基于WA-ELM的网络流量混沌预测模型

胡竟伟

Chinese

您当前的位置：

首页 >

文章列表页 >

基于WA-ELM的网络流量混沌预测模型

更新时间：2026-09-04

- 基于WA-ELM的网络流量混沌预测模型
- Network Traffic Prediction Based on Wavelet Transform and Extreme Learning Machine
- 微电子学与计算机 2017年34卷第6期页码：132-136
- 作者机构：
  
  河套学院机构理学系, 内蒙古巴彦淖尔,015000
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
胡竟伟. 基于WA-ELM的网络流量混沌预测模型[J]. 微电子学与计算机, 2017, 34(6): 132-136.

HU Jing-wei. Network Traffic Prediction Based on Wavelet Transform and Extreme Learning Machine[J]. 2017, 34(6): 132-136.
胡竟伟. 基于WA-ELM的网络流量混沌预测模型[J]. 微电子学与计算机, 2017, 34(6): 132-136. DOI：

HU Jing-wei. Network Traffic Prediction Based on Wavelet Transform and Extreme Learning Machine[J]. 2017, 34(6): 132-136. DOI：

摘要

针对当前网络流量预测模型存在的缺陷

结合网络流量的混沌特性

提出了小波变换和极限学习机的网络流量预测模型(WA-ELM).首先采用小波变换对网络流量时间序列进行处理

得到不同频率特征的分量

并对各特征分量进行相空间重构

然后采用极限学习机对网络流量各分量进行建模与预测

并对网络流量分量的预测值进行小波重构

得到原始网络流量的预测值

最后采用具体网络流量预测结果进行了验证

并与其他模型进行了对照测试.结果表明

WA-ELM获得了比其他模型更高的网络流量预测精度

而且网络流量的预测结果更加稳定

为网络流量提供了一种新的建模工具.

Abstract

Aiming at the defects of the current network traffic prediction model

a novel network traffic prediction model based on wavelet transform and extreme learning machine is proposed. At first

wavelet transform is used to process time series of network traffic to get different frequency components

and each feature is used to be reconstructed by phase space

and secondly extreme learning machine is used to model and predict network traffic of each component

and predicted value of each component are reconstructed by traffic by wavelet transform to get network traffic prediction results

at last

the performance is tested by network traffic data and compared with other models The results show that the proposed model can get higher accurate prediction results than other models

and the prediction results of network traffic are more stable

it provides modeling tool for network traffic.

关键词

Keywords

references

Silva C G. Time series forecasting with a nonlinear model and the scatter search met heuristic[J]. Information Sciences, 2008, 178(16): 3288-3299. DOI: 3288

Jin Yi, Zhou Gan. Theoretical mean-variance relationship of IP network traffic based on ON/OFF model[J]. Sci China Inf Sci, 2009, 52(4): 645-655. DOI: 645

姜明, 吴春明, 张曼, 等. 网络流量预测中的时间序列模型比较研究[J]. 电子学报, 2009, 37(11): 2353-2358. DOI: 2353

李士宁, 闫焱, 覃征. 基于FARIMA模型的网络流量预测[J]. 计算机工程与应用, 2006, 42(29): 148-150. DOI: 148

Callado A, Keu R J, Sadok D, et al. Better network traffic identification through the independent combination of techniques[J]. Journal of Network and Computer Applications, 2010, 33(4): 433-446. DOI: 433

刘渊, 王鹏. 融合小波变换与贝叶斯LS-SVM的网络流量预测[J]. 计算机应用研究, 2009, 26(6): 2229-2231. DOI: 2229

Nguyen T T, Armitage G. A survey of techniques for internet traffic classification using machine learning[J]. IEEE Communications Surveys and Tutorials, 2008, 10(4): 56-76. DOI: 56

张东娟, 丁煜函, 刘国海, 等. 基于改进极限学习机的软测量建模方法[J]. 计算机工程与应用, 2012, 48(20): 51-54. DOI: 51

田妮莉, 喻莉. 一种基于小波变换和FIR神经网络的广域网网络流量预测模型[J]. 电子与信息学报, 2008, 30(10): 2549-2555. DOI: 2549

马华林, 李翠凤, 张立燕. 基于灰色模型和自适应过滤的网络流量预测[J]. 计算机工程, 2009, 35(1): 130-131. DOI: 130

陈伟, 吴介军, 段渭军. 基于小波分解和SVM的城市大气污染浓度预测[J]. 现代电子技术, 2011, 34(13): 145-148. DOI: 145

高光勇, 蒋国平. 采用优化极限学习机的多变量混沌时间序列预测[J]. 物理学报, 2012, 61(4): 1-9. DOI: 1

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种用于极低压boost系统的高效率电荷泵

基于多尺度融合与小目标增强的航拍车辆检测算法

基于监控指标关联性的微服务异常检测

大模型发展综述：从BERT到Deepseek的技术演进

V型沟槽SiC中子探测器的蒙特卡洛分析