粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

延迟时间和嵌入维数联合优化的网络流量预测

为了提高网络流量的预测精度,利用相空间重构的两个关键参数-延迟时间（τ）和嵌入维（m）间的相互联系,提出一种延迟时间和嵌入维数联合优化的网络流量预测模型。该模型以最小二乘支持向量机作为网络流量预测算法,根据网络流量预测结果优劣评价指选择最优[τ]和[m]值,建立单步、多步网络流量预测模型,并通过仿真实验对模型的性能进行分析。结果表明,模型可以准确选择出最优嵌入维数和延迟时间,显著提高了网络流量的预测精度,预测结果明显优于独立优化[τ]和[m]以及传统联合优化[τ]和[m]的网络流量预测模型。     

一种参数联合优化的网络流量非线性预测模型

为了提高网络流量预测精度,利用相空间重构和神经网络参数间的相互联系,提出一种参数联合优化的网络流量非线性预测模型。将相空间重构和预测模型参数作为粒子群优化算法的粒子,网络流量预测精度作为粒子适应度函数,通过粒子之间相互协作获得全局最优参数,根据最优参数建立最优网络流量非线性预测模型,通过网络流量实例对模型性能进行测试。结果表明,相对于传统参数优化方法,参数联合优化方法大幅度提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于BPSO-RBF神经网络的网络流量预测

为了提高网络流量的预测精度,针对网络的时变性和混沌性,提出一种反向学习粒子群优化神经网络的网络流量预测模型(BPSO-RBFNN)。首先将网络流量样本输入到RBF神经网络进行学习,采用引入反向学习机制的粒子群算法优化参数,然后建立网络流量预测模型,最后采用仿真实验对模型性能进行分析。结果表明,BPSO-RBFNN可以描述网络流量的时变性、混沌性变化趋势,网络流量预测精度得以提高,具有较好的实际应用价值。     

混沌一支持向量机回归在流量预测中的应用研究

为了提高流量预测准确性,将混沌理论和支持向量机回归应用于网络流量预测.采用相空间重构理论计算实际流量的延时、嵌入维数和Lyapunov指数,证实网络流量存在混沌现象;据此建立混沌-支持向量机预测模型并确定训练样本对,对实际网络流量教据进行预测.结果表明,该方法能有效地进行流量预测,相对于BP神经网络方法,该方法具有更好的预测精度.     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

短时交通流量预测的IPSO-BPNN算法

为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试。结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于自适应粒子群优化LSSVM的网络流量在线预测

针对带混沌特性的网络流量在线预测,提出一种融合自适应粒子群算法(APSO)和递推式最小二乘支持向量机回归的流量模型。对流量序列嵌入重构得到多维状态输入矢量,将其作为初始LSSVM的训练样本,其中采用自适应粒子群算法对模型的特征参数、嵌入维数寻优,避免早熟停滞。对于在线预报过程中的吸收样本、删减样本采用核矩阵迭代式求解,动态调整回归机,使得模型具有在线学习能力,由此得APSO-LSSVM在线流量预测模型,并考察网络负荷度与嵌入维数关系。仿真实验表明:该方法能有效预测网络流量,实现较高精度实时流量估计。     

基于相空间重构理论与递归神经网络相结合的股票短期预测方法*

根据股票指数时间序列复杂的非线性特性,提出以相空间重构理论与递归神经网络相结合的股票短期预测新方法.以相空间重构理论确定最佳延迟时间和最小嵌入维数,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进递归的生成训练数据进行短期预测,提高了预测精度和稳定性.该方法应用于沪市股票综合指数预测,其结果与传统的单纯用BP网络模型预测的结果相比较,精度大大提高,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性.     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能; 利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。     

蚁群优化神经网络的网络流量混沌预测

为了网络流量预测准确性,提出一种蚁群算法（ACO）优化BP神经网络（BPNN）的网络流量混沌预测模型（ACO-BPNN）。对网络流量时间序列进行重构,将BPNN参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到BPNN最优参数,建立网络流量最优预测模型,并采用实测网络流量数据进行有效性验证。结果表明,ACO-BPNN能够准确刻画网络流量变化特性,提高网络流量的预测准确性。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

基于ACS优化BP神经网络的交通流量短时预测方法

交通流量预测是智能交通系统中非常重要的研究领域,因为交通流量的复杂性,传统的预测方法不能很好地预测。提出一种基于[t]分布自适应变异优化的布谷鸟算法,通过动态变异控制尺度和设置多个自由度来构造自适应变异算法,可以获得优于高斯变异和柯西变异的整体优化效果。在此基础上,提出改进布谷鸟搜索算法优化神经网络的交通流量预测模型（ACS-BPNN）,通过优化BP神经网络的初始权值和阈值参数,以提高短时交通流量预测精度。仿真结果表明,该方法取得比较好的预测结果。     

基于AIGA-BP神经网络的粮食产量预测研究

为了提高预测粮食产量的准确度,针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,主要借鉴免疫系统的浓度调节机制和遗传算法的全局寻优特性,用自适应免疫遗传算法（AIGA）来优化BP神经网络的权值和阈值,并给出了具体的优化过程。用优化的神经网络对粮食产量进行了仿真预测,通过仿真实验表明,与BP神经网络预测法和遗传神经网络预测法对比,优化的网络模型在粮食产量预测中取得了更精确的结果。     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

基于遗传神经网络的网格资源预测模型

研究网格资源预测问题,网格资源具有非线性、混沌变化特点,传统BP神经网络具有局部极小、收敛速度慢等缺陷,预测精度较低。为提高了网格资源预测精度,提出一种基于遗传神经网络的网格资源预测模型。利用遗传算法对BP神经网络的权值和阈值进行优化,然后采用BP神经网络对网格资源建立预测模型,最后采用网格资源时间序列进行有效性仿真。仿真结果表明,遗传神经网络有效地解决了传统BP神经网络的不足,提高了网格资源的预测精度,降低了预测误差,十分适合于非线性、混沌的网格资源时间序列预测。