基于ELM的非线性组合网络流量预测研究
Research on Nonlinear Combined Network Traffic Prediction Based on ELM
DOI: 10.12677/AAM.2020.95093, PDF,    科研立项经费支持
作者: 俞雪华, 王志刚*：海南大学理学院，海南 海口；熊相真：江苏大学计算机科学与通信工程学院，江苏 镇江
关键词: 网络流量；相空间重构；神经网络；组合预测；极限学习机；Network Traffic； Phase Space Reconstruction； Neural Networks； Combined Forecast； Extreme Learning Machine
摘要: 为了精准预测网络流量的短期走向，本文针对网络流量具有混沌性以及非线性性的变化特征，提出了一种基于ELM的非线性组合算法用于网络流量的预测方法。首先对原始数据进行预处理，相空间重构，然后建立Volterra滤波器自适应预测模型，BP神经网络预测模型，RBF神经网络预测模型，小波神经网络预测模型，SVM预测模型以及极限学习机预测模型对流量时间序列进行预测分析，再将其预测结果作为组合ELM的输入，构建起非线性组合预测模型。结果显示，该组合预测均方百分误差为5.51%，其各项评价指标均优于各子模型，验证了该组合策略的有效性与优越性，可为网络流量的预测提供一个较好的参考。
Abstract: In order to accurately and reliably predict the short-term trend of network traffic, this paper proposes a nonlinear combination algorithm based on ELM for network traffic prediction based on the chaotic and non-linear characteristics of network traffic. Firstly, the original data are preprocessed, phase space reconstruction, and then Volterra filter adaptive prediction model, BP neural network prediction model, RBF neural network prediction model, wavelet neural network prediction model, SVM prediction model and extreme learning machine prediction model are established. The traffic time series is predicted and analyzed, and then the prediction result is used as the input of the combined ELM to construct a nonlinear combined prediction model. The results show that the mean squared error of the combined forecast is 5.51%, and its evaluation indexes are better than the sub-models. The validity and superiority of the combined strategy are verified, which can provide a better reference for network traffic prediction.
文章引用：俞雪华, 熊相真, 王志刚. 基于ELM的非线性组合网络流量预测研究[J]. 应用数学进展, 2020, 9(5): 782-790. https://doi.org/10.12677/AAM.2020.95093

参考文献

[1] 顾兆军, 李冰, 刘涛. 基于PSO-Elman模型的网络流量预测[J]. 现代电子技术, 2019, 42(1): 82-86.
[2] 殷礼胜, 何怡刚, 董学平, 等. 交通流量VNNTF神经网络模型多步预测研究[J]. 自动化学报, 2014(9): 2067-2073.
[3] 任师涛, 史志才, 吴飞, 等. 基于改进BP神经网络的路由器流量预测方法[J]. 传感器与微系统, 2018, 37(8): 49-50.
[4] 刘杰, 黄亚楼. 基于BP神经网络的非线性网络流量预测[J]. 计算机应用, 2007(7): 1770-1772.
[5] 王俊松, 高志伟. 基于RBF神经网络的网络流量建模及预测[J]. 计算机工程与应用, 2008, 44(13): 6-7.
[6] 张玉梅, 曲仕茹, 温凯歌. 基于混沌和RBF神经网络的短时交通流量预测[J]. 系统工程, 2007(11): 26-30.
[7] 李欣, 孙珊珊. 基于小波神经网络的网络流量预测研究[J]. 现代电子技术, 2016, 39(23): 98-99.
[8] 雷霆, 余镇危. 一种网络流量预测的小波神经网络模型[J]. 计算机应用, 2006(3): 526-528.
[9] 熊凡. 遗传算法优化支持向量机的网络流量混沌预测[J]. 现代电子技术, 2018, 41(18): 166-169.
[10] 袁开银, 魏彬. 相空间重构和极限学习机的网络流量预测模型[J]. 控制工程, 2018, 25(11): 2087-2091.
[11] 王思哲. 葡萄酒品尝评分的可信性度量方法研究[J]. 海南热带海洋学院学报, 2018, 25(5): 74-79.
[12] 王思哲, 王志刚, 何勇. 基于数据挖掘技术的葡萄酒评价体系研究[J]. 应用数学进展, 2015, 4(4): 376-384.
[13] Liu, J. and Guo, Z.H. (2014) Network Traffic Prediction Using Radial Basis Function Neural Network Optimized by Ant Colony Algorithm. Sensors & Transducers, 172, 224-228.
[14] Tan, X.L., Fang, W.J. and Qu, Y. (2013) Network Traffic Prediction Algorithm Based on Wavelet Transform. International Journal of Advancements in Computing Technology, 5, 183-190.
[15] 凌立文, 张大斌. 组合预测模型构建方法及其应用研究综述[J]. 统计与决策, 2019, 35(1): 18-23.
[16] Ahmad, Z. and Zhang, J. (2008) Selective Combination of Multiple Neural Networks for Improving Model Prediction in Nonlinear Systems Modelling through Forward Selection and Backward Elimination. Neurocomputing, 72, 1198-1204. [Google Scholar] [CrossRef] 
[17] Yang, Y.M. and Jonathan Wu, Q.M. (2016) Extreme Learning Machine with Subnetwork Hidden Nodes for Regression and Classification. IEEE Transactions on Cybernetics, 46, 2885-2898. [Google Scholar] [CrossRef] 
[18] 陈铿, 韩伯棠. 混沌时间序列分析中的相空间重构技术综述[J]. 计算机科学, 2005(4): 67-70.
[19] 雷绍兰, 孙才新, 周湶, 张晓星. 电力短期负荷的多变量时间序列线性回归预测方法研究[J]. 中国电机工程学报, 2006(2): 25-29.
[20] 王兰, 李华强, 吴星等. 基于改进局域Volterra自适应滤波器的风电功率混沌时间序列预测模型[J]. 电力自动化设备, 2016, 36(8): 40-44.
[21] 刘春. 遗传算法优化BP神经网络的网络流量预测[J]. 信息安全与技术, 2014, 5(6): 82-86.
[22] 李立华. 基于径向基函数(RBF)神经网络模型的金融混沌预警研究[J]. 海南金融, 2012(6): 32-35.

为你推荐