Застосування нейронної мережі NARX для прогнозування одновимірного часового ряду

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.242442

Ключові слова:

одновимірний часовий ряд, модель NARX, прогнозування, нейронна мережа, нелінійна авторегресія

Анотація

Для надання якісних мережевих послуг, включаючи моніторинг мережі, управління ресурсами та виявлення загроз необхідний інструмент аналізу та прогнозування даних часових рядів для вивчення даних про використання мережевого трафіку. Для опису поведінки мережевого трафіку все частіше використовується теорія детермінованого хаосу. Трафік сучасної мережі має складну структуру, нерівномірну швидкість надходження пакетів для обслуговування мережевими пристроями. Прогнозування мережевого трафіку як і раніше залишається важливим завданням, оскільки прогнозні дані надають необхідну інформацію для вирішення проблеми управління мережевими потоками. Численні дослідження фактично виміряних даних підтверджують їх нестаціонарність і багатокомпонентну структуру. У даній роботі для прогнозування наборів даних мережевого трафіку представлено моделювання з використанням алгоритму нелінійної авторегресії із зовнішнім входом (NARX). NARX є однією з моделей, які можна використовувати для демонстрації нелінійних систем, особливо при моделюванні наборів даних часових рядів. Іншими словами, категорії динамічних мереж зворотного зв'язку, що охоплюють кілька рівнів мережі. З використанням алгоритму навчання Левенберга-Марквардта була розроблена, навчена і протестована штучна нейронна мережа (ШНМ). Вихідними даними для прогнозування є фактична виміряна швидкість передачі пакетів в мережевому трафіку. В результаті вивчення вихідних даних було отримано найкраще значення найменшої середньоквадратичної похибки (MSE) зі значенням епохи, рівним 18. Що стосується регресії R, її вихідні значення ШНМ по відношенню до цільового показника навчання, перевірки і тестування склали 0,97743, 0,9638 і 0,94907 відповідно, при загальному значенні регресії 0,97134, що гарантує точну відповідність всіх наборів даних. Результати експериментів (MSE, R) довели здатність методу до точного оцінювання і прогнозування мережевого трафіку

Біографії авторів

Tansaule Serikov, S. Seifullin Kazakh Agro Technical University

PhD

Department of Radio Engineering, Electronics and Telecommunications

Ainur Zhetpisbayeva, S. Seifullin Kazakh Agro Technical University

PhD

Department of Radio Engineering, Electronics and Telecommunications

Sharafat Mirzakulova, Turan University

PhD, Assistant Professor

Department of Radio Engineering, Electronics and Telecommunications

Kairatbek Zhetpisbayev, LLP «NTS Design»

PhD

Zhanar Ibrayeva, International University of Information Technology

Master, Senior Lecturer

Department of Radio Engineering, Electronics and Telecommunications

Lyudmila Sobolevа, S. Seifullin Kazakh Agro Technical University

Master, Senior Lecturer

Department of Radio Engineering, Electronics and Telecommunications

Arai Tolegenova, S. Seifullin Kazakh Agro Technical University

PhD, Head of Department

Department of Radio Engineering, Electronics and Telecommunications

Berik Zhumazhanov, Nazarbayev University

Doctoral Student

School of Engineering and Digital Sciences

Посилання

  1. Oliveira, T. P., Barbar, J. S., Soares, A. S. (2016). Computer network traffic prediction: a comparison between traditional and deep learning neural networks. International Journal of Big Data Intelligence, 3 (1), 28. doi: https://doi.org/10.1504/ijbdi.2016.073903
  2. Romirer-Maierhofer, P., Schiavone, M., D’Alconzo, A. (2015). Device-Specific Traffic Characterization for Root Cause Analysis in Cellular Networks. Lecture Notes in Computer Science, 64–78. doi: https://doi.org/10.1007/978-3-319-17172-2_5
  3. Joshi, M., Hadi, T. H. (2015). A Review of Network Traffic Analysis and Prediction Techniques. arXiv.org. Available at: https://arxiv.org/ftp/arxiv/papers/1507/1507.05722.pdf
  4. Ramakrishnan, N., Soni, T. (2018). Network Traffic Prediction Using Recurrent Neural Networks. 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). doi: https://doi.org/10.1109/icmla.2018.00035
  5. Cirstea, R.-G., Micu, D.-V., Muresan, G.-M., Guo, C., Yang, B. (2018). Correlated Time Series Forecasting using Multi-Task Deep Neural Networks. Proceedings of the 27th ACM International Conference on Information and Knowledge Management. doi: https://doi.org/10.1145/3269206.3269310
  6. Tian, C., Ma, J., Zhang, C., Zhan, P. (2018). A Deep Neural Network Model for Short-Term Load Forecast Based on Long Short-Term Memory Network and Convolutional Neural Network. Energies, 11 (12), 3493. doi: https://doi.org/10.3390/en11123493
  7. Weerakody, P. B., Wong, K. W., Wang, G., Ela, W. (2021). A review of irregular time series data handling with gated recurrent neural networks. Neurocomputing, 441, 161–178. doi: https://doi.org/10.1016/j.neucom.2021.02.046
  8. Khedkar, S. P., Canessane, R. A., Najafi, M. L. (2021). Prediction of Traffic Generated by IoT Devices Using Statistical Learning Time Series Algorithms. Wireless Communications and Mobile Computing, 2021, 1–12. doi: https://doi.org/10.1155/2021/5366222
  9. Liu, Z., Wang, Z., Yin, X., Shi, X., Guo, Y., Tian, Y. (2019). Traffic Matrix Prediction Based on Deep Learning for Dynamic Traffic Engineering. 2019 IEEE Symposium on Computers and Communications (ISCC). doi: https://doi.org/10.1109/iscc47284.2019.8969631
  10. Adeleke, O. A. (2019). Echo-State Networks for Network Traffic Prediction. 2019 IEEE 10th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON). doi: https://doi.org/10.1109/iemcon.2019.8936255
  11. Ruiz, L., Cuéllar, M., Calvo-Flores, M., Jiménez, M. (2016). An Application of Non-Linear Autoregressive Neural Networks to Predict Energy Consumption in Public Buildings. Energies, 9 (9), 684. doi: https://doi.org/10.3390/en9090684
  12. Abdellah, A. R., Mahmood, O. A. K., Paramonov, A., Koucheryavy, A. (2019). IoT traffic prediction using multi-step ahead prediction with neural network. 2019 11th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT). doi: https://doi.org/10.1109/icumt48472.2019.8970675
  13. Andalib, A., Atry, F. (2009). Multi-step ahead forecasts for electricity prices using NARX: A new approach, a critical analysis of one-step ahead forecasts. Energy Conversion and Management, 50 (3), 739–747. doi: https://doi.org/10.1016/j.enconman.2008.09.040
  14. Li, X., Yang, C. (2014). Research and Application of Data Mining and NARX Neural Networks in Load Forecasting. International Journal of Database Theory and Application, 7 (2), 13–24. doi: https://doi.org/10.14257/ijdta.2014.7.2.02
  15. Chandra, R. (2015). Competition and Collaboration in Cooperative Coevolution of Elman Recurrent Neural Networks for Time-Series Prediction. IEEE Transactions on Neural Networks and Learning Systems, 26 (12), 3123–3136. doi: https://doi.org/10.1109/tnnls.2015.2404823
  16. Haviluddin, Alfred, R. (2015). Performance of modeling time series using nonlinear autoregressive with eXogenous input (NARX) in the network traffic forecasting. 2015 International Conference on Science in Information Technology (ICSITech). doi: https://doi.org/10.1109/icsitech.2015.7407797
  17. Boussaada, Z., Curea, O., Remaci, A., Camblong, H., Mrabet Bellaaj, N. (2018). A Nonlinear Autoregressive Exogenous (NARX) Neural Network Model for the Prediction of the Daily Direct Solar Radiation. Energies, 11 (3), 620. doi: https://doi.org/10.3390/en11030620
  18. Serikov, T., Zhetpisbayeva, A., Аkhmediyarova, А., Mirzakulova, S., Kismanova, A., Tolegenova, A., Wójcik, W. (2021). City Backbone Network Traffic Forecasting. International Journal of Electronics and Telecommunications, 67 (3), 319–324. doi: https://doi.org/10.24425/ijet.2021.135983
  19. McCulloch, W. S., Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5 (4), 115–133. doi: https://doi.org/10.1007/bf02478259

##submission.downloads##

Опубліковано

2021-10-29

Як цитувати

Serikov, T., Zhetpisbayeva, A., Mirzakulova, S., Zhetpisbayev, K., Ibrayeva, Z., Sobolevа L., Tolegenova, A., & Zhumazhanov, B. (2021). Застосування нейронної мережі NARX для прогнозування одновимірного часового ряду . Eastern-European Journal of Enterprise Technologies, 5(4 (113), 12–19. https://doi.org/10.15587/1729-4061.2021.242442

Номер

Розділ

Математика та кібернетика - прикладні аспекти