本文關(guān)鍵詞：遺傳算法優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)

  更多相關(guān)文章： 網(wǎng)絡(luò)流量 非線性 預(yù)測(cè) 遺傳算法 回聲狀態(tài)網(wǎng)絡(luò)

【摘要】：網(wǎng)絡(luò)流量預(yù)測(cè)是網(wǎng)絡(luò)擁塞控制與網(wǎng)絡(luò)管理的一個(gè)重要問(wèn)題.網(wǎng)絡(luò)流量時(shí)間序列具有時(shí)變、非線性特征,導(dǎo)致傳統(tǒng)時(shí)間序列預(yù)測(cè)方法預(yù)測(cè)精度比較低,無(wú)法建立精確的預(yù)測(cè)模型.回聲狀態(tài)網(wǎng)絡(luò)(echo state network,ESN)在非線性混沌系統(tǒng)預(yù)測(cè)與建模方面有著良好的性能,非常適合網(wǎng)絡(luò)流量的預(yù)測(cè).為了提高網(wǎng)絡(luò)流量的預(yù)測(cè)精度,提出一種基于遺傳算法(genetic algorithm,GA)優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量非線性預(yù)測(cè)方法.首先利用回聲狀態(tài)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè);然后利用遺傳算法對(duì)回聲狀態(tài)網(wǎng)絡(luò)預(yù)測(cè)模型中的儲(chǔ)備池參數(shù)進(jìn)行優(yōu)化,提高預(yù)測(cè)模型的預(yù)測(cè)精度.通過(guò)中國(guó)聯(lián)合網(wǎng)絡(luò)通信公司遼寧分公司采集的實(shí)際網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行了仿真驗(yàn)證.與差分自回歸滑動(dòng)平均模型(auto regressive integrated moving average,ARIMA)、Elman神經(jīng)網(wǎng)絡(luò)以及最小二乘支持向量機(jī)(least square support vector machine,LSSVM)這3種常見(jiàn)預(yù)測(cè)模型進(jìn)行了對(duì)比,仿真結(jié)果表明提出的方法具有更高的預(yù)測(cè)精度與更小的預(yù)測(cè)誤差,更能刻畫(huà)網(wǎng)絡(luò)流量復(fù)雜的變化特點(diǎn).
【作者單位】： 沈陽(yáng)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;
【關(guān)鍵詞】： 網(wǎng)絡(luò)流量 非線性 預(yù)測(cè) 遺傳算法 回聲狀態(tài)網(wǎng)絡(luò)
【基金】：國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(61034005) 遼寧省博士科研啟動(dòng)基金項(xiàng)目(20141070)
【分類號(hào)】：TP393.06;TP18
【正文快照】： moving average,ARIMA)、Elman神經(jīng)網(wǎng)絡(luò)以及最小二乘支持向量機(jī)(least square support vectormachine,LSSVM)這3種常見(jiàn)預(yù)測(cè)模型進(jìn)行了對(duì)比,仿真結(jié)果表明提出的方法具有更高的預(yù)測(cè)精度與更小的預(yù)測(cè)誤差,更能刻畫(huà)網(wǎng)絡(luò)流量復(fù)雜的變化特點(diǎn).網(wǎng)絡(luò)流量是目前網(wǎng)絡(luò)管理的一個(gè)重要參數(shù),

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 姜明;吳春明;張e，

本文編號(hào)：815451