计算机应用与软件
計算機應用與軟件
계산궤응용여연건
COMPUTER APPLICATIONS AND SOFTWARE
2014年
6期
72-74,83
,共4页
流量预测%整体平均经验模态分解%RBF神经网络
流量預測%整體平均經驗模態分解%RBF神經網絡
류량예측%정체평균경험모태분해%RBF신경망락
Traffic forecast%Ensemble empirical mode decomposition%RBF neural network
网络流量预测对于网络性能和服务质量的提高具有重要意义.提出一种基于整体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与径向基函数RBF(Radial Basis Function)神经网络的预测模型,利用EEMD将长相关流量转化为短相关流量并应用RBF神经网络模型对流量数据进行建模及预测,不仅降低了算法的复杂度,而且有利于网络流量的实时预测.仿真试验结果表明,相比于自回归分数综合滑动平均模型FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF神经网络模型及EMD(Empirical Mode Decomposition)与自回归滑动平均模型ARMA(AutoRegressive Moving Average Model),该模型具有更高的预测精度和良好的自适应性.
網絡流量預測對于網絡性能和服務質量的提高具有重要意義.提齣一種基于整體平均經驗模態分解EEMD(Ensemble Empirical Mode Decomposition)與徑嚮基函數RBF(Radial Basis Function)神經網絡的預測模型,利用EEMD將長相關流量轉化為短相關流量併應用RBF神經網絡模型對流量數據進行建模及預測,不僅降低瞭算法的複雜度,而且有利于網絡流量的實時預測.倣真試驗結果錶明,相比于自迴歸分數綜閤滑動平均模型FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF神經網絡模型及EMD(Empirical Mode Decomposition)與自迴歸滑動平均模型ARMA(AutoRegressive Moving Average Model),該模型具有更高的預測精度和良好的自適應性.
망락류량예측대우망락성능화복무질량적제고구유중요의의.제출일충기우정체평균경험모태분해EEMD(Ensemble Empirical Mode Decomposition)여경향기함수RBF(Radial Basis Function)신경망락적예측모형,이용EEMD장장상관류량전화위단상관류량병응용RBF신경망락모형대류량수거진행건모급예측,불부강저료산법적복잡도,이차유리우망락류량적실시예측.방진시험결과표명,상비우자회귀분수종합활동평균모형FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF신경망락모형급EMD(Empirical Mode Decomposition)여자회귀활동평균모형ARMA(AutoRegressive Moving Average Model),해모형구유경고적예측정도화량호적자괄응성.
