10.3969/j.issn.1000-386x.2015.02.042
最优训练样本子集的 LSSVM 网络流量预测
训练样本选取对最小二乘支持向量机（LSSVM）的泛化能力有较大影响，为了提高网络流量预测精度，提出一种最优训练样本子集的 LSSVM网络流量预测模型（IFCM-LSSVM）。首先采用密度方法识别和剔除网络流量数据中的孤立点，消除孤立点对模糊均值聚类（FCM）聚类结果的不利影响；然后采用 FCM算法对处理后网络流量数据进行聚类，并根据预测点输入向量与聚类中心的最小距离选择最优训练集，加强训练集规律性，减少 LSSVM对训练集的依赖性；最后采用非线性预测能力强的 LSSVM对训练集进行学习建立网络流量预测模型，并采用仿真实验对模型性能测试。仿真结果表明，相对于对比模型，IFCM-LSSVM提高了网络流量的预测精度，加快了模型的训练速度，预测结果更加稳定、可靠。
网络流量、最小二乘支持向量机、模糊均值聚类、密度方法、预测精度
TP391(计算技术、计算机技术)
浙江省教育厅项目Y200909470
2015-04-03（万方平台首次上网日期，不代表论文的发表时间）
共4页
167-170
