本文關(guān)鍵詞： 經(jīng)驗(yàn)?zāi)Ｊ椒纸?本征模式分量 粒子群 最小二乘支持向量機(jī) 組合預(yù)測(cè)　出處：《計(jì)算機(jī)工程與設(shè)計(jì)》2013年12期 　論文類型：期刊論文

【摘要】：針對(duì)網(wǎng)絡(luò)流量時(shí)間序列呈現(xiàn)出的非線性、非平穩(wěn)、多尺度的特點(diǎn),提出了一種結(jié)合經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)和粒子群優(yōu)化的最小二乘支持向量機(jī)(LS-SVM)的流量預(yù)測(cè)模型。通過EMD分解,將原始流量的非平穩(wěn)序列分解為若干不同尺度的平穩(wěn)IMF(固有模態(tài)分量)分量,用粒子群優(yōu)化的LS-SVM分別對(duì)各分量進(jìn)行預(yù)測(cè),通過SVM組合得到原始序列的預(yù)測(cè)結(jié)果。仿真結(jié)果表明,該方法不僅能夠獲得較高的預(yù)測(cè)精度,還能夠反映原始流量數(shù)據(jù)的突變性。
[Abstract]:In view of the nonlinear, non-stationary and multi-scale characteristics of network traffic time series, a traffic prediction model based on empirical mode decomposition (EMD) and particle swarm optimization (PSO) based on least squares support vector machine (LS-SVM) is proposed. The non-stationary sequence of the original flow is decomposed into several stationary IMF (intrinsic mode component) components of different scales. The components are predicted by LS-SVM of particle swarm optimization, and the prediction results of the original sequence are obtained by SVM combination. The simulation results show that, This method can not only obtain high prediction accuracy, but also reflect the mutation of the original flow data.
【作者單位】： 新疆大學(xué)信息科學(xué)與工程學(xué)院;中國(guó)移動(dòng)通信集團(tuán)新疆有限公司;
【基金】：中國(guó)移動(dòng)通信集團(tuán)新疆有限公司研究發(fā)展基金項(xiàng)目(XJM2012-01)
【分類號(hào)】：TP393.06

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 魏永濤;汪晉寬;王翠榮;張琨;;基于小波變換與組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年10期

2 王軍棟;齊維貴;;基于EMD-SVM的江水濁度預(yù)測(cè)方法研究[J];電子學(xué)報(bào);2009年10期

3 姜明;吳春明;張e，

本文編號(hào)：1540453