李巧侠

(西安铁路职业技术学院 土木工程学院， 西安 710600)

0 引言

随着互联网络的迅速发展，网络成为人们交流和沟通的一种重要工具，再加上网络上业务种类不断增加，网络流量值急剧增加，因此网络流量的预测引起了人们的广泛关注，但网络流量受到经济、环境等因素综合影响，变化具有随性、混沌，同时受到上网时间、价格等因素影响，其变化十分复杂，如何提高网络流量预测精度是网络管理领域研究中重点[1-2]。

针对网络流量预测问题，国内外学者进行广泛、深入的研究，提出许多优秀的网络流量预测模型[3]，当前网络流量预测值可以分为：基于传统统计学理论的网络流量预测模型[4-5]，如线性回归模型，它们是主要基于线性理论进行建模，假设网络流量是一种单一线性变化规律，简单、易实现，但是实际网络流量变化不是简单的线性变化特点，同时具有非线性变化特点，如随机性、时变性，导致该类模型的网络流量预测误差大[6-7]。另一类为基于现代统计学理论的网络流量预测模型[8]，其中神经网络应用广泛，由于神经网络具有良好的非线性学习能力，获得较理想的网络流量预测结果[9-11]。神经网络在训练过程中，要进行不断迭代更新权值，收敛速度慢、大，易出现“过拟合”的网络流量预测结果[12]。极限学习机(extreme learning machine，ELM)是一种学习速度的神经网络，只需要进行一次迭代就可以完成神经网络的训练，工作得到了大幅度。由于网络流值变化十分复杂，单一模型无法获得高精度的网络流量预测结果[13]。……