最优训练样本子集的LSSVM网络流量预测.pdfVIP

第32卷第2期 计算机应用与软件 Vol_32 No．2 2015年 2月 ComputerApplicationsandSoftware Feb．2015 最优训练样本子集的 LSSVM 网络流量预测 张运涛 邢 晨 (浙江水利水电学院计算机与信息工程系 浙江 杭州 310018) 摘 要 训练样本选取对最小二乘支持向量机(LSSVM)的泛化能力有较大影响，为了提高网络流量预测精度，提出一种最优训 练样本子集的LSSVM网络流量预测模型(IFCM—LSSVM)。首先采用密度方法识别和剔除网络流量数据中的孤立点，消除孤立点对 模糊均值聚类(FCM)聚类结果的不利影响；然后采用FCM算法对处理后网络流量数据进行聚类，并根据预测点输入 向量与聚类中 心的最小距离选择最优训练集，加强训练集规律性，减少LSSVM对训练集的依赖性；最后采用非线性预测能力强的LSSVM对训练 集进行学习建立网络流量预测模型，并采用仿真实验对模型性能测试。仿真结果表 明，相对于对比模型，IFCM—LSSVM提高了网络 流量的预测精度，加快了模型的训练速度，预测结果更加稳定、可靠。 关键词 网络流量 最小二乘支持向量机 模糊均值聚类 密度方法 预测精度 中图分类号 TP391 文献标识码 A DOI：10．3969／j．issn．1000—386x．2015．02．042 FORECASTING NETWORKTRAFFICBYLEASTSQUAER SUPPORTVECTORMACHINE W ITH OPTIMAL TRAINING SAM PLE SUBSET 、 ZhangYuntao XingChen (DepartmentofComputerandInformationEngineering，ZhejiangUniversityofWaterResourcesandElectricPower，Hangzhou310018，Zhejiang，China) Abstract The selection oftraining sample has big influence on the generalisation ability ofleastsquare suppo~ vectormachine (LSSVM)．Inordertoimprovetheforecastaccuracyofnetworktraffic，weproposeanLSSVM networktrafficforecastmodelwithoptimal trainingsamplesubset．Firstweusedensitymethodtoidentifyandeliminatetheoutliersinnetworktrafficdataaswellastoeliminatethe adverseeffectsoftheoutliersonfuzzyc—means(FCM)clusteringresuhs，andthenemployFCM algorithm toclustertheprocessednetwork trafficdataandselecttheoptimaltrainingsetaccordingtotheminimum distancebetweeninputvectorofforecastingpointand clustering centre，strengthentheregularityoftrainingset，andlessenthedependenceofLSSVM ontrainingsetaswel1．Finally，weuseLSSVM which hasgoodnonlinearforecastingabilitytolearnthetrainingsetandtobuildnetworktrafficforecas