10.3969/j.issn.1000-386x.2014.06.021
基于EEMD与RBF神经网络的网络流量预测
网络流量预测对于网络性能和服务质量的提高具有重要意义.提出一种基于整体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与径向基函数RBF(Radial Basis Function)神经网络的预测模型,利用EEMD将长相关流量转化为短相关流量并应用RBF神经网络模型对流量数据进行建模及预测,不仅降低了算法的复杂度,而且有利于网络流量的实时预测.仿真试验结果表明,相比于自回归分数综合滑动平均模型FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF神经网络模型及EMD(Empirical Mode Decomposition)与自回归滑动平均模型ARMA(AutoRegressive Moving Average Model),该模型具有更高的预测精度和良好的自适应性.
流量预测、整体平均经验模态分解、RBF神经网络
31
TP393.0(计算技术、计算机技术)
2014-08-20（万方平台首次上网日期，不代表论文的发表时间）
共4页
72-74,83
