网络流量预测中基于群智能优化的svm模型

《网络流量预测中基于群智能优化的svm模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江工业大学硕士学位论文网络流量预测中基于群智能优化的SVM模型摘要近年来网络通信技术飞速发展，网络开始承载越来越多的应用服务，这对网络的服务质量、流量控制和网络管理均提出了很高的要求。网络流量的分析与预测对于大规模网络容量规划、网络设备设计、网络资源管理及用户行为调节等都有积极意义，高质量的网络流量预测越来越显得重要和迫切。本文以流量特性分析为出发点，对网络流量的特征模型及其预测方法进行相关研究。论文的主要工作归纳如下：1．分析并综合讨论了获取真实网络流量的途径，探讨了样本中异常数据的预处理问题，为网络流量预测模型的建立提供可靠依据。2．对真实的网络流量的突发性、长相关、周期性和混沌性等

2、特性进行分析，在此基础上对现有的网络流量预测模型进行总结，对比分析了各预测模型的优势和不足。针对网络流量的复杂特性，利用小波变换对网络流量进行处理，提取出网络流量的不同特性，以便分别建模。3．针对量子粒子群优化算法(Quantum．BehavedParticleSwarmOptimization，QPSO)在处理复杂多极值问题时易陷入局部最优，收敛速度慢和精度低的缺陷，提出一种极值扰动和混沌搜索相结合的量子粒子群优化算法(Quantum．BehavedParticleSwarmOptimizationwithExtremumDisturbanceandChaoticSearching，DC

3、QPSO)。利用极值扰动来帮助粒子快速跳出局部最优，利用混沌搜索来增强粒子群的局部搜索能力。实验结果表明，DCQPSO在摆脱局部最优的能力、收敛速度和精度上都大大优于基本QPSO。然后利用DCQPSO来优选支持向量机(SupportVectorMachine，SVM)参数，仿真示例验证了DCQPSO在优选SVM参数的可行性和有效性。4．针对网络流量的复杂特性和现有模型的缺陷，提出一种基于小波变换和优化的SVM的网络流量预测模型(WaOSVM)。首先选择合适的小波基和分解级数对网络流量进行无抽取小波分解得到小波系数和尺度系数，然后选取适当核函数的SVM分别进行预测，浙江工业大学硕士学位论文其

4、中SVM的参数用DCQPSO进行优化，最后将各预测结果进行小波重构得到最终预测结果。对粗时间粒度和细时间粒度的网络流量分别进行实验，并与其它一些预测模型进行对比，验证了模型的有效性。5．最后，对本文的研究工作进行了总结，并对网络流量预测的进一步研究提出一些展望。关键词：网络流量预测，Trous小波变换，支持向量机，参数优化，量子粒子群优化浙江工业大学硕士学位论文ASUPPoI门：'VECToR№～CHD叮EMoDELBASEDoNSⅥ，ARMALGoRITHMoPTIMlZATIoNINNETWORKTRAFFICPREDICTIoNABSTRACTWiththerapiddevelopm

5、entofthenetworkcommunicationtechnology,thenetworkiscarryingmoreandmoreapplicationservice．Itrequireshigherqualityofnetworkservice，trafficcontrolandnetworkmanagement．Networktrafficanalysisandpredictionhavesignificantmeaningsforlarge—scalenetworkcapacityplanning，networkequipmentdesign，networkresource

6、managementanduserbehaviorregulation．Trafficprediction诵thhighqualityisgettingmoreandmoreimportantandexigent．Therefore，startingWiththeanalysisofnetworktraffic，thecharacteristicmodelsandpredictionmethodsofnetworktrafficarestudiedinthispaper．Mainworksofthispaperaresummarizedasfollows．1．Summarizestheva

7、riousapproachestoobtaintruenetworktraffic．Thepre-processingoftheabnormaldatainthesampleisdiscussed．Itprovidesareliablefoundationfortheestablishmentofnetworktrafficpredictionmodel．2．Theburstiness，long—rangedepende