為了解決當前無線網(wǎng)絡流量預測過程存在的一些問題,以提高無線網(wǎng)絡流量的預測精度為目標,提出基于聚類分析算法和優(yōu)化支持向量機的無線網(wǎng)絡流量預測模型。首先,采集無線網(wǎng)絡流量數(shù)據(jù)集,并采用聚類分析算法構建訓練樣本集合;然后,采用支持向量機對無線網(wǎng)絡流量訓練樣本進行學習,并引入布谷鳥搜索算法對支持向量參數(shù)進行優(yōu)化,從而建立無線網(wǎng)絡流量預測模型;最后,通過具體無線網(wǎng)絡流量預測實例分析模型的有效性。結果表明,所提模型的無線網(wǎng)絡流量預測精度高,提升了無線網(wǎng)絡流量建模效率,而且其無線網(wǎng)絡流量預測效果要優(yōu)于當前經(jīng)典無線網(wǎng)絡流量預測模型,具有比較顯著的優(yōu)越性。 

【文章來源】：計算機科學. 2020,47(08)北大核心CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

聚類分析和優(yōu)化SVM的無線網(wǎng)絡流量預測流程

為了分析基于聚類分析和SVM的無線網(wǎng)絡流量預測模型的效果,本節(jié)進行實驗驗證。實驗數(shù)據(jù)來源于網(wǎng)絡流量文庫[17]1),共收集1 200個無線網(wǎng)絡流量數(shù)據(jù)作為研究對象,它們的變化曲線如圖2所示。從圖2可以看出,無線網(wǎng)絡流量數(shù)據(jù)之間的值變化較大,會對支持向量機的訓練產(chǎn)生不利影響,為此對其進行如下處理[18]:

統(tǒng)計3種模型的無線網(wǎng)絡流量預測精度,如圖4所示�？梢园l(fā)現(xiàn),隨著無線網(wǎng)絡流量訓練樣本數(shù)量的不斷增加,無線網(wǎng)絡流量的預測精度不斷提高,這是因為訓練樣本越多,無線網(wǎng)絡流量的訓練效果就越好,建立的無線網(wǎng)絡流量預測模型越好。在訓練樣本數(shù)量相同的情況下,基于ARMA的無線網(wǎng)絡流量模型預測精度最低,因為它利用一種線性建模技術,與無線網(wǎng)絡流量變化特點不相適應;基于BP神經(jīng)網(wǎng)絡的無線網(wǎng)絡流量預測模型的精度要高于ARMA,因為其是非線性建模技術,可以更好地跟蹤無線網(wǎng)絡流量的變化趨勢;而本文模型的無線網(wǎng)絡流量模型的預測精度最高,這是因為通過模糊聚類分析算法可以構建更優(yōu)的訓練樣本集合,同時引入優(yōu)化支持向量機進行學習,使學習性能更優(yōu),減少了無線網(wǎng)絡流量預測誤差,使得預測結果更加可靠。3.4 無線網(wǎng)絡流量的建模時間比較

【參考文獻】：
期刊論文
[1]一種基于小波分析的網(wǎng)絡流量異常檢測方法[J]. 杜臻,馬立鵬,孫國梓.  計算機科學. 2019(08)
[2]基于全注意力機制的多步網(wǎng)絡流量預測[J]. 郭佳,余永斌,楊晨陽.  信號處理. 2019(05)
[3]基于MGU的大規(guī)模IP骨干網(wǎng)絡實時流量預測[J]. 郭芳,陳蕾,楊子文.  山東大學學報(工學版). 2019(02)
[4]粒子群算法優(yōu)化支持向量機的網(wǎng)絡流量混沌預測[J]. 劉昆.  現(xiàn)代電子技術. 2019(02)
[5]基于深度置信回聲狀態(tài)網(wǎng)絡的網(wǎng)絡流量預測模型[J]. 李瑩琦,黃越,孫曉川.  南京郵電大學學報(自然科學版). 2018(05)
[6]基于貝葉斯與因果嶺回歸的物聯(lián)網(wǎng)流量預測模型[J]. 陳翔,唐俊勇.  四川大學學報(自然科學版). 2018(05)
[7]基于云計算和極限學習機的網(wǎng)絡流量預測研究[J]. 王柯.  山東農(nóng)業(yè)大學學報(自然科學版). 2018(04)
[8]CRH2型動車組列車信息傳輸網(wǎng)絡流量建模與預測[J]. 葛詩春,劉雄飛,周鋒.  計算機科學. 2017(10)



本文編號：3522483