DEK-Forecaster：一种集成 EMD-KNN 的用于流量预测的新型深度学习模型
机器学习
2023-06-07 v1
摘要
互联网流量估计对 ISP（互联网服务提供商）行业的业务策略和业务延续有显著影响。预测互联网流量需求有助于揭示未来流量趋势，这通常有助于 ISP 在网络规划活动和投资中决策。此外，理解未来趋势的能力有助于管理常规和长期运营。本研究旨在使用深度序列方法预测网络流量需求，这些方法集成了基于经验模态分解（EMD）的降噪、基于经验规则的离群点检测，以及基于 近邻（KNN）的离群点缓解。与以往研究不同，所提模型不依赖称为本征模态函数（IMF）的特定 EMD 分解分量进行信号去噪。在我们提出的流量预测模型中，我们使用所有 IMF 分量的平均值进行信号去噪。此外，异常数据点由 个最近数据点平均值替换，且 的值基于 KNN 回归器在均方根误差（RMSE）中测量的预测误差进行了优化。最后，我们基于自回归积分滑动平均（ARIMA）和赤池信息准则（AIC）值选择了预测模型的最佳时间滞后特征子集。我们的实验在来自行业的真实世界互联网流量数据集上进行，并将所提方法与各种传统深度序列基线模型比较。结果表明，所提出的 EMD-KNN 集成预测模型优于对比模型。
引用
@article{arxiv.2306.03412,
title = {DEK-Forecaster: A Novel Deep Learning Model Integrated with EMD-KNN for Traffic Prediction},
author = {Sajal Saha and Sudipto Baral and Anwar Haque},
journal= {arXiv preprint arXiv:2306.03412},
year = {2023}
}
备注
13 pages, 9 figures