网络流量预测
网络流量预测的相关文献在2004年到2022年内共计284篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、电工技术
等领域,其中期刊论文94篇、会议论文3篇、专利文献492989篇;相关期刊66种,包括科学技术与工程、通信学报、现代电子技术等;
相关会议3种,包括2012全国高性能计算学术年会、2011年江苏省人工智能学术会议、2005全国自动化新技术学术交流会等;网络流量预测的相关文献由743位作者贡献,包括潘成胜、石怀峰、朱江等。
网络流量预测—发文量
专利文献>
论文:492989篇
占比:99.98%
总计:493086篇
网络流量预测
-研究学者
- 潘成胜
- 石怀峰
- 朱江
- 杜秀丽
- 范志宇
- 邱少明
- 刘楠
- 刘渊
- 周剑
- 唐宏
- 尤肖虎
- 张旭
- 潘志文
- 王春枝
- 严灵毓
- 刘丹
- 刘庆利
- 司增辉
- 吕亚娜
- 吴润泽
- 姚立霜
- 孔志翔
- 孙强
- 徐佳璐
- 徐先杰
- 曾庆田
- 段华
- 白光伟
- 肖甫
- 裴作飞
- 邵睿
- 郭少勇
- 陈赓
- 刘畅
- 吕朋朋
- 吴伟民
- 吴汪洋
- 孙黎
- 张杰
- 张润彤
- 时鸿涛
- 李丹丹
- 李泽熊
- 李潇
- 李肯立
- 杨力
- 杨杨
- 沈航
- 王钰玥
- 闵洁
-
-
李子乔;
陈华亮
-
-
摘要:
准确高效的预测人流多变场景的移动网络流量,既可以保障网络安全稳定运行,又可以帮助运营商提前做好资源调度和分配。针对大型商场等人流多变场景移动网络流量预测问题,提出一种基于相空间重构的PSO-SVM预测方法。具体的,将网络流量数据进行预处理,通过相空间重构的方法构建学习样本,并采用支持向量机(SVM)对学习样本进行预测。同时,利用粒子群算法(PSO)、遗传算法(GA)和交叉验证优化支持向量机中的参数,得到SVM的最佳优化方案。实验结果表明,经相空间重构后的PSO-SVM模型具有较好的预测性能。
-
-
杜秀丽;
范志宇;
吕亚娜;
邱少明
-
-
摘要:
针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差、难以充分挖掘整个网络流量特征等问题,提出一种基于双向长短期记忆循环神经网络的网络流量预测方法,以提高网络流量预测的准确性。对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整地学习到网络流量的整体特征。仿真实验结果表明,改进后的方法相比原方法具有更好的预测效果。
-
-
李笑雪;
蒋澄杰;
马册;
安津石;
阙佳雄
-
-
摘要:
准确的流量预测提升通信网络技能、改善通信网络管理具有重要意义。考虑到长短期记忆(Long ShortTerm Memory,LSTM)神经网络可解决长序列数据在训练过程中的存在梯度消失问题,采用LSTM作为长期流量预测的基准模型,为提高模型准确性,在LSTM模型的基础上,引入Attention机制(Attention mechanism,AM),通过映射加权和学习参数矩阵赋予LSTM隐含状态不同的权重,减少历史信息的丢失并加强重要信息的影响作用,以完成流量的预测。
-
-
张家晨;
左兴权;
黄海;
韩静;
张百胜
-
-
摘要:
传统网络流量预测方法大多数关注短期预测,而长期预测能够更好地指导基站小区无线设备扩缩容。集合经验模态分解(ensemble empirical mode decomposition,EEMD)能够使非平稳时间序列转化成平稳时间序列,Prophet模型能够准确地对流量序列进行较准确的长期预测,基于以上模型方法的优点和基站小区网络流量的非线性和非平稳性特点,提出一种Prophet混合EEMD的基站小区网络流量预测方法(E-Prophet)。采用EEMD将网络流量序列分解成若干固有模态函数(intrinsic mode functions,IMF)分量和一个残差分量;利用Prophet模型对各分量建模,并将各分量预测结果进行线性组合,得到最终的预测结果。利用实际基站小区网络流量数据对方法进行验证,结果表明:E-Prophet对于网络流量长期预测比Prophet、SARIMA、LSTM以及结合EMD和Prophet的模型具有更高的准确度和鲁棒性。
-
-
郑晓亮;
陈华亮;
来文豪
-
-
摘要:
准确预测移动网络流量,不仅可以保障互联网络安全稳定运行,还可以给运营商的资源调度做参照,使运营商能合理分配网络资源。采用参数优化的支持向量回归(SVR)进行网络流量预测研究。原始数据为淮南移动2019年1月1日至5月15日吾悦广场的流量数据,数据采集粒度为15分钟;为了寻找一种SVR的最佳优化方案,将粒子群优化(Particle Swarm Optimization,PSO)、差分灰狼优化(Differential Evolution-Grey Wolf Optimizer,DE-GWO)、布谷鸟搜索(Cuckoo Search,CS)算法用于SVR的参数寻优;同时将基本的手动调参的SVR用于流量预测对比。实验结果表明,DE-GWO参数优化的SVR具有较好的预测性能。
-
-
靳明飞
-
-
摘要:
在网络信息化高速发展的时代,网络流量数据拥有许多利用价值,其具有高噪声、不稳定等特点,导致对其预测难度较高。本文通过基于多项式修正的LSTM模型设计取自CICIDS的网络流量数据集进行多次的有效特征提取,利用多项式拟合的方式来修正不同LSTM模型提取出的特征权重。预测结果表明,此方法在保证预测的有效性和可靠性的基础上,能够并行训练不同模型的特征提取,避免了复杂网络中常见的“梯度消失或梯度爆炸”等因素引起的训练效果不佳的问题。
-
-
虞丰檑;
徐展琦;
张林杰;
杜爽
-
-
摘要:
网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经网络和长短期记忆神经网络的模型原理,通过分析这些神经网络预测不同时间尺度的网络流量结果,可总结其预测性能与优缺点,为基于神经网络的故障预测和故障定位的学术研究和实际应用提供技术支撑.
-
-
康梦轩;
宋俊平;
范鹏飞;
高博文;
周旭;
李琢
-
-
摘要:
精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求.以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景.最后对网络流量预测未来发展进行了展望.
-
-
朱江;
潘成胜;
孔志翔;
石怀峰
-
-
摘要:
针对网络流量具有多分形特点,传统的网络流量预测模型存在无法有效提取流量在不同时间尺度下的不同特性缺陷,提出一种基于Prophet模型融合粗细粒度特征提取的网络流量预测模型.首先利用Prophet模型将网络流量序列分解成非线性项及附加项;然后对这两项分别建立Prophet模型、卷积神经网络(CNN)和基于注意力机制(Attention)的长短期记忆网络(LSTM)模型进行预测;最后将各部分的预测结果集合得到网络流量最终的预测结果.相比于传统的LSTM模型,所提出的模型在平均绝对百分比误差(MAPE)和决定系数(R2)这两个评价指标上效果分别优化了25.3%、0.106,在预测精度和预测速度上都有所提升.
-
-
-
WU Jun;
吴俊;
LI Yun-han;
黎云汉
- 《2012全国高性能计算学术年会》
| 2012年
-
摘要:
传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低.本文采用蚁群算法优化RBF神经网络参数来进行网络流量预测.利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力.实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,本文模型预测准确度更高,能够很好地描述网络流的变化规律.具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值.
-
-
章治
- 《2011年江苏省人工智能学术会议》
| 2011年
-
摘要:
提出一种组合神经网络的网络流量预测模型。首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度。仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景。
-
-
桂晓琳;
许向阳
- 《2005全国自动化新技术学术交流会》
| 2005年
-
摘要:
为了能对网络进行更好的控制,避免网络拥塞的发生;提高网络服务的质量,本文针对网络的实性时性要求设计了一个用于预测网络流量的8输入4输出的Elman回归型人工神经网络.Elman神经网络具有实性时好,并且不需要对网络进行精确的数学建模的优点.通过仿真,可以看出该网络可以对网络流量进行较准确的预测.