论文部分内容阅读
网络流量是具有复杂非线性、不确定时变性的混沌时间序列。为提高标准最小二乘支持向量机的预测精度与自适应性，提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法。该方法在标准Ls—SVM回归机的训练样本误差设置时间权，增强对非线性样本的逼近能力。然后结合滚动窗与迭代求逆法实现模型动态在线校正，进而克服网络变化时的累积误差。仿真实验结果表明，相对常规LS—SVM，该模型能降低预测误差、减少计算时间，实现高精度实时混沌流量估计。