来越大，网络上承载的业务和应用也日益丰富，相应的对信息网络的管理也提出了更高之的要求。网络流量的分析与预测对于大规模网络容量规
２Ｅｍａｌｎ神经网络
ＡｂｓｒｃＡｎＩｐｏｅｅｗｏｋｉｒｓｎｅａｅｎｔｍａｅａｔｒｗｉｈｄｔｏｌｃｅｒｍｈｅａｔａｅｗｏｋ，ｔｔａｔｍｒｖｄｎｔｒｓｐｅｅｔｄｂｓｄｏｈｅＥｌｎｎｕｒｌｎｅｗｏｋ，ｔａａｃｌｔｄｆｏｔｃｕｌｎｔｒａｎｅｅ

基于小波神经网络的网络流量预测

基于小波神经网络的网络流量预测摘要：预测网络流量虽然有很多方法，但是用小波神经网络来进行预测是准确率最高的，这种方法集成了小波变换和神经网络的优点。

本文主要对小波神经网络及网络流量预测进行了分析，进一步证明了小波神经网络的优势和可行性。

关键词：小波；神经网络；网络流量；预测Abstract: predict the network traffic while there are many ways, but the use of wavelet neural network to predict accuracy is the highest, this kind of method integration of the wavelet transform and neural network advantages. This paper mainly to the wavelet neural network and the network traffic prediction are analyzed, and the further proof that the wavelet neural network advantages and feasibility.Keywords: small wave. Neural network; Network flow; forecast中图分类号：F272.1文献标识码：A 文章编号：随着网络的迅猛发展，网络拥塞的现象越来越严重，此时预测网络流量显得如此重要。

网络流量是一个复杂的系统工程，其具有很多特性，如突发性、长相关等。

预测网络流量方法很多，如用小波变换、用神经网络等，这些方法虽然都能够实现预测网络流量，但是由于这些方法的局限性，预测结果的准确率有所不同。

因此，找出一个准确率高的方法进行网络流量预测是非常关键的。

1.小波神经网络1.1小波神经网络的结构形式小波神经网络其实就是小波分析理论与神经网络理论相结合的一种产物。

基于小波变换和优化的SVM的网络流量预测模型

基于小波变换和优化的SVM的网络流量预测模型周晓蕾;王万良;陈伟杰【期刊名称】《计算机应用与软件》【年(卷),期】2011(028)002【摘要】提出一种基于小波变换和优化的SVM的网络流量预测模型(WaOSVM),首先对网络流量进行无抽取小波分解得到小波系数和尺度系数,然后选取适当核函数的SVM分别进行预测,其中SVM的参数用自适应量子粒子群算法(AQPSO)进行优化,最后将各预测结果进行小波重构得到最终预测结果.实验结果表明:优化过的SVM具有较好的泛化能力,该模型适合作长期预测,预测精度明显优于单一的SVM 和小波神经网络模型.%A new network traffic prediction model based on wavelet transform and optimised support vector machine (WsOSVM) is proposed.First, the network traffic is decomposed by non-decimated wavelet transform to acquire the scaling coefficients and wavelet coefficients,and then they are sent individually to different SVM with suitable kernel function for prediction.The parameters of SVM are optimised by adaptive quantum particle swarm optimisation (AQPSO).At last the predictions are combined into the final result by wavelet reconstruction.Experimental results show that the optimised SVM has better generalization performance.The proposed model is suitable for long-term pared with the single SVM and the wavelet neural networks model,it has much better prediction precision.【总页数】4页(P34-36,59)【作者】周晓蕾;王万良;陈伟杰【作者单位】浙江工业大学信息工程学院,浙江,杭州,310023;浙江工业大学信息工程学院,浙江,杭州,310023;浙江工业大学信息工程学院,浙江,杭州,310023【正文语种】中文【相关文献】1.一种基于小波变换和PSR-LSSVM的P2P网络流量预测模型 [J], 杨袆;周亚建2.基于FCM-LSSVM网络流量预测模型 [J], 殷荣网3.改进ABC算法优化LSSVM的网络流量预测模型 [J], 许爱军4.改进布谷鸟搜索算法优化SVM的网络流量预测模型 [J], 路璐;程良伦5.基于ABC+AFS-LSSVM的网络流量预测模型 [J], 孙群;袁宏俊因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的小波神经网络的网络流量预测算法

一种改进的小波神经网络的网络流量预测算法陈振伟;王茜;黄继红【摘要】为了有效地对网络进行维护,提高网络性能,预知网络流量可以提前对网络出现的问题采取应对策略,从而对用户提供更好的服务.在神经网络预测模型中把隐含层的传递函数用小波函数替换,并采用共轭梯度下降算法,建立了一个小波神经网络的网络流量预测模型.通过实际流量数据对模型进行仿真,结果显示该模型与神经网络预测模型相比,该网络具有良好的预测效果,网络训练时间短,有效地提高了训练速度.【期刊名称】《皖西学院学报》【年(卷),期】2010(026)002【总页数】3页(P36-38)【关键词】神经网络;小波函数;网络流量;共轭梯度【作者】陈振伟;王茜;黄继红【作者单位】皖西学院,计算机科学与技术系,安徽,六安,237012;皖西学院,计算机科学与技术系,安徽,六安,237012;皖西学院,计算机科学与技术系,安徽,六安,237012【正文语种】中文【中图分类】TP393随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,基于网络的应用急剧增长。

网络互联环境的复杂,造成了网络的安全性和稳定性的降低,从而影响了网络服务的质量。

为了给用户提供优质的服务,网络的维护和管理显得尤为重要,如果能预知网络流量,可在很大程度上方便网络的维护和管理,并且能提前采取应对措施。

因此网络流量预测对网络管理和维护是一项很必要的技术。

现有的网络流量预测分为线性预测和非线性预测。

其中ARIMA[1]作为线性预测方法的代表得到了广泛应用。

ARIMA的理论前提是网络流量具有线性宽平稳过程特征。

文献[2]提出并验证了网络流量具有多构性、自相似性、突然继发性。

网络流量在不同的时间频率尺度上具有自相似性和多尺度特征。

因此ARIMA模型预测的精度低,无法准确地描述出网络的全部特征。

人工神经网络的预测方法[3]用于非线性预测的效果很好,从网络流量的特征来看,也是非线性的。

从理论上来讲,神经网络可以任意精度逼近任意非线性序列,但其不足之处在于:①难以科学地确定网络的结构;②要用模型进行预测,首先要对模型进行训练,而训练的速度有待提高;③容易陷入局部次优点,难于找到全局最小点;并且时间空间复杂度太高。

基于改进的量子粒子群优化小波神经网络的网络流量预测

优先出版
计算机应用研究
第 32 卷
好的时频局部特性和变焦能力，可以提高神经网络对非平稳信号的逼近能力。文献[8]和[9]使用 WNN 对网络流量进行了建模预测，取得了较好的效果。但由于 WNN 的参数修正采用的是一种基于梯度下降的局部搜索算法，其梯度变化方向的固定性限制了参数优化的方向，进化缓慢且容易陷入局部最优，因而无法获得全局最优参数。要对复杂的网络流量进行预测并取得较高的预测精度，必须搜索 WNN 的全局最优参数。文献[10] 介绍了使用粒子群优化（Particle Swarm Optimization，PSO）[11] 算法改进传统 WNN 参数修正过程，相比传统的使用基于梯度下降的方法，其全局优化能力要强一些。但 PSO 算法存在易早熟收敛，后期全局搜索能力差等缺陷，因此，PSO-WNN 模型在预测精度上还不能取得满意的效果。量子粒子群优化 [12] （ Quantum-behaved Particle Swarm Optimization，QPSO）算法是粒子群优化算法与量子计算相结合的产物，具有控制参数少、易于实现、全局寻优能力强等特点，在组合优化、资源分配、神经网络训练[13]等领域得到了广泛应用。在 QPSO 算法训练 WNN 实现流量预测方面，相关研究人员取得了很多成果[14-15]。尽管使用 QPSO-WNN 模型进行流量预测取得了较好的预测效果，但由于 QPSO 算法自身固有的易早熟收敛、后期多样性差等缺陷，致使预测结果并不是十分理想，该预测模型还存在可改进的空间。为了表示搜索过程中粒子群的聚拢程度，本文定义了聚拢度的概念。由于 QPSO 算法只存在收缩-扩张系数 β 这一唯一可控参数，且它直接决定粒子群的收敛性。传统情况下，β 的值随着迭代次数增加而线性减小[16]，致使粒子的搜索空间逐步压缩，导致早熟收敛问题的发生。本文提出了一种改进的量子粒

基于神经网络的改进网络流量预测算法的研究的开题报告

基于神经网络的改进网络流量预测算法的研究的开题报告一、研究背景和意义随着网络及其应用的快速发展，网络流量的增长越来越快，为了更好地满足用户的需求，网络管理员需要对网络流量进行准确预测和优化管理。

传统的网络流量预测算法通常基于时间序列分析、回归分析等方法，存在精度不高、时间复杂度高等问题。

近年来，神经网络已经被广泛应用于各种领域的问题，在网络流量预测方面也取得了显著的进展。

本研究将基于神经网络理论，结合准确的数据预处理和特征选择方法，提出一种新的网络流量预测算法，以期在准确度和计算效率两个方面都有较大的提升。

二、研究内容和技术路线本研究将主要进行以下内容的研究：1. 对网络流量数据进行预处理，包括数据清洗、缺失值处理、异常值检测等。

2. 采用特征选择方法提取与网络流量相关的特征，并结合主成分分析等降维技术进行特征维度的优化。

3. 基于改进的神经网络模型，建立网络流量预测模型，并进行训练和测试，以评估预测准确度和计算效率的优化情况。

4. 对比分析实验结果，并探究模型存在的问题与改进方向，最终提出一种高效准确的网络流量预测算法。

在技术路线上，本研究将分为以下几个步骤：1. 数据采集：从网络流量监测系统中获取所需的网络流量数据。

2. 数据预处理：对采集到的数据进行预处理，包括数据清洗、缺失值处理、异常值检测等。

3. 特征提取与优化：采用特征选择方法提取与网络流量相关的特征，并结合主成分分析等降维技术进行特征维度的优化。

4. 神经网络模型构建和训练：基于改进的神经网络模型，建立网络流量预测模型，并进行训练和测试，以评估预测准确度和计算效率的优化情况。

5. 算法评估与改进：对比分析实验结果，并探究模型存在的问题与改进方向，最终提出一种高效准确的网络流量预测算法。

三、预期成果和应用前景本研究预计能够提出一种新的网络流量预测算法，具有如下特点：1. 提高网络流量预测的准确度、稳定性和实时性。

2. 减少网络管理员的工作量，提高网络管理的效率和安全性。

基于小波包消噪和Elman的网络流量预测

基于小波包消噪和Elman的网络流量预测
冯华丽;刘渊
【期刊名称】《微计算机信息》
【年(卷),期】2010(026)030
【摘要】网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分.结合小波包消噪和Elman神经网络的优势,先将原始流量序列进行小波包消噪,将消噪后的序列作为Elman神经网络的输入,待预测序列作为输出.通过前N天的流量序列,预测出后M天的流量序列.这里采用序列的前N天的数据为滑动窗,并将其映射为在该窗之后的M天的预测值.仿真实验表明,与未进行小波包消噪而直接利用Elman神经网络的模型比,基于小渡包消噪和Elman神经网络的网络流量预测模型具有更好的预测能力.
【总页数】3页(P116-118)
【作者】冯华丽;刘渊
【作者单位】214122,江苏无锡,江南大学信息工程学院;214122,江苏无锡,江南大学信息工程学院;214122,江苏无锡,江南大学数字媒体学院
【正文语种】中文
【中图分类】TP393.01
【相关文献】
1.基于小波包与Elman神经网络的气力提升装置流型识别技术研究 [J], 唐川林;汪志能;胡东;周枫林
2.基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测 [J], 叶瑞丽;郭志忠;刘瑞叶;刘建楠
3.基于改进的Elman神经网络的网络流量预测 [J], 王宏伟;孙志远
4.基于改进Elman神经网络的网络流量预测 [J], 党小超;郝占军
5.基于PSO-Elman模型的网络流量预测 [J], 顾兆军;李冰;刘涛
因版权原因，仅展示原文概要，查看原文内容请购买。

Elman神经网络的网络流量预测

Elman神经网络的网络流量预测侯家利【期刊名称】《计算机仿真》【年(卷),期】2011(028)007【摘要】研究网络流量准确预测问题,由于网络流量变化具有非线性、突变性,传统网络流量预测是建立在线性模型的基础上,无法准确描述网络流量变化规律,导致预测精度低.为了提高网络流量的预测精度,提出一种Elman神经网络的网络流量预测模型.根据Elman神经网络良好的时变性捕捉能力和非线性预测能力对网络流量变化规律进行建模和预测.实验结果表明,模型具有良好的预测效果,相对于传统ARIMA模型、BP神经网络模型,Elman神经网络模型预测精度更高,误差更小,说明了改进的优化方法对网络流量预测是有效和可行的.%Network traffic has the non-linear and dynarnlclty, the traditional .network traffic prediction based on linear model cannot describe network traffic change rule, and prediction precision is low. In order to improve the network traffic prediction precision, the paper proposes a network traffic prediction model based on Elman neural network. The model uses Elman neural network' s good ability of shock-capturing and nonlinear prediction to model and predict the network traffic. Experimental results show that the model has good prediction effect, the prediction accuracy is higher, and errors are smaller compared to traditional ARIMA model and the BP nerve network model, which illustrates that the model is feasible and effective to be applied in network traffic prediction.【总页数】4页(P154-157)【作者】侯家利【作者单位】东莞理工学院计算机学院,广东,东莞,523808【正文语种】中文【中图分类】TP391.9【相关文献】1.优化Elman神经网络用于网络流量预测 [J], 余健;郭平2.改进型Elman网络用于网络流量预测 [J], 黄悦3.基于改进的Elman神经网络的网络流量预测 [J], 王宏伟;孙志远4.基于改进Elman神经网络的网络流量预测 [J], 党小超;郝占军5.基于PSO-Elman模型的网络流量预测 [J], 顾兆军;李冰;刘涛因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波变换的PCNN网络流量预测算法

基于小波变换的PCNN网络流量预测算法韩小燕【摘要】网络流量预测对网络安全、网络管理等具有重要的意义。

针对网络流量的行为特征，提出了基于小波变换的PCNN网络流量预测算法。

对预处理的网络流量进行小波分解，利用PCNN模型预测获得的近似系数和细节系数，通过小波逆变换对预测的小波系数进行重构，得到预测的网络流量。

实验结果表明，与其他的三种网络流量预测算法相比，算法得到较小的残差，取得了较好的预测效果。

%Network traffic prediction is very important for network security, network management and so on. According to network behavior characteristics of network traffic, an improved network prediction model is proposed based on wavelet transformation and PCNN. In this paper, a wavelet transformation is needed to the preprocessing network traffic in advance. Then PCNN is conducted to get the similarity coefficient and detail coefficient. The predicting network traffic is obtained by reconstructing the predicting wavelet coefficients with the inverse of wavelet transformation. Experimental results show that the method is superior to the other three methods with smaller residual and better predicting results.【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)016【总页数】5页(P77-80,108)【关键词】小波变换;脉冲耦合神经网络(PCNN);网络流量预测【作者】韩小燕【作者单位】无锡商业职业技术学院，江苏无锡 214153【正文语种】中文【中图分类】TP393网络流量预测一直是学者关注的问题，目前已取得了一些理论上的成果，主要是提出了结合现有模型的预测算法。

一种基于小波变换和FIR神经网络的广域网网络流量预测模型

一种基于小波变换和FIR神经网络的广域网网络流量预测模
型
田妮莉;喻莉
【期刊名称】《电子与信息学报》
【年(卷),期】2008(30)10
【摘要】该文提出了一种基于小波变换和FIR神经网络的广域网网络流量预测模型,首先采用小波分解把网络流量数据分解成小波系数和尺度系数,即高频系数和低频系数,将这些不同频率成分的系数单支重构为高频流量分量和低频流量分量,利用FIR神经网络对这些分量分别进行预测,将合成之后的结果作为原始网络流量的预测.实验结果表明:采用该模型对实际的广域网网络流量数据进行预测,不仅可以得到较快的收敛效果,而且预测性能比现有的小波神经网络和FIR神经网络要好得多.【总页数】4页(P2499-2502)
【作者】田妮莉;喻莉
【作者单位】华中科技大学电子与信息工程系武汉光电国家实验室武汉430074;华中科技大学电子与信息工程系武汉光电国家实验室武汉430074
【正文语种】中文
【中图分类】TP393
【相关文献】
1.一种基于BP神经网络和小波变换的网络流量预测模型 [J], 张国玲;甘井中;黄立和;苏建烨
2.一种基于小波变换和PSR-LSSVM的P2P网络流量预测模型 [J], 杨袆;周亚建
3.基于FIR神经网络的以太网网络流量预测 [J], 林雪纲;郑成兴;窦旻;许榕生
4.一种基于灰色神经网络的网络流量预测模型 [J], 曹建华;刘渊;戴悦
5.一种基于神经网络的网络流量组合预测模型 [J], 冯海亮;陈涤;林青家;陈春晓因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第２５卷第３期
Ｖｏｌ＿２５
Ｎｏ．３
电子设计工程 பைடு நூலகம்
ＥｌｅｃｔｒｏｎｉｃＤｅｓｉｇｎＥｎｇｉｎｅｅｉｎｒｇ
２０１７年２月
Ｆｅｂ．２０１７
基于改进小波一Ｅｌｍａｎ神经网络算法的蜂窝网流量预测
Ｎｅｔｗｏｒｋ（ＥＮＮ）ａｎｄｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏａｃｈｉｅｖｅｔｈｅｔｒｆｆａｉｃｖｏｌｕｍｅｐｒｅｄｉｃｔｉｏｎ．Ｗｅｐｒｅｓｅｎｔｎｕｍｅｒｉｃａｌ
倪飞祥，（１．上海微系统与信息技术研究所上海２０１２１０；２．中国科学院大学北京１０００４９）摘要：对于在现代蜂窝网资源管理中，动态信道资源和能源效率控制技术的提升，很大程度依赖于
ｏｆｎｅｔｗｏｒｋｔｒａｆｉｃｆｖｏｌｕｍｅｏｖｅｒｓｐａｃｅａｎｄｔｉｍｅｐｌａｙａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｒａｆｉｃｆｐｒｅｄｉｃｔｉｏｎ．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅ
中图分类号：ＴＮ９１１．６文献标识码：Ａ文章编号：１６７４ — ６２３６（２０１７）０３ — ０１７１ — ０５
ＣｅｌｌｌｌｌａｒｗｉｒｅｌｅｓｓｔｒｉＣｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｗａｖｅｌｅｔ－Ｅｌｍａｎｎｅｕｒａｌ
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｗｉｒｅｌｅｓｓｎｅｔｗｏｒｋｓｙｓｔｅｍ，ｔｈｅｒｅｓｏｕｒｃｅｄｙｎａｍｉｃｃｏｎｔｒｏｌａｎｄｅｎｅｒｇｙｅｉｃｆｉｅｎｃｙｉｍｐｒｏｖｅ — ｍｅｎｔａｌｌｃｌｏｓｅｌｙｄｅｐｅｎｄｏｎｔｈｅｅａｒｌｙａｎｄｐｒｅｃｉｓｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆｂａｓｅｓｔａｔｉｏｎｔｒａｆｉｆｃ．Ｔｈｅｃｈａｒａｃｔｅｉｓｒｔｉｃ
ｎｅｔｗｏｒｋ
ＮＩＦｅｉ — ｘｉａｎｇ，
（１．ＳｈａｎｇｈａｉＩｎｓｔｉｔｕｔｅｏｆＭｉｃｒｏｓｙｓｔｅｍａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０１２１０，Ｃｈｉｎａ；２．ＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｆＳｏｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００４９，Ｃｈｉｎａ）
ｍａｋｅｔｈｅｐｒｅｐｒｏｃｅｓｓｉｎｇｂａｓｅｄｏｎｂｏｔｈｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｖｉｅｗｆｏｒｔｈｅｃｅｌｌｕｌａｒｔｒｆｆａｉｃｄａｔａｇｅｎｅｒａｔｅｄｂｙａｌａｒｇｅｐｏｐｕｌａｔｉｏｎｃｉｔｙｏｆＣｈｉｎａ．Ｆｏｒｅａｃｈｂａｓｅｓｔａｔｉｏｎ，ｃｏｍｂｉｎｅｔｈｅｍｏｓｔｓｉｍｉｌａｒａｎｏｔｈｅｒｏｎｅｔｈｒｏｕｇｈｕｓｉｎｇｋ— ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ，ｄｅｔｅｒｍｉｎｅｔｈｅｍｏｓｔａｐｐｒｏｐｒｉａｔｅｓｌｉｄｉｎｇｗｉｎｄｏｗｓｉｚｅ，ｉｎｔｅｇｒａｔｅｔｈｅＥｌｍａｎＮｅｕｒａｌ
早期精准的监测和对蜂窝基站流量的预测。分析基站流量数据，主要通过有效提取基站问隐含的时
空信息进行流量预测。在本文中，我们通过对华北某大城市的实测数据，进行了基于时空关联性的分
析，采用ｋ — ＮＮ算法，获取蜂窝网基站间的时间相关性，选择合适的移动窗口大小，并结合了小波一Ｅｌｍａｎ神经网络（ＥＮＮ）算法来实现流量预测。最后，通过量化蜂窝网流量预测的准确度，并与先前存在的其他方法进行对比，得出了本文提出的方法有优越性。关键词：流量预测；ｋ — ＮＮ算法；Ｅｌｍａｎ神经网络；小波变换分析