基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。     

融合帧差循环控制的网络流量监测模型仿真

提出一种融合帧差循环控制的网络流量监测模型,分析了网络流量在网络空间中的数据分布结构,进行网络流量的信号模型时间序列分析,采用融合帧差循环控制方法进行流量信息调度,实现流量的准确预测。仿真结果表明,利用该模型进行网络流量预测精度较高,对异常流量的挖掘准确性较好,可提高网络流量的检测能力。     

基于ARIMA模型的网络流量预测研究

网络流量是局域网和广域网的重要特征之一,本文首先利用SPSS软件对校园网出口处IP分组进行了统计分析,进而使用ARIMA模型对网络的流量进行预测,并和实测流量数据进行比较,结果表明该模型对短期流量预测能够达到比较好的效果,     

基于非线性时间序列分析的网络流量预测

通过对网络流量的准确预测,实现流量的宏观调控和自适应调节,可避免网络拥堵。传统方法对网络流量的预测采用线性信号分析方法,而忽略了网络流量的非线性耦合特性,对流量的预测精度不高。提出一种基于线性时间序列分析的网络流量预测算法。仿真实验表明,采用该算法进行网络流量预测,能有效提高预测精度,并具有较强的稳定性和抗干扰性,具有较好的应用价值。     

组合模型在我国GDP预测中的应用

将组合预测法应用于我国GDP的预测,以提高预测精度.通过赋予合理权重,将指数平滑模型、拟合模型、ARIMA模型和支持向量回归模型加权组合.对各模型进行平均绝对百分误差(MAPE)、均方根误差(RESE)和希尔不等系数(TheilIC)等指标的比较,证明单一模型经过组合能够提高预测精度.     

Stacking集成学习在销售预测中的应用

销售预测在公司的生产和管理中尤为重要,影响着公司的计划、生产、物流、销售等各方面.为突破单一模型在销售预测中的局限性,提出一种基于Stacking集成算法的销售预测组合模型.首先结合历史销售数据构造新特征,再利用相关性分析进行特征选择,提高模型性能和可解释性,最后以随机森林、BP神经网络、Prophet算法为基学习器,...     

基于支持向量机的网络流量识别模型

针对网络流量识别问题,提出一种基于支持向量机（SVM）的网络流量识别模型。首先通过流量特征提取模块,提取适合在支持向量机中识别网络流量的6个主要特征。对数据进行清洗、预处理以及训练和学习,从而实现整个基于SVM的网络流量识别系统。实验结果表明,经过交叉检验选择参数后,再用支持向量机模型进行训练和学习,可以取得较好的分类效果。     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。     

基于数据挖掘的网络流量预测研究

为提高网络流量预测的效率和准确性,提出基于数据挖掘的网络流量动态预测方法。在对网络流量数据进行相空重构的基础上,采用基于神经网络的数据挖掘方法实现流量动态预测。实验表明：这种方法有较好的预测精度,为网络性能异常的预警行为研究奠定良好的基础。     

基于灰色模型和指数平滑的统计组合预测方法

指数平滑预测和离散灰色模型是两类不同特点的预测方法.考虑到单项预测方法的局限性,提出了利用指数平滑预测和离散灰色模型的统计组合预测方法;进一步利用相关系数这一相关性指标确定组合预测模型的权系数;最后通过一个应用实例分析了统计组合预测方法的预测精度,并说明了该方法的有效性和可行性.