网络流量时间序列具有高维度、非线性和时变性等特征,针对传统时间序列模型预测精度较低的问题,提出基于KPCA(Kernel Principal Component Analysis)优化IHS-RVM的小时间尺度网络流量预测模型。首先对网络流量时间序列进行相空间重构,...
详细信息
网络流量时间序列具有高维度、非线性和时变性等特征,针对传统时间序列模型预测精度较低的问题,提出基于KPCA(Kernel Principal Component Analysis)优化IHS-RVM的小时间尺度网络流量预测模型。首先对网络流量时间序列进行相空间重构,确定嵌入维数和延迟时间。然后利用KPCA对网络流量样本进行核主成分特征提取,降低嵌入维数,并获取核主元矩阵。在此基础上,通过改进HS(Harmony Search)算法(IHS)确定RVM核参数。最后利用参数优化的RVM模型进行小时间尺度网络流量预测。为了交叉验证模型的性能,采用实际数据进行性能对比分析。结果表明,本模型性能优于KPCA-IHS-ESN、KPCA-IHS-SVM和IHS-RVM模型,取得了良好的效果。
暂无评论