CN105376097A - 网络流量的一种混合预测方法 - Google Patents
网络流量的一种混合预测方法 Download PDFInfo
- Publication number
- CN105376097A CN105376097A CN201510853453.3A CN201510853453A CN105376097A CN 105376097 A CN105376097 A CN 105376097A CN 201510853453 A CN201510853453 A CN 201510853453A CN 105376097 A CN105376097 A CN 105376097A
- Authority
- CN
- China
- Prior art keywords
- elm
- alpha
- model
- network traffics
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
网络流量的一种混合预测方法,其特征在于:该方法通过对网络流量序列自相似性分析,提出一种ARIMA补偿ELM的网络流量预测方法,即差分自回归移动平均模型补偿极限学习机的网络流量预测方法;首先利用ELM对网络流量序列进行预测,然后对网络流量预测的误差序列通过ARIMA模型进行修正,最后将ELM预测值与ARIMA模型修正值进行叠加得到最终的预测值。其利用ARIMA模型对预测误差数据进行拟合,将ELM的预测值与ARIMA预测的残差进行叠加得到最终的预测值,通过ARIMA模型进行残差补偿来有效提高预测的精度。
Description
技术领域
本发明属于计算机网络技术领域,具体涉及一种网络流量的预测方法。
背景技术
网络流量是目前网络管理的一个重要参数,在网络资源有限的情况下设计网络的拥塞控制策略时,网络流量的准确预测对于减少网络拥塞、合理分配资源、提高网络服务质量以及发现网络异常行为等具有非常重要的作用。近年来的研究发现,网络流量即使在流量突变时也呈现出一定的变化规律,这使得对网络流量序列进行分析、预测成为可能。
目前一些研究成果将网络流量看作线性模型的,分别采用自回归滑动平均(ARMA)模型(参见LanerM,SvobodaP,RuppM.Parsimoniousfittingoflong-rangedependentnetworktrafficusingARMAmodels[J].IEEECommunicationsLetters,2013,17(12):2368-2371)、差分自回归滑动平均(ARIMA)模型(参见YadavRK,BalakrishnanM.ComparativeevaluationofARIMAandANFISformodelingofwirelessnetworktraffictimeseries[J].EurasipJournalonWirelessCommunicationsandNetworking,2014(1):15),以及差分自回归求和滑动平均(FARIMA)模型(参见董春玲.一种结合DWT和FARIMA的网络拥塞控制机制[J].小型微型计算机系统,2011,32(5):931-934)等线性模型进行预测。但是随着网络复杂度的增加,网络流量特性已经超出传统意义上认为的泊松或者马尔可夫分布了,因此利用线性模型进行预测存在理论上的不足,很难保证预测的精确性。而非线性模型的预测主要包括了支持向量机(参见LiaoWJ,BalzenZ.LSSVMnetworkflowpredictionbasedontheself-adaptivegeneticalgorithmoptimization[J].JournalofNetworks,2013,8(2):507-512)、人工神经网络(参见WangJS,WangJK,ZhangMZ.PredictionofinternettrafficbasedonElmanneuralnetwork[C]//ChineseControlandDecisionConference,2009:1248-1252)以及灰色模型(参见孙韩林,金跃辉,崔毅东等.粗粒度网络流量的灰色模型预测[J].北京邮电大学学报,2010,33(1):7-11)等,虽然非线性模型的预测精度较线性模型有了一定程度的提高,但是神经网络存在易陷于局部最优值、网络结构难以确定的缺点。支持向量机虽然需要样本数小,但是其关键参数很难确定.而灰色模型只适合数据变化不是剧烈的情况下,因此网络流量的非线性模型预测也很难保证预测的精度。
发明内容
本发明提供了网络流量的一种混合预测方法,即基于ELM与ARIMA混合模型的网络流量预测方法,其目的是解决以往所存在的问题。
技术方案:
网络流量的一种混合预测方法,其特征在于:该方法通过对网络流量序列自相似性分析,提出一种ARIMA补偿ELM的网络流量预测方法,即差分自回归移动平均模型补偿极限学习机的网络流量预测方法;首先利用ELM对网络流量序列进行预测,然后对网络流量预测的误差序列通过ARIMA模型进行修正,最后将ELM预测值与ARIMA模型修正值进行叠加得到最终的预测值。
该方法对网络流量数据进行Hurst参数分析可知原始网络流量具有长相关性,因此利用ELM对网络流量数据进行拟合,而通过对ELM预测值与网络流量实际值之间的误差序列的Hurst参数分析可知误差序列具有短相关,因此利用ARIMA模型对预测误差数据进行拟合,将ELM的预测值与ARIMA预测的残差进行叠加得到最终的预测值,通过ARIMA模型进行残差补偿来有效提高预测的精度。
本发明的预测方法为如下步骤:
步骤1:采集网络流量数据,将网络流量数据分为训练集以及测试集,训练集用于ELM与ARIMA预测模型的建立,测试集用于预测模型预测精度的验证,同时由于网络流量变化范围比较大,因此需要将网络流量序列进行归一化,预测结果则需要反归一化处理,恢复真实预测值;
步骤2:利用训练样本序列进行ELM预测模型的训练,采用实验的方法确定网络流量的嵌入维数m也即ELM输入层数,通过实际值与ELM预测值的误差均方根值确定合适的嵌入维数m;
步骤3:将原始网络流量序列减去ELM模型预测值得到网络流量的误差序列,利用该误差序列进行ARIMA模型的训练,首先对网络流量误差序列进行差分处理,当序列平稳时可确定差分次数参数d,然后计算平稳的序列的自相关函数ACF与偏相关函数PAC,结合AIC准则确定最佳的预测模型参数p、d、q,完成ARIMA预测模型的建立;
步骤4:当ELM与ARIMA预测模型确定后,利用ELM模型预测未来时刻的网络流量值,利用ARIMA模型预测流量的误差值,将二者相加得到最终的预测值;
步骤5:通过滑动窗口机制,利用当前时刻实测流量值更新流量与流量误差序列,将最旧的一组数移除,形成新的预测输入数据,返回步骤4进行下一时刻的网络流量预测。
步骤2中ELM预测过程如下:
设网络流样本集为:
式中:i为采样时刻,Sk为网络流量样本集,Di为用于预测的网络流量时间序列,也即ELM的输入,ti为ELM的输出,也即ELM预测的网络流量值。
di为i时刻网络流量,m为嵌入维数,j为预测步长,一个包含L个隐层神经元函数f(·)的ELM回归模型可表示为
tk为ELM的输出,k为训练样本的数量,αi为第i个神经元的输入权值,即αi=[αi1αi2···αin],βi为连接第i个神经元的输出权值,bi为第i个神经元的偏差,L为隐层神经元的个数,将上式写成矩阵形式
Hkβk=Tk
式中Hk为神经元矩阵,f(·)为非线性映射函数
求解上式可得输出权值,下式中:βk为神经元的输出权值矩阵,Hk为神经元矩阵,T代表矩阵的转置,-1代表矩阵的求逆。
由此训练后的ELM网络流量序列预测模型为
其中Di为输入,t为ELM预测的下一时刻网络流量。
步骤3中ARIMA预测过程如下:
模型识别与定阶:
平稳化网络流量时间序列后,首先计算原始序列的自相关函数ACF,偏相关函数PAC,对于网络流量时间序列yt,有自协方差
上式中,yt代表t时刻的网络流量,yt+k代表t+k时刻的网络流量,N为序列的长度。
自相关函数
其中γk代表上式定义的自协方差。
偏相关函数为
其中ρk为自相关函数,αkj为偏相关函数。可通过ρk,αk的截尾性初步确定模型的阶数。时间序列的参数辨识可通过最小二乘估计得到,即估计参数使下式最小
上式中,θq为q阶滑动平均算子,为p阶自回归算子,Z为后移算子,▽d为后向差分算子,N为序列长度,d为差分阶数,p为自回归系数,q为滑动平均系数。
模型检验:
对不同的p、d、q参数进行组合,通过AIC准则可得到最优的参数模型。AIC准则即赤池信息量准则,其特点为“吝啬原理”的具体化,定义如下:
AIC=-2lnL+2g
其中ln为自然对数值,L为模型的极大似然参数,g为模型的独立参数,AIC代表AIC准则函数值。
优点效果:
从目前研究成果看,单一预测模型很难实现更准确地要求、预测误差比较大,因此组合预测模型可弥补单独预测模型的缺点,可以更准确地描述网络流量的特性。通过对网络流量序列的自相似性分析,本发明利用运算速度快、具有良好非线性预测能力的ELM进行网络流量的预测,同时利用ARIMA模型对预测误差进行修正以提高预测精度。
Legend和Paxson指出网络流量具有自相似特征(参见LegendWE,TaqquMS.Ontheself-similarnatureofEthernettraffic[J].IEEE/ACMTransonNetworking,1994,2(1):1-15),相似性可用Hurst参数H来衡量,当H=0.5时说明网络流量序列是随机游动的,事件之间不相关,当H∈[0,0.5)时说明序列是反持久性的,当H∈[0.5,1)时表示序列是持久性的,也即具有自相似性,H越大则序列的自相似性越大。因此Hurst参数越大说明网络的自相似(长相关)程度越高,序列可预测性越强,预测误差越小。本发明对网络流量数据进行Hurst参数分析可知原始网络流量具有长相关性,因此利用ELM对网络流量数据进行拟合,而通过对ELM预测值与网络流量实际值之间的误差序列的Hurst参数分析可知误差序列具有短相关性,因此利用ARIMA模型对预测误差数据进行拟合,将ELM的预测值与ARIMA预测的残差进行叠加得到最终的预测值,通过ARIMA模型进行残差补偿来有效提高预测的精度。
附图说明
图1为本发明的网络流量混合预测方法整体结构图;
图2为本发明的网络流量混合预测方法ELM预测流程图;
图3为本发明的网络流量混合预测方法ARIMA预测流程图;
具体实施方式
下面结合附图对本发明作进一步详细说明。
步骤1:采集网络流量数据,将网络流量数据分为训练集以及测试集,训练集用于ELM与ARIMA预测模型的建立,测试集用于预测模型预测精度的验证,同时由于网络流量变化范围比较大,因此需要将网络流量序列进行归一化,预测结果则需要反归一化处理,恢复真实预测值;
步骤2:利用网络流量训练样本序列进行ELM预测模型的训练,采用实验的方法确定网络流量的嵌入维数m也即ELM输入层数,通过实际值与ELM预测值的误差均方根值确定合适的嵌入维数m。ELM预测过程如下:
2.1设网络流样本集为
di为i时刻网络流量,m为嵌入维数,j为预测步长,一个包含L个隐层神经元函数f(·)的ELM回归模型可表示为
k为训练样本的数量,αi为第i个神经元的输入权值,αi=[αi1αi2···αin],βi为连接第i个神经元的输出权值,bi为第i个神经元的偏差,将上式写成矩阵形式
Hkβk=Tk
式中Hk为神经元矩阵
求解上式可得输出权值
由此训练后的ELM网络流量序列预测模型为
其中Di为输入,t为预测的下一时刻网络流量。
步骤3:将原始样本序列减去ELM模型预测值得到网络流量的误差序列,利用该误差序列进行ARIMA模型的训练,首先对网络流量误差序列进行差分处理,当序列平稳时可确定差分次数参数d,然后计算平稳的序列的自相关函数ACF与偏相关函数PAC,结合AIC准则确定最佳的预测模型参数p、d、q,完成ARIMA预测模型的建立。ARIMA预测过程如下:
3.1模型识别与定阶
平稳化时间序列后,首先计算原始序列的自相关函数ACF,偏相关函数PAC,对于时间序列yt,有自协方差
自相关函数
偏相关函数为
可通过ρk,αk的截尾性初步确定模型的阶数。时间序列的参数辨识可通过最小二乘估计得到,即估计参数使下式最小
3.2模型检验
对不同的p、d、q参数进行组合,通过AIC准则可得到最优的参数模型。AIC准则即赤池信息量准则,其特点为“吝啬原理”的具体化,定义如下:
AIC=-2lnZ+2g
其中L为模型的极大似然参数,g为模型的独立参数格式。
步骤4:当ELM与ARIMA预测模型确定后,利用ELM模型预测未来时刻的网络流量值,利用ARIMA模型预测流量的误差值,将二者相加得到最终的预测值;
步骤5:通过滑动窗口机制,利用当前时刻实测流量值更新流量与流量误差序列,将最旧的一组数移除,形成新的预测输入数据,返回步骤4进行下一时刻的网络流量预测。
Claims (5)
1.网络流量的一种混合预测方法,其特征在于:该方法通过对网络流量序列自相似性分析,提出一种ARIMA补偿ELM的网络流量预测方法,即差分自回归移动平均模型补偿极限学习机的网络流量预测方法;首先利用ELM对网络流量序列进行预测,然后对网络流量预测的误差序列通过ARIMA模型进行修正,最后将ELM预测值与ARIMA模型修正值进行叠加得到最终的预测值。
2.根据权利要求1所述的网络流量的一种混合预测方法,其特征在于:该方法对网络流量数据进行Hurst参数分析可知原始网络流量具有长相关性,因此利用ELM对网络流量数据进行拟合,而通过对ELM预测值与网络流量实际值之间的误差序列的Hurst参数分析可知误差序列具有短相关,因此利用ARIMA模型对预测误差数据进行拟合,将ELM的预测值与ARIMA预测的残差进行叠加得到最终的预测值,通过ARIMA模型进行残差补偿来有效提高预测的精度。
3.根据权利1或2所述的网络流量的一种混合预测方法,其特征在于:本发明的预测方法为如下步骤:
步骤1:采集网络流量数据,将网络流量数据分为训练集以及测试集,训练集用于ELM与ARIMA预测模型的建立,测试集用于预测模型预测精度的验证,同时由于网络流量变化范围比较大,因此需要将网络流量序列进行归一化,预测结果则需要反归一化处理,恢复真实预测值;
步骤2:利用训练样本序列进行ELM预测模型的训练,采用实验的方法确定网络流量的嵌入维数m也即ELM输入层数,通过实际值与ELM预测值的误差均方根值确定合适的嵌入维数m;
步骤3:将原始网络流量序列减去ELM模型预测值得到网络流量的误差序列,利用该误差序列进行ARIMA模型的训练,首先对网络流量误差序列进行差分处理,当序列平稳时可确定差分次数参数d,然后计算平稳的序列的自相关函数ACF与偏相关函数PAC,结合AIC准则确定最佳的预测模型参数p、d、q,完成ARIMA预测模型的建立;
步骤4:当ELM与ARIMA预测模型确定后,利用ELM模型预测未来时刻的网络流量值,利用ARIMA模型预测流量的误差值,将二者相加得到最终的预测值;
步骤5:通过滑动窗口机制,利用当前时刻实测流量值更新流量与流量误差序列,将最旧的一组数移除,形成新的预测输入数据,返回步骤4进行下一时刻的网络流量预测。
4.根据权利要求3所述的网络流量的一种混合预测方法,其特征在于:步骤2中ELM预测过程如下:
设网络流样本集为:
式中:i为采样时刻,Sk为网络流量样本集,Di为用于预测的网络流量时间序列,也即ELM的输入,ti为ELM的输出,也即ELM预测的网络流量值;
di为i时刻网络流量,m为嵌入维数,j为预测步长,一个包含L个隐层神经元,f(·)为神经元对应的非线性映射函数,则ELM回归模型可表示为
·
·
·
tk为ELM的输出,k为训练样本的数量,αi为第i个神经元的输入权值,即αi=[αi1αi2…αin],βi为连接第i个神经元的输出权值,bi为第i个神经元的偏差,L为隐层神经元的个数,将上式写成矩阵形式
Hkβk=Tk
式中Hk为神经元矩阵,f(·)为非线性映射函数
求解上式可得输出权值,下式中:βk为神经元的输出权值矩阵,Hk为神经元矩阵,T代表矩阵的转置,-1代表矩阵的求逆;
由此训练后的ELM网络流量序列预测模型为
其中i为采样时刻,Di为输入,t为ELM预测的下一时刻网络流量。
5.根据权利要求3所述的网络流量的一种混合预测方法,其特征在于:步骤3中ARIMA预测过程如下:
模型识别与定阶:
平稳化网络流量时间序列后,首先计算原始序列的自相关函数ACF,偏相关函数PAC,对于网络流量时间序列yt,有自协方差
上式中,yt代表t时刻的网络流量,yt+k代表t+k时刻的网络流量,N为序列的长度;
有自相关函数
其中γk代表上式定义的自协方差;
有偏相关函数为
其中ρk为自相关函数,αkj为偏相关函数;可通过ρk,αk的截尾性初步确定模型的阶数;时间序列的参数辨识可通过最小二乘估计得到,即估计参数θ1,θ2,…,θq使下式最小
上式中,θq为q阶滑动平均算子,为p阶自回归算子,Z为后移算子,为后向差分算子,N为序列长度,d为差分阶数,p为自回归系数,q为滑动平均系数;
模型检验:
对不同的p、d、q参数进行组合,通过AIC准则可得到最优的参数模型;AIC准则即赤池信息量准则,其特点为“吝啬原理”的具体化,定义如下:
AIC=-2lnL+2g
其中ln为自然对数值,L为模型的极大似然参数,g为模型的独立参数,AIC代表AIC准则函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510853453.3A CN105376097A (zh) | 2015-11-30 | 2015-11-30 | 网络流量的一种混合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510853453.3A CN105376097A (zh) | 2015-11-30 | 2015-11-30 | 网络流量的一种混合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105376097A true CN105376097A (zh) | 2016-03-02 |
Family
ID=55377924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510853453.3A Pending CN105376097A (zh) | 2015-11-30 | 2015-11-30 | 网络流量的一种混合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105376097A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139079A (zh) * | 2015-07-30 | 2015-12-09 | 广州时韵信息科技有限公司 | 一种基于混合模型的税收收入预测方法及装置 |
CN106992937A (zh) * | 2017-04-19 | 2017-07-28 | 天津大学 | 基于garch时间序列算法的拥塞控制方法 |
CN107067028A (zh) * | 2017-03-16 | 2017-08-18 | 华南理工大学 | 基于分布式聚类的网络流量时间序列预测方法 |
CN107517166A (zh) * | 2016-06-16 | 2017-12-26 | 中兴通讯股份有限公司 | 流量控制方法、装置及接入设备 |
CN107622056A (zh) * | 2016-07-13 | 2018-01-23 | 百度在线网络技术(北京)有限公司 | 训练样本的生成方法和装置 |
CN107911346A (zh) * | 2017-10-31 | 2018-04-13 | 天津大学 | 一种基于极限学习机的入侵检测方法 |
CN108229732A (zh) * | 2017-12-20 | 2018-06-29 | 上海电机学院 | 基于误差修正的极端学习机风速超短期预测方法 |
CN108632164A (zh) * | 2018-08-17 | 2018-10-09 | 四川新网银行股份有限公司 | 基于时间序列预测的开放平台网关智能流控方法 |
CN109508558A (zh) * | 2018-10-31 | 2019-03-22 | 阿里巴巴集团控股有限公司 | 一种数据有效性的验证方法和装置 |
CN109586954A (zh) * | 2018-11-14 | 2019-04-05 | 网宿科技股份有限公司 | 一种网络流量预测方法、装置及电子设备 |
CN109670145A (zh) * | 2018-12-12 | 2019-04-23 | 中国航空工业集团公司上海航空测控技术研究所 | 基于观测器的直升机主减速器振动特征阈值设置方法 |
CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
CN110175711A (zh) * | 2019-05-17 | 2019-08-27 | 北京市天元网络技术股份有限公司 | 一种基于联合lstm基站小区流量预测方法以及装置 |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN111340544A (zh) * | 2020-02-25 | 2020-06-26 | 上海昌投网络科技有限公司 | 一种微信公众号是否刷阅读的判断方法及装置 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN111695581A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于自回归极限学习机的非线性动态过程监测方法 |
CN112039711A (zh) * | 2020-09-08 | 2020-12-04 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN112100711A (zh) * | 2020-08-10 | 2020-12-18 | 南昌大学 | 一种基于arima和pso-elm的混凝土坝变形组合预报模型构建方法 |
CN112668249A (zh) * | 2020-07-17 | 2021-04-16 | 国网山东省电力公司电力科学研究院 | 电网一次设备大修技改方案在线构建方法及系统 |
CN113225824A (zh) * | 2021-04-28 | 2021-08-06 | 辽宁邮电规划设计院有限公司 | 一种基于5g技术的不同业务需求带宽自动分配装置及方法 |
WO2022147853A1 (zh) * | 2021-01-11 | 2022-07-14 | 大连理工大学 | 一种基于混合预测模型的复杂装备电源组故障预测方法 |
CN116708030A (zh) * | 2023-08-04 | 2023-09-05 | 浙江大学 | 工业边缘计算网关及其协议流量监测方法、装置 |
-
2015
- 2015-11-30 CN CN201510853453.3A patent/CN105376097A/zh active Pending
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139079A (zh) * | 2015-07-30 | 2015-12-09 | 广州时韵信息科技有限公司 | 一种基于混合模型的税收收入预测方法及装置 |
CN107517166A (zh) * | 2016-06-16 | 2017-12-26 | 中兴通讯股份有限公司 | 流量控制方法、装置及接入设备 |
CN107622056A (zh) * | 2016-07-13 | 2018-01-23 | 百度在线网络技术(北京)有限公司 | 训练样本的生成方法和装置 |
CN107622056B (zh) * | 2016-07-13 | 2021-03-02 | 百度在线网络技术(北京)有限公司 | 训练样本的生成方法和装置 |
CN107067028A (zh) * | 2017-03-16 | 2017-08-18 | 华南理工大学 | 基于分布式聚类的网络流量时间序列预测方法 |
CN107067028B (zh) * | 2017-03-16 | 2021-02-12 | 华南理工大学 | 基于分布式聚类的网络流量时间序列预测方法 |
CN106992937A (zh) * | 2017-04-19 | 2017-07-28 | 天津大学 | 基于garch时间序列算法的拥塞控制方法 |
CN107911346B (zh) * | 2017-10-31 | 2020-12-29 | 兵棋思学(天津)教育科技有限公司 | 一种基于极限学习机的入侵检测方法 |
CN107911346A (zh) * | 2017-10-31 | 2018-04-13 | 天津大学 | 一种基于极限学习机的入侵检测方法 |
CN108229732A (zh) * | 2017-12-20 | 2018-06-29 | 上海电机学院 | 基于误差修正的极端学习机风速超短期预测方法 |
CN108632164A (zh) * | 2018-08-17 | 2018-10-09 | 四川新网银行股份有限公司 | 基于时间序列预测的开放平台网关智能流控方法 |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN109508558A (zh) * | 2018-10-31 | 2019-03-22 | 阿里巴巴集团控股有限公司 | 一种数据有效性的验证方法和装置 |
CN109586954B (zh) * | 2018-11-14 | 2020-09-18 | 网宿科技股份有限公司 | 一种网络流量预测方法、装置及电子设备 |
US11252044B2 (en) | 2018-11-14 | 2022-02-15 | Wangsu Science & Technology Co., Ltd. | Network traffic prediction method, apparatus, and electronic device |
WO2020098016A1 (zh) * | 2018-11-14 | 2020-05-22 | 网宿科技股份有限公司 | 一种网络流量预测方法、装置及电子设备 |
CN109586954A (zh) * | 2018-11-14 | 2019-04-05 | 网宿科技股份有限公司 | 一种网络流量预测方法、装置及电子设备 |
CN109670145A (zh) * | 2018-12-12 | 2019-04-23 | 中国航空工业集团公司上海航空测控技术研究所 | 基于观测器的直升机主减速器振动特征阈值设置方法 |
CN111695581A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于自回归极限学习机的非线性动态过程监测方法 |
CN109802862B (zh) * | 2019-03-26 | 2022-02-22 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
CN110175711A (zh) * | 2019-05-17 | 2019-08-27 | 北京市天元网络技术股份有限公司 | 一种基于联合lstm基站小区流量预测方法以及装置 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN111340544A (zh) * | 2020-02-25 | 2020-06-26 | 上海昌投网络科技有限公司 | 一种微信公众号是否刷阅读的判断方法及装置 |
CN112668249A (zh) * | 2020-07-17 | 2021-04-16 | 国网山东省电力公司电力科学研究院 | 电网一次设备大修技改方案在线构建方法及系统 |
CN112100711A (zh) * | 2020-08-10 | 2020-12-18 | 南昌大学 | 一种基于arima和pso-elm的混凝土坝变形组合预报模型构建方法 |
CN112039711A (zh) * | 2020-09-08 | 2020-12-04 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN112039711B (zh) * | 2020-09-08 | 2023-03-24 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
WO2022147853A1 (zh) * | 2021-01-11 | 2022-07-14 | 大连理工大学 | 一种基于混合预测模型的复杂装备电源组故障预测方法 |
CN113225824A (zh) * | 2021-04-28 | 2021-08-06 | 辽宁邮电规划设计院有限公司 | 一种基于5g技术的不同业务需求带宽自动分配装置及方法 |
CN116708030A (zh) * | 2023-08-04 | 2023-09-05 | 浙江大学 | 工业边缘计算网关及其协议流量监测方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105376097A (zh) | 网络流量的一种混合预测方法 | |
CN103942457B (zh) | 基于关联向量机回归的水质参数时间序列预测方法 | |
CN104536412B (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
WO2019056499A1 (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
CN104899135A (zh) | 软件缺陷预测方法和系统 | |
CN104408203A (zh) | 一种预测移动对象轨迹终点的方法 | |
CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN104021430A (zh) | 一种城市轨道交通站点客流不确定性分析方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN104361414A (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
Dimitriou et al. | Fuzzy modeling of freeway accident duration with rainfall and traffic flow interactions | |
CN104217258A (zh) | 一种电力负荷条件密度预测方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN108596664B (zh) | 一种电子车票的单边交易费用确定方法、系统及装置 | |
CN106600037A (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN116153125A (zh) | 一种基于ida-rnn模型的空间维度公交到达时间预测方法 | |
CN108364490A (zh) | 城市公路交通系统车辆运行调控方法 | |
CN108877224B (zh) | 一种可进行置信区间估计的短时交通流预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160302 |