变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

融合小波变换与贝叶斯LS SVM的网络流量预测*

为了提高网络流量预测的精度,研究了一种融合小波变换与贝叶斯LSSVM的网络流量预测方法。首先将原始流量数据时间序列进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上;对各个重构后的序列分别用最小二乘支持向量机进行预测,将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择;将各个预测结果重构后得到对原始序列的预测结果。对比实验表明,该模型不仅具有较快的运行速度,而且具有较高的预测精度。     

改进ABC算法优化LSSVM的网络流量预测模型

为了提高网络流量预测精度,针对最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)参数优化问题,提出一种改进人工蜂群ABC(artificial bee colony)算法优化LSSVM的网络流量预测模型(ABC-LSSVM)。该模型根据混沌理论对网络流量时间序列进行重构,然后将网络流量预测精度作为优化目标,通过ABC算法找到最优的LSSVM参数,并建立网络流量预测模型,最后采用仿真对比实验测试模型的性能。仿真结果表明,相对于参比模型,ABC-LSSVM解决了LSSVM参数优化的难题,能够更加准确刻画网络流量复杂变化规律,提高了网络流量的预测精度。     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

基于PSR-LSSVM的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

改进PSO-LSSVM算法的SDN网络流量预测模型

SDN技术解决了IP网络布设困难、更新繁琐等突出问题, 近年来发展迅速. 本文针对SDN网络流量预测问题, 提出首先采用混沌理论对时间序列样本群进行相空间重构, 随后引入最小二乘支持向量机(LSSVM)构建SDN网络流量预测模型, 并结合改进的粒子群算法(PSO)对其关键参数进行优化. 实验结果证明, 该模型有效提高了SDN网络流量预测精度与误差控制水平, 具有良好的实际应用价值.     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

混合核函数最小二乘支持向量机的网络流量预测模型

针对网络流量复杂多杂特点,基于组合优化理论,提出一种混合核函数最小二乘支持向量机的网络流量预测模型。首先,基于混沌理论将一维网络流量变为多维时间序列,然后,采用多项式核函数和高斯径向基核函数构建混合核函数,并将训练样本输入到最小二乘支持向量机中学习,最后,采用真实网络流量数据对模型性能进行测试。结果表明,相对于单核函数最小二乘支持向量机及其它网络流量预测模型,模型能够准确捕捉网络流量变化规律,有效地提高了网络流量的预测精度,而且具有一定的鲁棒性。     

基于LS-SVM算法的混沌时序递推预测

研究利用最小二乘支持向量机（LS-SVM）预测变参数混沌时间序列。支持向量机方法是基于结构风险最小化原理导出的,最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的支持向量机,保留支持向量机优点的同时计算量大大减少。变参数混沌时间序列预测是典型的小样本学习问题,由于参数的慢变导致系统的动力学特性不断发生变化,全局建模预测方法很难适用,必须在线实时预测。为了快速跟踪预测变参数混沌系统的时间序列,研究了利用一种简化的最小二乘支持向量机在线递推算法进行预测。最后对典型变参数混沌时间序列的预测实验结果表明了该方法的有效性。     

基于ADE算法的LSSVM在混沌时间序列中的应用

为了提高基于最小二乘支持向量机(LSSVM)模型的时间序列预测方法的泛化能力及预测精度,研究一种基于自适应差分进化算法(ADE)的最小二乘支持向量机模型(ADE_LSSVM)。首先利用相空间重构技术对样本数据进行相空间重构,再利用ADE对LSSVM的两个参数进行组合寻优,最后利用Lorenz系统对模型进行仿真试验并与未进行参数优化的LSSVM预测结果对比。结果表明,ADE_LSSVM方法是一种可行的、有效的混沌时间序列预测方法,可为今后的科学研究提供新的理论思想。     

基于ELM-LSSVM的网络流量预测

为了对网络流量进行准确预测,针对传统极限学习机的“过拟合”不足,提出一种极限学习机和最小二乘支持向量机相融合的网络流量预测模型（ELM-LSSVM）。该模型通过相空间重构获得网络流量的学习样本,引入最小二乘支持向量机对极限学习进行改进,并对网络流量训练集进行学习,采用仿真实验对模型性能进行测试。结果表明,ELM-LSSVM提高了网络流量的预测精度,实现了网络流量准确预测,并具有较强的实际应用价值。     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

LS—SVM在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。文中将最小二乘支持向量机算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，该方法具有很好的泛化能力和一定的噪声容忍能力。     

包容性检验和SVM相融合的网络流量预测

模型选择对网络流量组合预测结果至关重要,为了提高网络流量的预测效果,提出一种包容性检验和支持向量机相融合的网络流量预测模型（ET-SVM）。采用多个单一模型对网络流量进行预测,根据预测结果的均方根误差对模型优劣进行排序,通过包容性检验,根据t统计量检验选择最合适的单一模型,采用支持向量机对单一模型预测结果进行组合得到最终预测结果,通过仿真实验对模型性能进行测试。仿真结果表明,ET-SVM降低了网络流量的预测误差,预测精度得到了提高。     

基于非线性算法的网络业务流量预测

基于递归最小二乘支持向量机,提出了一种网络业务流量非线性预测算法。通过最小二乘支持量机首先将原始的网络流量数据映射到一个高维空间中,进而在这个高维空间中对流量数据进行预测,使得在低维空间中非线性预测转化为高维空间中的线性预测,提高了预测性能。仿真结果表明,预测误差能够维持在5%以内。     

Multi-category laplacian least squares twin support vector machine

In this paper, we have formulated a Laplacian Least Squares Twin Support Vector Machine called Lap-LST-KSVC for semi-supervised multi-category k-class classification problem. Similar to Least Squares Twin Support Vector Machine for multi-classification(LST-KSVC), Lap-LST-KSVC, evaluates all the training samples into “1-versus-1-versus-rest” classification paradigm, so as to generate ternary output {?1, 0, +1}. Experimental results prove the efficacy of the proposed method over other inline Laplacian Twin Support Vector Machine(Lap-TWSVM) in terms of classification accuracy and computational time.     

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机（LSSVM）参数优化难题,提出一种人工鱼群算法（AFSA）和LSSVM相结合的短时交流量预测模型（AFSA-LSSVM）,通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

Usage of artificial intelligence methods in free flowing gated closed conduits for estimation of oxygen transfer efficiency

Oxygen transfer is the process which oxygen is transferred from the gaseous to the liquid phase. The oxygen transfer efficiency depends almost entirely on the amount of surface contact between the air and water. This surface contact can be increased by conduit flow that involves air–water mixture flow. In reality, the physical structure of the air–water interface is complex and still awaits clarification. In the past few years, many artificial intelligence methods have been successfully applied to the solution of complex problems. In this study, models based on Adaptive Network based Fuzzy Inference Systems and Least Squares Support Vector Machines methods were developed to predict oxygen transfer efficiency in free flowing gated closed conduits. Experimental results were compared with the results of these artificial intelligence methods. The best performance was obtained with the Least Squares Support Vector Machine model. Average correlation coefficient (R²) and average root mean square error (RMSE) in the Least Squares Support Vector Machine model were achieved equal to 0.9927 and 0.0073, respectively. Extremely good agreement between the predicted and measured values proves the validity of the Least Squares Support Vector Machine model.