Une approche hybride par un modèle PSO-LSTM amélioré par CEEMDAN pour la prédiction du trafic réseau

En tant que partie importante de la gestion des données, l'évaluation et la prédiction du trafic réseau peuvent non seulement détecter des anomalies dans le réseau, mais aussi juger des tendances futures du réseau. Pour prédire le trafic réseau de manière plus précise, un nouveau modèle hybride, intégrant la Décomposition en Modes Empiriques Complète avec Bruit Adaptatif (CEEMDAN) avec un réseau de neurones à mémoire à court et long terme (LSTM) optimisé par l'algorithme amélioré d'optimisation par essaim de particules (IPSO), est établi pour la prédiction du trafic réseau. Tout d'abord, un modèle de prédiction LSTM pour la mutation et la dépendance en temps réel du trafic réseau est construit, et l'IPSO est appliqué pour optimiser les hyperparamètres. Ensuite, CEEMDAN est introduit pour décomposer les séquences de données brutes de trafic réseau en plusieurs composants modaux différents contenant des informations variées afin de réduire la complexité de la séquence de trafic réseau. Enfin, l'évaluation des expériences montre la faisabilité et l'efficacité de la méthode proposée en la comparant avec d'autres architectures de réseaux de neurones profonds et modèles de régression. Les résultats montrent que le modèle proposé CEEMDAN-IPSO-LSTM a produit des performances nettement supérieures avec une réduction de l'erreur de prédiction.