一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法

本文分析了网络流量数据的特性,针对传统预测算法在预测网络流量时的缺陷提出了一种基于相关分析的相关局域最小二乘支持向量机(LSSVM)预测算法.算法在对训练数据重构相空间后,利用相关分析同时从距离相关和时间相关的训练样本中选择最优的训练子集,结合自适应参数优化的LSSVM预测模型对小尺度网络流量进行预测.通过选用实际情况下的网络流量数据对算法进行测试验证,结果显示本文所提算法不仅优于传统的全局预测算法,同时也优于各种改进的局域预测算法.算法不仅在预测精度上取得大幅的性能提升,同时能够通过留一交叉验证法在预测之前就完成预测模型和训练子集的优化.  

基于迭代误差补偿的混沌时间序列最小二乘支持向量机预测算法

本文分析了传统支持向量机预测算法产生的误差特性，发现产生的预测误差不同于噪声，具有较强的规律性，单一的预测模型遗漏了许多混沌序列中的确定性分量. 经过误差补偿后，残差的冗余信息减少，随机性增强. 在此基础上，本文提出一种基于迭代误差补偿的最小二乘支持向量机预测算法，能够通过多模型联合预测更加有效地逼近混沌系统的映射函数，在预测精度上取得了大幅度的提升. 此外，算法通过留一交叉验证法的方法能够在预测前自动优化模型参数组合，克服了现有算法无法仅利用先验信息优化预测模型参数的缺陷. 对MackeyGlass和Lorenz混沌时间序列进行了仿真实验，实验结果优于相关文献记载方法的预测性能，在性能指标上好于现有算法一个数量级. 关键词： 混沌时间序列预测 最小二乘支持向量机 迭代误差补偿 参数组合优化