Поиск по каталогу |
(строгое соответствие)
|
- Профессиональная
- Научно-популярная
- Художественная
- Публицистика
- Детская
- Искусство
- Хобби, семья, дом
- Спорт
- Путеводители
- Блокноты, тетради, открытки
Development of New Models for Network Traffic Forecasting.
В наличии
Местонахождение: Алматы | Состояние экземпляра: новый |
Бумажная
версия
версия
Автор: Derman Akg?l and Mehmet Fatih Akay
ISBN: 9783330022492
Год издания: 2016
Формат книги: 60×90/16 (145×215 мм)
Количество страниц: 112
Издательство: LAP LAMBERT Academic Publishing
Цена: 29896 тг
Положить в корзину
Позиции в рубрикаторе
Отрасли знаний:Код товара: 167153
Способы доставки в город Алматы * комплектация (срок до отгрузки) не более 2 рабочих дней |
Самовывоз из города Алматы (пункты самовывоза партнёра CDEK) |
Курьерская доставка CDEK из города Москва |
Доставка Почтой России из города Москва |
Аннотация: The purpose of this work is to forecast the amount of network traffic in Transmission Control Protocol/Internet Protocol (TCP/IP) -based networks by using different time lags and various machine learning methods including Support Vector Machines (SVM), Multilayer Perceptron (MLP), Radial Basis Function (RBF) Neural Network, M5P (a decision tree with linear regression functions at the nodes), Random Forest (RF), Random Tree (RT), and Reduced Error Prunning Error (REPTree), and statistical regression methods including Multiple Linear Regression (MLR) and Holt-Winters and compare the performance of statistical and machine learning methods. Two different Internet Service Providers' (ISPs) traffic data have been utilized to build traffic forecasting models. The first 66% of the data sets has been utilized as training sets and the rest has been used as test sets. The performance of the forecasting models for the data sets has been assessed using Mean Absulote Percentage Error (MAPE). The results show that SVM and M5P based models usually perform better than the ones obtained by the other methods.
Ключевые слова: Machine Learning, Traffic Forecasting, time lags