A Traffic Prediction Method based on ANN and Adaptive Template Matching

• Autorzy: Gao Q. , Li G.

Warianty tytułu

PL

Metoda przewidywania przepływu informacji bazująca na sztucznych sieciach neuronowych i adaptacyjnym dopasowaniu szablonu

• Języki publikacji: EN

Abstrakty

EN

Considering the significant burstiness in self-similar network traffic, this paper presents a one-step traffic prediction method based on ANN (artificial neural network) and adaptive template matching. Firstly control chart is used to decompose the original traffic into non-burst part and burst part. Then the two parts are predicted by ANN and adaptive template matching method, respectively. Finally, the prediction of the original traffic is obtained by fusing the predictions of the two parts. Simulation results show that the accuracy of method proposed in this paper is much higher compared with the traditional traffic prediction methods.

PL

Artykuł prezentuje metodę przewidywania przepływu informacji bazującą na sztucznych sieciach neuronowych i adaptacyjnym dopasowaniu szablonu. Początkowo przepływ dzielony jest na pogrupowany i nie pogrupowany. Następnie analizuje się obie części. Wreszcie dokonuje się fuzji rezultatów. Rezultaty symulacji wskazują że proponowana metoda ma lepszą dokładność niż metody tradycyjne.

Słowa kluczowe

EN

traffic prediction; control chart; artificial neural network; ANN; adaptive template matching; electrical technology; electrical power engineering

PL

przewidywanie przepływu informacji; systemy komunikacyjne; sztuczne sieci neuronowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 11
• Strony: 295--299
• Opis fizyczny: Bibliogr. 13 poz., il., tabl., wykr.

Twórcy

autor

Gao Q.

autor

Li G.

• Military Satellite Communications LAB, Institute of Communications Engineering, Biaoyin 2, Yudao Street, Nanjing, China, 210007,

Bibliografia

• [1] Delli Priscoli F, Pompili D., A demand-assignment algorithm based on a Markov modulated chain prediction model for satellite bandwidth allocation, Wirel. Netw., (2009), No.15, 999- 1012
• [2] Leland W E, Taqqu M S, Willinger W, et al., On the self-similar nature of Ethernet traffic (extended version), Networking, IEEE/ACM Transactions on, (1994), No. 2(1): 1-15
• [3] Yoshihara T, Kasahara S, Takahashi Y., Practical Time-Scale Fitting of Self-Similar Traffic with Markov-Modulated Poisson Process, Springer Netherlands, (2001), No. 17, 185-211
• [4] Nogueira A, Salvador P, Valadas R, et al., Markovian Modelling of Internet Traffic: Lecture Notes in Computer Science, Kouvatsos D. Springer Berlin / Heidelberg, (2011), No. 5233, 98-124
• [5] I. S. Gradshteyn, Discrete Time Stochastic Systems-Esitmation and Control, Englewood Cliffs, NJ: Prentice-Hall, (1994)
• [6] Shih Y C, Hsiao-Chun W., Novel Fast Computation Algorithm of the Second-Order Statistics for Autoregressive Moving- Average Processes, Signal Processing, IEEE Transactions on, (2009), No. 57(2), 526-535
• [7] Man-Chun T, Wong S C, Jian-Min X, et al., An Aggregation Approach to Short-Term Traffic Flow Prediction, Intelligent Transportation Systems, IEEE Transactions on, (2009), No. 10(1), 60-69
• [8] Yantai S, Zhigang J, Lianfang Z, et al., Traffic prediction using FARIMA models, ICC '99, IEEE International Conference on, (1999)
• [9] Lin X, Xiao-Hu G, Chuang L, et al., A New Hybrid Network Traffic Prediction Method, GLOBECOM 2010, 2010 IEEE Global Telecommunications Conference, (2010)
• [10] LI R, CHEN J, LIU Y, et al., WPANFIS: combine fuzzy neural network with multiresolution for network traffic prediction, The Journal of China Universities of Posts and Telecommunications, (2010), No. 17(4), 88-93
• [11] V. A, J. A B., Multiresolution FIR neural-network-based learning algorithm applied to network traffic prediction, Systems, Man, and Cybernetics, IEEE Transactions on, (2006), No. 36(2), 208-220
• [12] Wei Y, Wang J, Wang C, Network Traffic Prediction Based on Wavelet Transform and Season ARIMA Model, Lecture Notes in Computer Science, Liu D, Zhang H, Polycarpou M, et al. Springer Berlin / Heidelberg, (2011), No. 6677, 152-159
• [13] John S Oakland, Statistical Process Control, Third Edition: A Really Practical Guide, Butterworth-Heinemann, (1996)