Застосування нейронної мережі NARX для прогнозування одновимірного часового ряду
DOI:
https://doi.org/10.15587/1729-4061.2021.242442Ключові слова:
одновимірний часовий ряд, модель NARX, прогнозування, нейронна мережа, нелінійна авторегресіяАнотація
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
Посилання
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Tansaule Serikov, Ainur Zhetpisbayeva, Sharafat Mirzakulova, Kairatbek Zhetpisbayev, Zhanar Ibraeva, Lyudmila Sobolevа, Arai Tolegenova, Berik Zhumazhanov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
