改进支持向量机的网络流量预测.pdf

计 算 机 系 统 应 用 http：llwww．c—S-a．O唱．cn 2017年 第 26卷 第 3期 改进支持向量机的网络流量预测① 王雪松 (佛山职业技术学院 电子信息系，佛山 528137) 摘 要：支持向量机具有良好的非线性建模能力，其参数对网络流量预测结果有直接影响，为了解决支持向量机 的参数确定的难 问题，根据杂草算法的优势，提出了改进支持向量机的网络流量预测模型．首先收集大量网络数 量原始数据，将支持向量机参数作为杂草种子，然后模拟杂草的生存、繁殖过程搜索最优参数寻优，建立网络流 量预测模型，最后采用具体网络流量数据测试模型的可行性．结果表明，该模型不仅得到了高精度的网络流量预 测结果。而且可以应用网络流量管理中． 关键词：网络流量；杂草算法；混沌理论；支持向量机 NetworkTrafficPredictingM odelBasedonImprovedSupportVectorM achine WANGXue—Song (DepartmentofElectronicInformation，FoshanPolytechnicCollege，Foshan528137，China) Abstract：Aimingatparametersoptimizationproblem ofsupportvectormachineinnetworktraffi cpredicting，anetwork rtafficpredictingmodelisproposedbasedonimprovedsupportvectormachine．Parametersofsupportvectormachine areconsideredasaweed，theoptimalparametersarefoundbyinvasiveweedoptimizationalgorithm，andnewt orktraffi c dataisusedtotesttheperformance．Theexperimentalresultsshow thattheproposedmodelobtainshighpredicting accuracyandfastensthemodelspeed，naditcanmeettherequirementsofnewt orktrafficpredicting． Keywords：newtorktraffic；invasiveweedoptimizationalgorithm；chaotictheory；supportvectormachine 随着 Intemet的数据不断增加，网络管理面临巨大 SVM)等，可以反映网络流量变化的随机性、时变性， 的挑战，为了防止出现网络拥堵现象，网络流量预测 网络流量预测结果更加靠，获得了较高的预测精度[6培 引起了人们的高度关注．流量预测从历史数据中发现 SVM 具体要求历史样本少，泛化能力优等优势，成为 将来网络状态的变化趋势，为企业和管理人员提供有 网络流量当前主要的建模工具，然而网络流量预测精 意义的参考信息，已经成为网络管理领域中的研究重 度与核函数及相关参数密切相关，因此SVM参数确定 点 【，． 是网络流量建模和预测首先要解决的问题 】．为了解 当前网络流量预测模型分为两类：传统模型和现 决SVM参数确定问题，业内学者们采用进化算法、粒 代，传统模型主要有：多元线性回归算法、时间序列分 子群算法等实现[1们，它们得到了较好的SVM参数，但 析法等3『I4】，根据历史数据确定网络流量预测模型的参 它们同样存在不足，如进化算法 的收敛速度慢，遗传 数，建模速度快、硬件要求低，然而它们均基于网络流 算法参数确定没有理论指导，凭经验随机确定，通用 量是一种固定变化趋势，如周期性、单调递增等，不能 性差。难以找到最优的SVM参数，影响网络流量的预 描述网络流量随机变化特点，预测精度低 【．现代模 测结果． 型采用现代统计学对网络流量进行建模与分析，主要 为了获得更优的网络流