公开(公告)号：CN105976020B

公开(公告)日：2018-08-28

申请号：CN201610274610.X

申请日：2016-04-28

Applicant: 华北电力大学

Inventor： 唐良瑞 ,  杜施默 ,  傅德林 ,  吴润泽 ,  樊冰

IPC: G06N3/04 ,  G06N3/08 ,  G06Q10/04

Abstract: 本发明属于网络通信技术领域，尤其涉及一种考虑小波跨层关联性的网络流量预测方法，首先对流量数据进行小波分解并利用经典神经网络方法对最高层的细节分量和近似分量进行预测；然后由高到低逐层完成对细节分量的预测，在神经网络训练过程中，通过代价函数将细节分量的层内关联性和层间关联性进行融合，提高对各层细节分量的预测精度；最后，通过小波重构实现对网络流量的精确预测。本发明对小波神经网络流量预测算法中各层分量无关联预测的缺点进行了改进，考虑了层间相关性和层内相关性，采用冗余小波方案对流量进行分解，克服了小波变换的移变性；通过修改代价函数，利用相邻层的信息来提高对细节分量的预测精度，从而提高整体流量的预测精度。

公开(公告)号：CN105976020A

公开(公告)日：2016-09-28

申请号：CN201610274610.X

申请日：2016-04-28

Applicant: 华北电力大学

Inventor： 唐良瑞 ,  杜施默 ,  傅德林 ,  吴润泽 ,  樊冰

IPC: G06N3/04 ,  G06N3/08 ,  G06Q10/04

CPC classification number: G06N3/0454 ,  G06N3/08 ,  G06Q10/04

Abstract: 本发明属于网络通信技术领域，尤其涉及一种考虑小波跨层关联性的网络流量预测方法，首先对流量数据进行小波分解并利用经典神经网络方法对最高层的细节分量和近似分量进行预测；然后由高到低逐层完成对细节分量的预测，在神经网络训练过程中，通过代价函数将细节分量的层内关联性和层间关联性进行融合，提高对各层细节分量的预测精度；最后，通过小波重构实现对网络流量的精确预测。本发明对小波神经网络流量预测算法中各层分量无关联预测的缺点进行了改进，考虑了层间相关性和层内相关性，采用冗余小波方案对流量进行分解，克服了小波变换的移变性；通过修改代价函数，利用相邻层的信息来提高对细节分量的预测精度，从而提高整体流量的预测精度。