《表1 网络流量序列一的五种模型预测对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《高斯过程混合模型应用于网络流量预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了更好地表现出GPM模型的优势，在不同参数下将GPM模型与传统模型分别用于网络流量序列一预测。本文选取的传统模型为SVM、核回归（KR）、最大最小概率机回归（MPMR）和单个GP模型。其中SVM[22]是一种非常典型的机器学习模型。它基于结构风险最小化原则，通过有限个学习样本获得最小的预测误差，已广泛应用于风电功率、网络流量、股市预测。KR[23]是一种基于核的预测模型，通过设置核函数作为权值的分布函数并优化核参数，得到误差最小的最佳预测结果，一直作为预测模型的基础。MPMR[24-25]对于序列分布不需要提前假设，是在最大化预测值介于实际回归函数某个界的最小概率下建立起来的模型，对于非线性时间序列具有良好的预测效果。GP模型是GPM模型的基础，也广泛用于单一模态的时间序列预测。表1通过选择8组不同的d和τ组合，对比SVM、KR、MPMR、GP和GPM模型对网络流量序列一的预测效果。