基于LSTM与传统神经网络的网络流量预测及应用

被引：41

作者：

王海宁

袁祥枫

杨明川

机构：

[1] 中国电信股份有限公司北京研究院

来源：

移动通信 | 2019年 / 43卷 / 08期

关键词：

流量预测; 神经网络; 长短期记忆; 网络切片;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP393.06 [];

学科分类号：

140502 [人工智能];

摘要：

提出了一个基于长短期记忆循环神经网络与传统神经网络的网络流量预测模型。通过与传统机器学习流量预测方法相对比,验证了该模型在网络流量预测中的适用性与更高的准确性。将上述流量预测模型应用在基于软件定义网络技术的智能化承载网切片系统中,以提升网络资源利用率,并提供了实验室验证结果。

引用

页码：37 / 44

页数：8

共 8 条

[1]

基于深度学习的短时交通流预测研究 [J].

王祥雪 ;

许伦辉 .

交通运输系统工程与信息, 2018, 18 (01) :81-88

[2]

基于结构优化递归神经网络的网络流量预测 [J].

江务学 .

西南大学学报(自然科学版), 2016, (02) :149-154

[3]

基于EMD及ARMA的自相似网络流量预测 [J].

高波 ;

张钦宇 ;

梁永生 ;

刘宁宁 ;

黄程波 ;

张乃通 .

通信学报, 2011, 32 (04) :47-56

[4]

ARIMA模型在网络流量预测中的应用研究 [J].

张冉 ;

赵成龙 .

计算机仿真, 2011, 28 (02) :171-174

[5]

基于多重分数差分和AR模型的网络流量预测 [J].

汪志勇 ;

邱晓红 .

计算机技术与发展, 2009, 19 (03) :84-86

[6]

基于递归神经网络的网络流量组合预测模型 [J].

刘渊 ;

姚萌 .

计算机工程与设计, 2008, (03) :700-702

[7]

Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: Theoretical basis and empirical results [J].

Williams, BM ;

Hoel, LA .

JOURNAL OF TRANSPORTATION ENGINEERING, 2003, 129 (06) :664-672

[8]

Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

← 1 →