基于VCSEL的组合光子时间延迟储计算和LSTM用于网络流量预测

科学领域:

• 计算机科学 计算机科学
• 网络工程 网络工程
• 人工智能的人工智能

背景情况:

• 智能网络管理需要准确的流量预测,以确保安全性和用户体验.
• 网络流量数据表现出非静止性,非线性和远程依赖性,挑战了传统的预测模型.
• 现有的预测方法对于复杂的网络流量预测是不够的.

研究的目的:

• 开发一个先进的网络流量预测模型,克服当前方法的局限性.
• 整合时间延迟储存计算 (RC) 与长期短期内存 (LSTM) 网络,以进行增强的预测.
• 在多种网络环境中提高网络流量预测的准确性和稳定性.

主要方法:

• 建议采用混合模型,将时间延迟储库计算 (RC) 和长短期内存 (LSTM) 网络结合起来.
• 时间延迟RC使用垂直腔表面发射激光 (VCSEL),将输入数据映射到一个高维空间以提取特征.
• 用LSTM网络进一步处理时间特征并完善预测准确性.

主要成果:

• 与独立的RC和LSTM相比,拟议的RC-LSTM模型在网络流量预测方面表现出卓越的性能.
• 在英国学术网络数据集上观察到19-24%的正常化根平均平方误差 (NRMSE) 减少.
• 在美国研究和教育网络数据集上,NRMSE减少了19-20%.
• 证实了该模型对噪声和异常值的强度,以及其捕捉动态变化的能力.

结论:

• 集成的RC-LSTM模型提供了高维特征提取,并提高了网络流量的预测准确性.
• 这种方法通过提供更可靠的流量预测来提高网络安全性和用户体验.
• 该模型在不同网络条件下保持强大的预测性能,显示其实际适用性.