简介:针对现有PPM模型预测准确率不够高,且无法处理好预测准确率与预测代价之间平衡的问题,提出了一种新的改进PPM模型(PD-PPM)用于Web服务预测,以便更实时地向用户提供个性化、智能化的服务。为了建立该模型,定义了Web服务编码结构、错误补偿矩阵(ECM)、子类服务PPM模型(SW-PPM)和大类服务PPM模型(PW-PPM),并利用控制领域的PD控制算法,在SW-PPM模型与PW-PPM模型之间进行切换控制和参数调整;此外,还在ECM的基础上建立了错误补偿机制。经实验证明,PD-PPM模型能有效平衡预测准确率和预测代价之间的矛盾,并可以对预测准确率进行精准地跟踪控制,从而达到了预期的效果。
简介:针对网络态势感知中的预测精度问题,提出了基于广义径向基函数(RBF)神经网络的网络安全态势预测方法。该方法利用K-means聚类算法确定RBF的数据中心和扩展函数,并采用最小均方算法调整权值,得出态势值前后之间的非线性映射关系,并进行态势预测。仿真试验表明,该方法能较准确获得态势预测结果,提高网络安全的主动安全防护。
简介:对智能交通系统(ITS)短时交通流量预测问题进行研究,提出了一种联合FCM与群集蜘蛛优化SVR交通流量预测算法。首先采用FCM聚类方法对交通流量数据预处理,得到基于时间节点分割的时序数据模块,有效降低了数据差异性带来的误差影响;然后构建基于群集蜘蛛优化SVR模型,针对SVR参数选择难题,在群集蜘蛛优化算法中引入社会等级制度,动态的将蜘蛛种群划分为上中下三个阶层,并根据不同阶层个体适应度大小,分别设计自适应竞争、"快搜"以及逆向学习机制,提高了算法寻优精度;最后,运用群集蜘蛛优化SVR对各个交通流量数据时序模块进行预测评估。仿真结果表明,同其它预测算法相比,该算法预测平均绝对误差降低了38.4-53.8%。