Научные статьи \ Прикладные науки. Медицина. Технология \ Oтрасли промышленности и ремесла для изготовления и обработки различных изделий

ПРОГНОЗИРОВАНИЕ СЕТЕВОГО ТРАФИКА МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

ПРОГНОЗИРОВАНИЕ СЕТЕВОГО ТРАФИКА МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

Перминов Андрей

Опубликовал: Andrei Perminov

Бесплатный доступ

В статье представлен сравнительный анализ четырех методов прогнозирования (ARIMA, CNN, LSTM, XGBoost) для трех типов реального сетевого трафика (веб, видео, файловый). Используется набор данных CESNET IdleOS. XGBoost с расширенными функциями (задержки, скользящие средние, разности) показывает наилучшую точность: относительная погрешность для веб–трафика составляет 5,9%, для видео - 11,1%, для файлов – 3,9%. Даны рекомендации по выбору метода в зависимости от характеристик дорожного движения.

ARIMA \ CNN \ LSTM \ XGBoost \ comparative analysis \ RMSE.

Похожие статьи в разделе Oтрасли промышленности и ремесла для изготовления и обработки различных изделий

Сравнительный анализ нейросетевой и машинной моделей для краткосрочного прогнозирования транспортного потока на скоростной автомагистрали Мэйгуан Шэньчжэня
Сравнительный анализ нейросетевой и машинной моделей для краткосрочного прогнозирования транспортного потока на скоростной автомагистрали Мэйгуан Шэньчжэня

Топилин И.В., Хань М., Феофилова А.А., Бескопыльный Н.А.

Оценка и прогнозирование параметров транспортных потоков с использованием композиции методов машинного обучения и моделей прогнозирования временных рядов
Оценка и прогнозирование параметров транспортных потоков с использованием композиции методов машинного обучения и моделей прогнозирования временных рядов

Агафонов Антон Александрович, Мясников Владислав Валерьевич

Сравнительный анализ методов прогнозирования временных рядов на основе нейронных сетей и регрессионного анализа
Сравнительный анализ методов прогнозирования временных рядов на основе нейронных сетей и регрессионного анализа

Аверкин Алексей Николаевич, Ярушев Сергей Александрович

Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU
Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU

А. И. Платонова, В. С. Попов

Моделирование пропускной способности узлов транспортной городской сети на основе методов нечеткой логики
Моделирование пропускной способности узлов транспортной городской сети на основе методов нечеткой логики

Шепелев Владимир Дмитриевич, Глушков Александр Иванович, Слободин Иван Сергеевич, Алферова Ирина Дмитриевна, Фадина Ольга Сергеевна

Машинное обучение для прогнозирования трафика в сети LTE
Машинное обучение для прогнозирования трафика в сети LTE

Трошин А.В.

Короткий адрес: https://sciup.org/11012427

IDS: 11012427   |   УДК: УДК 004.852

QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp