Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Redefining Information Processing Through Neural Computing Models Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

14. An Application of Internet Traffic Prediction with Deep Neural Network

verfasst von : Sanam Narejo, Eros Pasero

Erschienen in: Multidisciplinary Approaches to Neural Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The advance knowledge of future traffic load is helpful for network service providers to optimize the network resource and to recover the demand criteria. This paper presents the task of internet traffic prediction with three different architectures of Deep Belief Network (DBN). The artificial neural network is created with the depth of 4 hidden layers in each model to learn the nonlinear hierarchal essence present in the time series of internet traffic data. The deep learning in the network is executed with unsupervised pretraining of the layers. The emphasis is given to the topology of DBN that achieves excellent prediction accuracy. The adopted approach provides accurate traffic predictions while simulating the traffic data patterns and stochastic elements, achieving 0.028 Root Mean Square Error (RMSE) value on the test data set. To validate our choice for hidden layer size selection, further more experiments were done for chaotic time series prediction.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Rule Base Reduction Using Conflicting and Reinforcement Measures
Nächstes Kapitel Growing Curvilinear Component Analysis (GCCA) for Dimensionality Reduction of Nonstationary Data
Literatur
1.
Feng, H., Shu, Y.: Study on network traffic prediction techniques. In: International Conference on Wireless Communications, Networking and Mobile Computing, vol. 2, pp. 1041–1044. IEEE (2005)
2.
Park, K., Willinger, W. (eds.): Self-similar Network Traffic and Performance Evaluation, pp. 94–95. Wiley, New York (2000)
3.
Floyd, S., Paxson, V.: Difficulties in simulating the internet. IEEE/ACM Trans. Netw. (TON) 9(4), 392–403 (2001)CrossRef
4.
Shang, P., Li, X., Kamae, S.: Nonlinear analysis of traffic time series at different temporal scales. Phys. Lett. A 357(4), 314–318 (2006)CrossRefMATH
5.
Shang, P., Li, X., Kamae, S.: Chaotic analysis of traffic time series. Chaos, Solitons Fractals 25(1), 121–128 (2005)CrossRefMATH
6.
Romeu, P., Zamora-Martínez, F., Botella-Rocamora, P., Pardo, J.: Time-series forecasting of indoor temperature using pre-trained deep neural networks. In: International Conference on Artificial Neural Networks, pp. 451–458. Springer, Heidelberg (2013)
7.
Bengio, Y., Lamblin, P., Popovici, D., Larochelle, H.: Greedy layer-wise training of deep networks. Adv. Neural. Inf. Process. Syst. 19, 153 (2007)
8.
Hinton, G.E., Osindero, S., Teh, Y.W.: A fast learning algorithm for deep belief nets. Neural Comput. 18(7), 1527–1554 (2006)MathSciNetCrossRefMATH
9.
Zhang, Z.L., Ribeiro, V.J., Moon, S., Diot, C.: Small-time scaling behaviors of Internet backbone traffic: an empirical study. In: Twenty-Second Annual Joint Conference of the IEEE Computer and Communications, vol. 3, pp. 1826–1836. IEEE (2003)
10.
You, C., Chandra, K.: Time series models for internet data traffic. In: 1999 Conference on Local Computer Networks, LCN’99, pp. 164–171. IEEE (1999)
11.
Hasegawa, M., Wu, G., Mizuni, M.: Applications of nonlinear prediction methods to the internet traffic. In: Circuits and Systems, 2001. ISCAS 2001. The 2001 IEEE International Symposium on Vol. 3, pp. 169–172. IEEE (2001)
12.
Cortez, P., Rio, M., Rocha, M., Sousa, P.: Internet traffic forecasting using neural networks. In: International Joint Conference on Neural Network Proceedings, pp. 2635–2642. IEEE (2006)
13.
Huang, W., Song, G., Hong, H., Xie, K.: Deep architecture for traffic flow prediction: deep belief networks with multitask learning. IEEE Trans. Intell. Transp. Syst. 15(5), 2191–2201 (2014)CrossRef
14.
Liu, J.N., Hu, Y., You, J.J., Chan, P.W.: Deep neural network based feature representation for weather forecasting. In: International Conference on Artificial Intelligence (ICAI), p. 1. WorldComp (2014)
15.
Dalto, M.: Deep neural networks for time series prediction with applications in ultra-short-term wind forecasting. In: IEEE ICIT (2015)
16.
Oliveira, T.P., Barbar, J.S., Soares, A.S.: Multilayer Perceptron and Stacked Autoencoder for Internet Traffic Prediction. In: IFIP International Conference on Network and Parallel Computing, pp. 61–71. Springer, Heidelberg. (2014)
17.
Huang, W., Hong, H., Li, M., Hu, W., Song, G., Xie, K.: Deep architecture for traffic flow prediction. In: International Conference on Advanced Data Mining and Applications pp. 165–176. Springer, Heidelberg (2013)
18.
Larochelle, H., Bengio, Y., Louradour, J., Lamblin, P.: Exploring strategies for training deep neural networks. J. Mach. Learn. Res.pp. 1–40. (2009)
19.
Metadaten
Titel
An Application of Internet Traffic Prediction with Deep Neural Network
verfasst von
Sanam Narejo
Eros Pasero
Copyright-Jahr
2018
Buch
Multidisciplinary Approaches to Neural Computing

Print ISBN: 978-3-319-56903-1

Electronic ISBN: 978-3-319-56904-8

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-56904-8_14

Premium Partner

    Bildnachweise