基于支持向量機(jī)回歸的網(wǎng)絡(luò)流量預(yù)測.pdf

1、伴隨著微型計(jì)算機(jī)進(jìn)入千家萬戶，互聯(lián)網(wǎng)應(yīng)用有了飛躍式發(fā)展，其規(guī)模不斷擴(kuò)展并深入至文化、娛樂、交通等各個(gè)領(lǐng)域。怎樣對(duì)如此龐大的數(shù)據(jù)系統(tǒng)進(jìn)行有效管理，使其運(yùn)行穩(wěn)定、調(diào)度合理是目前人們面臨的重要問題。作為解決問題的基礎(chǔ)，對(duì)網(wǎng)絡(luò)流量進(jìn)行智能化分析，通過數(shù)據(jù)挖掘獲得更多信息和依據(jù)逐漸成為研究的熱點(diǎn)。
　　誕生于上世紀(jì)90年代中期的支持向量機(jī)算法，憑借其堅(jiān)實(shí)的統(tǒng)計(jì)學(xué)理論基礎(chǔ)，現(xiàn)已成功應(yīng)用于圖像處理、文本分類、生物信息處理等分類及回歸算法研究。文

2、中采用最小二乘支持向量機(jī)作為學(xué)習(xí)方法的基礎(chǔ)，引入集成學(xué)習(xí)的思想，目的在于利用結(jié)構(gòu)比較簡單的基學(xué)習(xí)器達(dá)到較好的學(xué)習(xí)效果。
　　在AdaBoost集成學(xué)習(xí)算法中，對(duì)于上一輪學(xué)習(xí)中被基學(xué)習(xí)器誤分的樣本，算法賦予了較高的權(quán)重使得它們有較大的可能再次進(jìn)入樣本集中重新學(xué)習(xí)。用這種方法產(chǎn)生一定數(shù)量的弱學(xué)習(xí)器之后，通過訓(xùn)練誤差篩選出能力較出色的學(xué)習(xí)器?？梢?，對(duì)產(chǎn)生誤差較大的區(qū)域進(jìn)行重復(fù)學(xué)習(xí)的作用是積極且明顯的。
　　本文提出了一種在普通學(xué)習(xí)

3、基礎(chǔ)上進(jìn)一步重點(diǎn)學(xué)習(xí)的策略：
　　(1)使用最小二乘支持向量機(jī)回歸算法對(duì)樣本初步訓(xùn)練：實(shí)驗(yàn)表明，單一的LS-SVR學(xué)習(xí)器學(xué)習(xí)能力出色，對(duì)流量曲線的回歸比較準(zhǔn)確，能夠體現(xiàn)出目標(biāo)走勢，并且學(xué)習(xí)時(shí)間較短，不足之處在于細(xì)節(jié)上失真較大。由此，采用單一的LS-SVR學(xué)習(xí)器作為學(xué)習(xí)策略的基礎(chǔ)是合適的，并且具有提升空間。
　　(2)利用LS-SVM二分類器對(duì)樣本誤差集進(jìn)行分類，可確定誤差較高且較為密集的樣本區(qū)域，選取學(xué)習(xí)過程中的“重點(diǎn)”。使