CEEMDAN-改善されたPSO-LSTMモデルによるネットワークトラフィック予測のハイブリッドアプローチ

データ管理の重要な部分として、ネットワークトラフィックの評価と予測は、ネットワークの異常を見つけるだけでなく、ネットワークの将来の傾向を判断することができます。ネットワークトラフィックをより正確に予測するために、完全アンサンブル経験的モード分解と適応ノイズ（CEEMDAN）を改善された粒子群最適化（IPSO）アルゴリズムで最適化された長短期記憶ニューラルネットワーク（LSTM）と統合した新しいハイブリッドモデルを構築しました。まず、ネットワークトラフィックのリアルタイムの変異と依存性に対するLSTM予測モデルを構築し、ハイパーパラメータを最適化するためにIPSOを適用しました。次に、CEEMDANを導入して生のネットワークトラフィックデータのシーケンスをさまざまな情報を含む異なるモーダルコンポーネントに分解し、ネットワークトラフィックシーケンスの複雑さを軽減します。最後に、実験の評価により、提案された方法の実現可能性と有効性が、他の深層ニューラルアーキテクチャおよび回帰モデルとの比較によって示されました。結果は、提案されたモデルCEEMDAN-IPSO-LSTMが予測誤差の減少とともに顕著に優れた性能を発揮したことを示しています。