基于神经网络和自回归模型的网络流量预测

• 作者: 熊皓 刘嘉勇 王俊峰
• 来源期刊: 计算机应用
• 关键词: 网络流量 卷积神经网络 长短期记忆网络 自回归模型
• 年，卷（期）: 2021,（z1）
• 所属期刊栏目: 网络与通信|Network and communications
• 页码范围: 180-184
• 页数: 5页
• 分类号: TP393
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020101624

摘要

互联网的急速发展在给人类带来了巨大便利的同时,也使网络中的网络流量出现了爆炸性的增长,预测网络流量对于网络的研究、管理和控制都具有很高的现实指导意义.为了降低减少网络流量数据的预测误差,提出一种基于神经网络和自回归模型的网络流量预测模型——卷积神经网络(CNN)-长短期记忆(LSTM)网络+自回归(AR).通过卷积神经网络和长短期记忆网络结合来同时获取数据的短期局部依赖特征和长期发展趋势,添加历史连接组件将网络流量的周期性考虑在预测中,完成对网络流量中非线性项的处理,利用自回归模型预测线性项,将两部分结果结合得到最终预测值.实验结果表明,对比传统的网络流量预测模型,在最好情况下所提出模型的均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)分别减小了1.5604、0.1468和0.1405,这说明该模型有更好的预测表现,预测值与实际值的差距更小.