搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

孟庆芳 陈月辉 冯志全 王枫林 陈珊珊

引用本文:
Citation:

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

孟庆芳, 陈月辉, 冯志全, 王枫林, 陈珊珊

Nonlinear prediction of small scale network traffic based on local relevance vector machine regression model

Meng Qing-Fang, Chen Yue-Hui, Feng Zhi-Quan, Wang Feng-Lin, Chen Shan-Shan
PDF
导出引用
  • 基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的.
    Based on the nonlinear time series local prediction method and the relevance vector machine regression model, the local relevance vector machine prediction method is proposed and applied to predict the small scale traffic measurement data, and the BIC-based neighbor point selection method is used to choose the number of nearest-neighbor points for the local relevance vector machine regression model. We also compare the performance of the local relevance vector machine regression model with the feed-forward neural network optimized by particle swarm optimization for the same problem. Experimental results show that the local relevance vector machine prediction method whose neighboring points have been optimized can effectively predict the small scale traffic measurement data, can reproduce the statistical features of real small scale traffic measurements, and the prediction accuracy of the local relevance vector machine regression model is superior to that of the feedforward neural network optimized by PSO and the local linear prediction method.
    • 基金项目: 国家自然科学基金(批准号: 61201428, 61070130, 61173079);山东省自然科学基金(批准号: ZR2010FQ020, ZR2011FZ003);山东省优秀中青年科学家科研奖励基金(批准号: BS2009SW003)和中国博士后科学基金(批准号: 20100470081)资助的课题.
    • Funds: Project supported by the National Natural Science Foundation of China (Grant Nos. 61201428, 61070130, 61173079), the Natural Science Foundation of Shandong Province, China (Grant Nos. ZR2010FQ020, ZR2011FZ003), the Shandong Distinguished Middle-aged and Young Scientist Encourage and Reward Foundation, China (Grant No. BS2009SW003), and the China Postdoctoral Science Foundation (Grant No. 20100470081).
    [1]

    Orosz G, Krauskopf B, Wilson R E 2005 Physica D 211 277

    [2]

    Orosz G, Wilson R E, Krauskopf B 2004 Phys. Rev. E 70 026207

    [3]

    Gasser I, Sirito G, Werner B 2004 Physica D 197 222

    [4]

    Doulamis A D, Doulamis N D, Kollias S D 2003 IEEE Trans. on Neur. Netw. 14 150

    [5]

    Xie Y B, Wang W X, Wang B H 2007 Phys. Rev. E 75 026111

    [6]

    Zhang Z L, Ribeiro V J, Mooon S, Diot C 2003 IEEE INFOCOM 3 1826

    [7]

    Uglig S 2004 ACM SIGCOMM computer communications review 34

    [8]

    Kantz H, Schreiber T 2003 Nonlinear Time Series Analysis (Second Edition) (Cambridge: Cambridge University Press)

    [9]

    Small M, Tse C K 2002 Phys. Rev. E 66 066701

    [10]

    Karunasinghe D S K, Liong S Y 2006 Journal of Hydrology 323 92

    [11]

    Ma Q L, Zheng Q L, Peng H, Zhong T W, Qin J W 2008 Chin. Phys. B 17 536

    [12]

    Ma Q L, Zheng Q L, Peng H, Qin J W 2009 Acta Phys. Sin. 58 1410 (in Chinese) [马千里, 郑启伦, 彭宏, 覃姜维 2009 物理学报 58 1410]

    [13]

    Liu H, Liu D, Deng L F 2006 Chin. Phys. 15 1196

    [14]

    Chen Q, Ren X M 2010 Acta Phys. Sin. 59 2310 (in Chinese) [陈强, 任雪梅 2010 物理学报 59 2310]

    [15]

    Farmer J D, Sidorowich J J 1987 Phys. Rev. Lett. 59 845

    [16]

    Giona M, Lentini F, Cimagalli V 1991 Phys. Rev. A 44 3496

    [17]

    Kugiumtzis D, Lingjarde O C, Christophersen N 1998 Physica D 112 344

    [18]

    Ragwitz M, Kantz H 2002 Phys. Rev. E 65 056201

    [19]

    Meng Q F, Peng Y H 2007 Phys. Lett. A 370 465

    [20]

    Li H C, Zhang J S 2005 Chin. Phys. Lett. 22 2776

    [21]

    Zhang J S, Dang J L, Li H C 2007 Acta Phys. Sin. 56 67 (in Chinese) [张家树, 党建亮, 李恒超 2007 物理学报 56 67]

    [22]

    Du J, Cao Y J, Liu Z J, Xu L J, Jiang Q Y, Guo C X, Lu J G 2009 Acta Phys. Sin. 58 5997 (in Chinese) [杜杰, 曹一家, 刘志坚, 徐立中, 江全元, 郭创新, 陆金桂 2009 物理学报 58 5997]

    [23]

    Meng Q F, Peng Y H, Qu H J, Han M 2008 Acta Phys. Sin. 57 1423 (in Chinese) [孟庆芳, 彭玉华, 曲怀敬, 韩民 2008 物理学报 57 1423]

    [24]

    Shang P, Li X, Kamae S 2005 Chaos Solitons Fractals 25 121

    [25]

    Shang P, Li X, Kamae S 2006 Phys. Lett. A 357 314

    [26]

    Akritas P, Akishin P G, Antoniou I, Bonushkina A Y, Drossinos I 2002 Chaos Solit. and Frac. 14 595

    [27]

    Chen Y H, Yang B, Dong J W, Abraham A 2005 Information Sciences 174 219

    [28]

    Chen Y H, Yang B, Abraham A 2007 Neurocomputing 70 697

    [29]

    Chen Y H, Yang B, Meng Q F 2012 Applied Soft Computing 12 274

    [30]

    Tipping M E 2001 Journal of Machine Learning Research 3 211

    [31]

    Zio E, Maio F D 2012 Expert Systems with Applications 39 10681

    [32]

    Han M, Zhao Y, Yang X L, Lin D 2011 Control Theory and Applications 28 343 (in Chinese) [韩敏, 赵耀, 杨溪林, 林东 2011 控制理论与应用 28 343]

  • [1]

    Orosz G, Krauskopf B, Wilson R E 2005 Physica D 211 277

    [2]

    Orosz G, Wilson R E, Krauskopf B 2004 Phys. Rev. E 70 026207

    [3]

    Gasser I, Sirito G, Werner B 2004 Physica D 197 222

    [4]

    Doulamis A D, Doulamis N D, Kollias S D 2003 IEEE Trans. on Neur. Netw. 14 150

    [5]

    Xie Y B, Wang W X, Wang B H 2007 Phys. Rev. E 75 026111

    [6]

    Zhang Z L, Ribeiro V J, Mooon S, Diot C 2003 IEEE INFOCOM 3 1826

    [7]

    Uglig S 2004 ACM SIGCOMM computer communications review 34

    [8]

    Kantz H, Schreiber T 2003 Nonlinear Time Series Analysis (Second Edition) (Cambridge: Cambridge University Press)

    [9]

    Small M, Tse C K 2002 Phys. Rev. E 66 066701

    [10]

    Karunasinghe D S K, Liong S Y 2006 Journal of Hydrology 323 92

    [11]

    Ma Q L, Zheng Q L, Peng H, Zhong T W, Qin J W 2008 Chin. Phys. B 17 536

    [12]

    Ma Q L, Zheng Q L, Peng H, Qin J W 2009 Acta Phys. Sin. 58 1410 (in Chinese) [马千里, 郑启伦, 彭宏, 覃姜维 2009 物理学报 58 1410]

    [13]

    Liu H, Liu D, Deng L F 2006 Chin. Phys. 15 1196

    [14]

    Chen Q, Ren X M 2010 Acta Phys. Sin. 59 2310 (in Chinese) [陈强, 任雪梅 2010 物理学报 59 2310]

    [15]

    Farmer J D, Sidorowich J J 1987 Phys. Rev. Lett. 59 845

    [16]

    Giona M, Lentini F, Cimagalli V 1991 Phys. Rev. A 44 3496

    [17]

    Kugiumtzis D, Lingjarde O C, Christophersen N 1998 Physica D 112 344

    [18]

    Ragwitz M, Kantz H 2002 Phys. Rev. E 65 056201

    [19]

    Meng Q F, Peng Y H 2007 Phys. Lett. A 370 465

    [20]

    Li H C, Zhang J S 2005 Chin. Phys. Lett. 22 2776

    [21]

    Zhang J S, Dang J L, Li H C 2007 Acta Phys. Sin. 56 67 (in Chinese) [张家树, 党建亮, 李恒超 2007 物理学报 56 67]

    [22]

    Du J, Cao Y J, Liu Z J, Xu L J, Jiang Q Y, Guo C X, Lu J G 2009 Acta Phys. Sin. 58 5997 (in Chinese) [杜杰, 曹一家, 刘志坚, 徐立中, 江全元, 郭创新, 陆金桂 2009 物理学报 58 5997]

    [23]

    Meng Q F, Peng Y H, Qu H J, Han M 2008 Acta Phys. Sin. 57 1423 (in Chinese) [孟庆芳, 彭玉华, 曲怀敬, 韩民 2008 物理学报 57 1423]

    [24]

    Shang P, Li X, Kamae S 2005 Chaos Solitons Fractals 25 121

    [25]

    Shang P, Li X, Kamae S 2006 Phys. Lett. A 357 314

    [26]

    Akritas P, Akishin P G, Antoniou I, Bonushkina A Y, Drossinos I 2002 Chaos Solit. and Frac. 14 595

    [27]

    Chen Y H, Yang B, Dong J W, Abraham A 2005 Information Sciences 174 219

    [28]

    Chen Y H, Yang B, Abraham A 2007 Neurocomputing 70 697

    [29]

    Chen Y H, Yang B, Meng Q F 2012 Applied Soft Computing 12 274

    [30]

    Tipping M E 2001 Journal of Machine Learning Research 3 211

    [31]

    Zio E, Maio F D 2012 Expert Systems with Applications 39 10681

    [32]

    Han M, Zhao Y, Yang X L, Lin D 2011 Control Theory and Applications 28 343 (in Chinese) [韩敏, 赵耀, 杨溪林, 林东 2011 控制理论与应用 28 343]

  • [1] 田中大, 高宪文, 石彤. 用于混沌时间序列预测的组合核函数最小二乘支持向量机. 物理学报, 2014, 63(16): 160508. doi: 10.7498/aps.63.160508
    [2] 唐舟进, 彭涛, 王文博. 一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法. 物理学报, 2014, 63(13): 130504. doi: 10.7498/aps.63.130504
    [3] 赵永平, 张丽艳, 李德才, 王立峰, 蒋洪章. 过滤窗最小二乘支持向量机的混沌时间序列预测. 物理学报, 2013, 62(12): 120511. doi: 10.7498/aps.62.120511
    [4] 于艳华, 宋俊德. 基于信息冗余检验的支持向量机时间序列预测自由参数选取方法. 物理学报, 2012, 61(17): 170516. doi: 10.7498/aps.61.170516
    [5] 宋彤, 李菡. 基于小波回声状态网络的混沌时间序列预测. 物理学报, 2012, 61(8): 080506. doi: 10.7498/aps.61.080506
    [6] 李鹤, 杨周, 张义民, 闻邦椿. 基于径向基神经网络预测的混沌时间序列嵌入维数估计方法. 物理学报, 2011, 60(7): 070512. doi: 10.7498/aps.60.070512
    [7] 杜杰, 曹一家, 刘志坚, 徐立中, 江全元, 郭创新, 陆金桂. 混沌时间序列的局域高阶Volterra滤波器多步预测模型. 物理学报, 2009, 58(9): 5997-6005. doi: 10.7498/aps.58.5997
    [8] 孟庆芳, 彭玉华, 曲怀敬, 韩 民. 基于信息准则的局域预测法邻近点的选取方法. 物理学报, 2008, 57(3): 1423-1430. doi: 10.7498/aps.57.1423
    [9] 张军峰, 胡寿松. 基于多重核学习支持向量回归的混沌时间序列预测. 物理学报, 2008, 57(5): 2708-2713. doi: 10.7498/aps.57.2708
    [10] 王革丽, 杨培才, 毛宇清. 基于支持向量机方法对非平稳时间序列的预测. 物理学报, 2008, 57(2): 714-719. doi: 10.7498/aps.57.714
    [11] 蔡俊伟, 胡寿松, 陶洪峰. 基于选择性支持向量机集成的混沌时间序列预测. 物理学报, 2007, 56(12): 6820-6827. doi: 10.7498/aps.56.6820
    [12] 张家树, 党建亮, 李恒超. 时空混沌序列的局域支持向量机预测. 物理学报, 2007, 56(1): 67-77. doi: 10.7498/aps.56.67
    [13] 于振华, 蔡远利. 基于在线小波支持向量回归的混沌时间序列预测. 物理学报, 2006, 55(4): 1659-1665. doi: 10.7498/aps.55.1659
    [14] 胡玉霞, 高金峰. 一种预测混沌时间序列的模糊神经网络方法. 物理学报, 2005, 54(11): 5034-5038. doi: 10.7498/aps.54.5034
    [15] 叶美盈, 汪晓东, 张浩然. 基于在线最小二乘支持向量机回归的混沌时间序列预测. 物理学报, 2005, 54(6): 2568-2573. doi: 10.7498/aps.54.2568
    [16] 崔万照, 朱长纯, 保文星, 刘君华. 基于模糊模型支持向量机的混沌时间序列预测. 物理学报, 2005, 54(7): 3009-3018. doi: 10.7498/aps.54.3009
    [17] 雷 明, 韩崇昭, 郭文艳, 文小琴. 非线性时间序列的小波分频预测. 物理学报, 2005, 54(5): 1988-1993. doi: 10.7498/aps.54.1988
    [18] 王宏伟, 马广富. 基于模糊模型的混沌时间序列预测. 物理学报, 2004, 53(10): 3293-3297. doi: 10.7498/aps.53.3293
    [19] 崔万照, 朱长纯, 保文星, 刘君华. 混沌时间序列的支持向量机预测. 物理学报, 2004, 53(10): 3303-3310. doi: 10.7498/aps.53.3303
    [20] 张家树, 肖先赐. 混沌时间序列的自适应高阶非线性滤波预测. 物理学报, 2000, 49(7): 1221-1227. doi: 10.7498/aps.49.1221
计量
  • 文章访问数:  3695
  • PDF下载量:  971
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-01-10
  • 修回日期:  2013-04-24
  • 刊出日期:  2013-08-05

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

  • 1. 济南大学信息科学与工程学院, 济南 250022; 山东省网络环境智能计算技术重点实验室, 济南 250022
    基金项目: 国家自然科学基金(批准号: 61201428, 61070130, 61173079);山东省自然科学基金(批准号: ZR2010FQ020, ZR2011FZ003);山东省优秀中青年科学家科研奖励基金(批准号: BS2009SW003)和中国博士后科学基金(批准号: 20100470081)资助的课题.

摘要: 基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的.

English Abstract

参考文献 (32)

目录

    /

    返回文章
    返回