基于启发式算法的混沌支持向量机流量预测  

Chaos Support Vector Machine Traffic Prediction Based on Heuristic Algorithm

作　　者：李啸辰[1] 罗赟骞[2,3] 智英建[3] 张玉林[2] 

机构地区：[1]空军总医院计算机中心 [2]中国人民解放军95865部队 [3]空军工程大学电讯工程学院

出　　处：《计算机工程》2011年第13期163-165,共3页Computer Engineering

基　　金：陕西省自然科学基金资助项目(2009JM8001-1);国家综合业务网理论及关键技术重点实验室开放基金资助项目(ISN-9-08)

摘　　要：针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。Aiming the problem of chaos Support Vector Machine（SVM） regression model has low efficiency traffic prediction,Differential Evolution（DE） algorithm,Genetic Algorithm（GA） and Particle Swarm Optimization（PSO） algorithm are applied for determining the model’s parameters which includes radial basis kernel function coefficient,punishment coefficient,insensitive coefficient,and builds the improved chaos SVM model to predict traffic.Example show that DE algorithm can significantly reduce the time for determining the model compared to another heuristic algorithms,and the model has higher prediction accuracy

关 键 词：网络流量预测 混沌支持向量机 差分进化算法 粒子群优化算法 

分 类 号：TP393[自动化与计算机技术—计算机应用技术]