混沌理論和LSSVM相結(jié)合的網(wǎng)絡(luò)流量預(yù)測

張文金，許愛軍

廣州鐵路職業(yè)技術(shù)學(xué)院 教育技術(shù)中心，廣州 510430

混沌理論和LSSVM相結(jié)合的網(wǎng)絡(luò)流量預(yù)測

張文金，許愛軍

廣州鐵路職業(yè)技術(shù)學(xué)院 教育技術(shù)中心，廣州 510430

網(wǎng)絡(luò)流量是衡量網(wǎng)絡(luò)運行負荷和狀態(tài)的重要參數(shù)，通過對網(wǎng)絡(luò)流量進行監(jiān)測，可以及時了解網(wǎng)絡(luò)系統(tǒng)運行狀況，因此網(wǎng)絡(luò)流量預(yù)測成為當(dāng)前一個重要研究課題[1]。

目前網(wǎng)絡(luò)流量預(yù)測方法主要有兩類：一類是以時間序列法為代表的傳統(tǒng)預(yù)測方法[2]；另一類是以神經(jīng)網(wǎng)絡(luò)為代表的人工智能預(yù)測方法[3]。傳統(tǒng)時間序列模型只能處理短相關(guān)網(wǎng)絡(luò)流，然而隨著網(wǎng)絡(luò)測量技術(shù)的發(fā)展，網(wǎng)絡(luò)研究人員發(fā)現(xiàn)高速網(wǎng)絡(luò)的業(yè)務(wù)具有長相關(guān)性（相似性），這是傳統(tǒng)方法不能處理的，因此時間序列預(yù)測方法應(yīng)用受限[4]。神經(jīng)網(wǎng)絡(luò)采用經(jīng)驗風(fēng)險最小化準則，要求訓(xùn)練樣本大，易產(chǎn)生過擬合（即泛化能力不強），導(dǎo)致預(yù)測精度下降，且神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜，隱含層節(jié)點數(shù)等難以恰當(dāng)選擇，隨著輸入維數(shù)的增加，神經(jīng)元個數(shù)急劇增加往往導(dǎo)致“維數(shù)災(zāi)”難題，這些都大大限制了神經(jīng)網(wǎng)絡(luò)應(yīng)用[5]。支持向量機（Support Vector Machine，SVM）是一種基于結(jié)構(gòu)風(fēng)險最小化原則的人工智能學(xué)習(xí)算法，較好地解決了小樣本、非線性、高維數(shù)和局部極小點等實際問題，廣泛應(yīng)用于網(wǎng)絡(luò)流量的預(yù)測領(lǐng)域[6-7]。但SVM預(yù)測性能不僅與自身參數(shù)相關(guān)，還與網(wǎng)絡(luò)流量的訓(xùn)練樣本相關(guān)，當(dāng)前主要采用人為確定訓(xùn)練樣本的輸入和輸出矩陣，采用均方根誤差對模型的逼近能力和預(yù)測效果進行評價，該方法的不足之處是訓(xùn)練樣本選取缺乏理論指導(dǎo)，一旦選定就只能通過預(yù)測值與真實值之間的誤差來反復(fù)修正模型，直到模型達到滿意的預(yù)測精度，導(dǎo)致訓(xùn)練時間長，容易產(chǎn)生過擬合現(xiàn)象[8]。……