Please use this identifier to cite or link to this item: http://eadnurt.diit.edu.ua/jspui/handle/123456789/13773
Title: Прогнозування обсягу мережевого трафіка в інформаційно-телекомунікаційній системі придніпровської залізниці на основі нейронечіткої мережі
Other Titles: Network Traffic Forcasting in Informationtelecommunication System of Prydniprovsk Railways Based on Neuro-Fuzzy Network
Прогнозирование объема сетевого трафика в информационно-телекоммуникационной системе приднепровской дороги на основе нейронечеткой сети
Authors: Пахомова, Вікторія Миколаївна
Keywords: прогнозування
мережний трафік
обсяг
нейронечітка мережа
гібридна система
терм
функція приналежності
вибірка
адекватність
похибка
forecasting
network traffic
volume
neuro-fuzzy network
hybrid system
term
membership function
set
adequacy
error
прогнозирование
сетевой трафик
объем
нейронечеткая сеть
гибридная система
функция принадлежности
выборка
адекватность
ошибка
КЕОМ
Issue Date: 2016
Publisher: Дніпропетровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро
Citation: Пахомова В. М. Прогнозування обсягу мережевого трафіка в інформаційно-телекомунікаційній системі придніпровської залізниці на основі нейронечіткої мережі. Наука та прогрес транспорту. 2016. № 6 (66). С. 105–114. URL: http://stp.diit.edu.ua/article/view/90485/87045.
Abstract: UK: Мета. Постійне збільшення обсягу мережного трафіка в інформаційно-телекомунікаційній системі (ІТС) Придніпровської залізниці призводить до необхідності визначення в реальному часі перевантаження в мережі та здійснення контролю потоків даних. Одним із можливих рішень є метод прогнозування обсягу мережного трафіка (вхідного та вихідного) з використанням нейромережної технології, що дозволить уникнути перевантаження сервера та підвищити якість послуг. Методика. В роботі виконані аналіз існуючого мережного трафіка в ІТС Придніпровської залізниці та підготовка вибірок: навчальної, тестової, контрольної, а також створення в програмі Matlab нейронечіткої мережі (гібридної системи) та організація на відповідних вибірках таких етапів: навчання, тестування, аналіз адекватності прогнозу. Результати. Для фрагмента (Дніпропетровськ – Київ) в ІТС Придніпровської залізниці здійснений прогноз (на добу вперед) обсягу мережного трафіка на основі гібридної системи, що створена в програмі Matlab; значення MAPE складає: 6,9 % для обсягу вхідного трафіка; 7,7 % для обсягу вихідного трафіка. Виявлено, що середня похибка навчання гібридної системи зменшується при збільшенні: кількості входів (від 2 до 4); кількості термів (від 2 до 5) вхідної змінної; потужності навчальної вибірки (від 20 до 100). Значний вплив на середню похибку навчання гібридної системи має кількість термів її вхідної змінної. Визначено, що найменше значення середньої похибки навчання надає чотири-вхідна гібридна система, більш точно здійснюється навчання нейронечіткої мережі за гібридним методом. Наукова новизна. Отримані залежності середньої похибки навчання гібридної системи прогнозування обсягу мережного трафіка фрагмента (Дніпропетровськ–Київ) в ІТС Придніпровської залізниці від: кількості її входів, кількості термів вхідної змінної, потужності навчальної вибірки за різними методами навчання. Практична значимість. Прогнозування обсягу мережного трафіка в ІТС При- дніпровської залізниці дозволить в реальному часі визначити перевантаження в мережі та здійснити контроль потоків даних.
EN: Purpose. Continuous increase in network traffic in the information-telecommunication system (ITS) of Prydniprovsk Railways leads to the need to determine the real-time network congestion and to control the data flows. One of the possible solutions is a method of forecasting the volume of network traffic (inbound and outbound) using neural network technology that will prevent from server overload and improve the quality of services. Methodology. Analysis of current network traffic in ITS of Prydniprovsk Railways and preparation of sets: learning, test and validation ones was conducted as well as creation of neuro-fuzzy network (hybrid system) in Matlab program and organization of the following phases on the appropriate sets: learning, testing, forecast adequacy analysis. Findings. For the fragment (Dnipropetrovsk – Kyiv) in ITS of Prydniprovsk Railways we made a forecast (day ahead) for volume of network traffic based on the hybrid system created in Matlab program; MAPE values are as follows: 6.9% for volume of inbound traffic; 7.7% for volume of outbound traffic. It was found that the average learning error of the hybrid system decreases in case of increase in: the number of inputs (from 2 to 4); the number of terms (from 2 to 5) of the input variable; learning sample power (from 20 to 100). A significant impact on the average learning error of the hybrid system is caused by the number of terms of its input variable. It was determined that the lowest value of the average learning error is provided by 4-input hybrid system, it ensures more accurate learning of the neuro-fuzzy network by the hybrid method. Originality. The work resulted in the dependences for the average hybrid system error of the network traffic volume forecasting for the fragment (Dnipropetrovsk-Kyiv) in ITS Prydniprovsk Railways on: the number of its inputs, the number of input variable terms, the learning sample power for different learning methods. Practical value. Forecasting of network traffic volume in ITS of Prydniprovsk Railways will allow for real-time identification of the network congestion and control of data flows.
RU: Постоянное увеличение объема сетевого трафика в информационно-телекоммуникационной системе (ИТС) Приднепровской железной дороги приводит к необходимости определения в реальном времени перегрузки в сети и осуществления контроля потоков данных. Одним из возможных решений является метод прогнозирования объема сетевого трафика (входного и выходного) с использованием нейросетевой технологии, что позволит избежать перегрузки сервера и повысить качество услуг. Методика. В работе проведены анализ существующего сетевого трафика в ИТС Приднепровской железной дороги и подготовка выборок: учебной, тестовой, контрольной, а также создание в программе Matlab нейронечеткой сети (гибридной системы) и организация на соответствующих выборках следующих этапов: обучение, тестирование, анализ адекватности прогноза. Результаты. Для фрагмента (Днепропетровск–Киев) в ИТС Приднепровской железной дороги осуществлен прогноз (на сутки вперед) объема сетевого трафика на основе гибридной системы, созданной в программе Matlab; значение MAPE составляет: 6,9 % для объема входящего трафика; 7,7 % для объема выходящего трафика. Выявлено, что средняя ошибка обучения гибридной системы уменьшается при увеличении: количества входов (от 2 до 4); количества термов (от 2 до 5) входной переменной; мощности обучающей выборки (от 20 до 100), большое влияние на среднюю ошибку обучения гибридной системы оказывает число термов ее входной переменной. Определено, что наименьшее значение ошибки обучения дает 4-входная гибридная система, более точно осуществляется обучение нейронечеткой сети по гибридному методу. Научная новизна. Получены зависимости средней ошибки обучения гибридной системы прогнозирования объема сетевого трафика фрагмента (Днепропетровск – Киев) в ИТС Приднепровской дороги от: количества входов, количества термов входной переменной, мощности обучающей выборки при различных методах обучения. Практическая значимость. Прогнозирование объема сетевого трафика в ИТС Приднепровской дороги позволит в реальном времени определить перегрузки в сети и осуществить контроль потоков данных.
Description: В. Пахомова: ORCID 0000-0001-8346-0405
URI: http://eadnurt.diit.edu.ua/jspui/handle/123456789/13773
http://stp.diit.edu.ua/article/view/90485/87045
http://stp.diit.edu.ua/article/view/90485
ISSN: 2307-3489 (Print)
2307-6666 (Online)
Other Identifiers: DOI: 10.15802/stp2016/90485
Appears in Collections:Статті КЕОМ
№ 6 (66)

Files in This Item:
File Description SizeFormat 
Pakhomovа.pdfTranslation837,65 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.