Une nouvelle méthode pour la prévision du trafic

Le problème de prévision du trafic a été abordé par plusieurs techniques : least mean square filter ou des techniques semblables [85], les modèles tels qu'AR, ARIMA, FARIMA [27,121,85], et la logique floue avec la régression [120,27]. Il y a plusieurs propositions en utilisant les RN pour modéliser le processus du trafic [156,157,39,88,133]. Cependant, les propositions existantes se concentrent seulement sur les dépendances à courte portée et négligent les dépendances à longue portée. Ainsi, en examinant ces modèles sur de vraies traces durant plusieurs minutes ou heures, ils donnent de bonnes performances. Cependant, en les utilisant pour prévoir le trafic pour des jours ou des semaines, leur performance se dégrade d'une manière significative [56]. Notre but dans cette étude est de présenter un nouveau modèle pour la prévision du trafic qui fonctionne bien pour des réseaux IP et ATM. Cependant, nous l'avons examiné seulement sur de vraies traces IP. L'avantage de notre modèle est qu'il se sert de l'information à longue portée aussi bien que de l'information à courte portée dans l'historique pour prévoir efficacement les futures arrivées du trafic. Ceci améliore la précision de prévision et par conséquent la performance globale des applications.