Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...

Managementul rutării în viitorul Internet UTCN
unde varian¸ta zgomotului alb Z cu media zero este: σ 2 = 0.050751.
• modelul AR(11):
X(t) = −0.0481X(t − 1) − 0.204X(t − 2) − 0.2266X(t − 6) − 0.1856X(t − 11) .
• Holt–Winters nesezonal: se face cu optimizarea parametrilor, rezultând parametrii de netezire
α = 1 ¸si β = 0.04.
• Holt–Winters sezonal (HWS): după optimizarea parametrilor prin minimizarea sumei erorilor
pătratice de un pas se ob¸tin paramterii de netezire α = 0.85, β = 0 ¸si γ = 1.
Tabelul 8.1 con¸tine metricile de performan¸tă pentru cele patru metode analizate de predic¸tie liniară.
Metricile indică o performan¸tă slabă a acestora, de exemplu: NMSE mică, MAPE de valoare mare
sau coeficient de eficien¸tă E redus. Modelele liniare nu sunt potrivite pentru predic¸tia traficului de
re¸tea deoarece nu se pot adapta la varia¸tia datelor, nu pot urmări varia¸tia dinamică a traficului.
Tabela 8.1 Metrici de performan¸tă ale predictorilor liniari
Metodă MSE NMSE RMSE NRMSE MAPE r E
ARMA 0.3864 1.2281 0.6216 1.1082 19.09% −0.521 −0.293
ARAR 0.3068 0.975 0.5539 0.9874 20.08% 0.254 −0.0263
HW 0.269 0.855 0.5186 0.9246 20.73% 0.8935 0.1002
HWS 0.2112 0.671 0.4595 0.8192 19.69% 0.6933 0.29358
Dintre tehnicile liniare de predic¸tie, cea mai bună s-a dovedit a fi algoritmul HWS. Totu¸si,
din punct de vedere al preciziei, HWS nu se califică în rândul predictorilor performan¸ti. Figura 8.1
arată evolu¸tia predic¸tiei comparativ cu datele măsurate, histograma erorilor de predic¸tie, respectiv
grafica „cuantilă–cuantilă” (QQ – Quantile–Quantile). Histograma permite evaluarea distribu¸tiei
erorilor, adică a diferen¸telor dintre valorile dorite ¸si cele prezise. Grafica QQ compară cuantila
empirică (valorile ob¸tinute prin predic¸tie pe axa 0y) cu cea teoretică (valorile reale observate pe
axa 0x). Observăm că valorile rezultante prin predic¸tie urmăresc într-o oarecare măsură evolu¸tia
traficului. Totu¸si, grafica QQ nu este liniară, deci valorile reale nu sunt modelate suficient de exact.
3.6
3.4
3.2
3
2.8
2.6
2.4
2.2
2
1.8
output
target
1.6
0 2 4 6 8 10 12 14 16 18 20
(a) Predic¸tie
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
−0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8
(b) Histograma erorilor de predic¸tie
Figura 8.1 HWS – Evaluarea predic¸tiei
8.4 Evaluarea predic¸tiei prin re¸tele neuronale
Y Quantiles
3
2.9
2.8
2.7
2.6
2.5
2.4
2.3
2.2
1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 3.4 3.6
X Quantiles
(c) Grafica QQ
Pentru re¸tele neuronale (NN) folosim un singur strat ascuns de neuroni deoarece mai multe straturi
ar implica calcule mult mai complexe, consumatoare de timp ¸si de putere de procesare, fără a garanta
o precizie mai bună. Se evalueză performan¸ta NN în func¸tie de metoda de instruire aleasă. Se
34