基于聚类分析算法和优化支持向量机的无线网络流量预测

发布时间：2021-11-27 14:35

　　为了解决当前无线网络流量预测过程存在的一些问题,以提高无线网络流量的预测精度为目标,提出基于聚类分析算法和优化支持向量机的无线网络流量预测模型。首先,采集无线网络流量数据集,并采用聚类分析算法构建训练样本集合;然后,采用支持向量机对无线网络流量训练样本进行学习,并引入布谷鸟搜索算法对支持向量参数进行优化,从而建立无线网络流量预测模型;最后,通过具体无线网络流量预测实例分析模型的有效性。结果表明,所提模型的无线网络流量预测精度高,提升了无线网络流量建模效率,而且其无线网络流量预测效果要优于当前经典无线网络流量预测模型,具有比较显著的优越性。 

【文章来源】：计算机科学. 2020,47(08)北大核心CSCD

【文章页数】：4 页

【部分图文】：

聚类分析和优化SVM的无线网络流量预测流程

为了分析基于聚类分析和SVM的无线网络流量预测模型的效果,本节进行实验验证。实验数据来源于网络流量文库[17]1),共收集1 200个无线网络流量数据作为研究对象,它们的变化曲线如图2所示。从图2可以看出,无线网络流量数据之间的值变化较大,会对支持向量机的训练产生不利影响,为此对其进行如下处理[18]:

统计3种模型的无线网络流量预测精度,如图4所示。可以发现,随着无线网络流量训练样本数量的不断增加,无线网络流量的预测精度不断提高,这是因为训练样本越多,无线网络流量的训练效果就越好,建立的无线网络流量预测模型越好。在训练样本数量相同的情况下,基于ARMA的无线网络流量模型预测精度最低,因为它利用一种线性建模技术,与无线网络流量变化特点不相适应;基于BP神经网络的无线网络流量预测模型的精度要高于ARMA,因为其是非线性建模技术,可以更好地跟踪无线网络流量的变化趋势;而本文模型的无线网络流量模型的预测精度最高,这是因为通过模糊聚类分析算法可以构建更优的训练样本集合,同时引入优化支持向量机进行学习,使学习性能更优,减少了无线网络流量预测误差,使得预测结果更加可靠。3.4 无线网络流量的建模时间比较

【参考文献】：
期刊论文
[1]一种基于小波分析的网络流量异常检测方法[J]. 杜臻,马立鹏,孙国梓.  计算机科学. 2019(08)
[2]基于全注意力机制的多步网络流量预测[J]. 郭佳,余永斌,杨晨阳.  信号处理. 2019(05)
[3]基于MGU的大规模IP骨干网络实时流量预测[J]. 郭芳,陈蕾,杨子文.  山东大学学报(工学版). 2019(02)
[4]粒子群算法优化支持向量机的网络流量混沌预测[J]. 刘昆.  现代电子技术. 2019(02)
[5]基于深度置信回声状态网络的网络流量预测模型[J]. 李莹琦,黄越,孙晓川.  南京邮电大学学报(自然科学版). 2018(05)
[6]基于贝叶斯与因果岭回归的物联网流量预测模型[J]. 陈翔,唐俊勇.  四川大学学报(自然科学版). 2018(05)
[7]基于云计算和极限学习机的网络流量预测研究[J]. 王柯.  山东农业大学学报(自然科学版). 2018(04)
[8]CRH2型动车组列车信息传输网络流量建模与预测[J]. 葛诗春,刘雄飞,周锋.  计算机科学. 2017(10)



本文编号：3522483