基于AVMD-DE和IBSA-KELM的混沌网络流量组合预测

摘要

针对混沌网络流量时间序列预测,提出一种基于自适应变分模态分解AVMD(Adaptive Variational Mode Decomposition)-分散熵DE(Dispersion Entropy)和改进鸟群算法IBSA(Improved Bird Swarm Algorithm)优化核极限学习机KELM (Kernel Extreme Learning Machine)的组合预测模型.利用混沌理论对网络流量样本数据进行分析,采用AVMD-DE方法对网络流量序列分解重构,降低非线性、非平稳时间序列的预测误差及计算规模;采用IBSA-KELM模型分别对重构的子序列进行预测;将预测值进行合成.通过仿真实验分析及与其他预测方法的对比实验,证明AVMD-DE和IBSA-KELM组合预测模型可以显著提高网络流量预测的准确度.