毕业论文课题相关文献综述
流量即为网络中的数据量。
5G的诞生和物联网的快速发展,无疑会产生巨大的流量数据,从而加重对网络管理的负担[1][2]。
流量预测技术的实现,可以有效地改善高度并行的网络流,预配置关键资源,减少资源的消耗,所以流量预测技术将是节省网络资源的有效途径。
传统的流量预测算法主要是分析流量数据在时间序列上的特性,从中找出规律得出一定的模式。
在流量预测任务中,常用的流量预测模型有:支持向量机、差分自回归移动平均模型、小波变换等。
下面简单介绍一下传统流量预测模型的概念以及相关研究。
1. 支持向量机 SVM(Support Vector Machine)模型是一种基于统计学习理论的机器学习算法,对非线性问题的预测能力强,采用SVM对非线性的网络流量进行建模预测时,SVM相关参数选取的好坏将会直接决定预测性能。
文献[3]使用了改进的布谷鸟搜索算法以及优化的支持向量机流量预测模型,通过改进的布谷鸟搜索算法优化了支持向量机的参数,使用最优参数建立流量预测模型,针对网络的时变性、非线性、混沌性取得了很好结果,但只能在时间维度取得较好的结果。
文献[4]提出了一种基于相关分析的局域LSSVM小尺度网络流量预测算法,以解决传统的LSSVM最小二乘支持向量机预测算法无法应对流量的时变性。
该算法利用了流量的自相似性和长相关性,同时从时间和空间两个方面筛选训练集,利用参数组合的联合寻优对参数和训练进一步优化,最后用交叉验证法完成优化。
剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付
以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。