基于多重分数差分和AR模型的网络流量预测

网络流量的分析、模型仿真以及流量的预测,在网络管理和设计中起着很重要的作用,提出了一种利用多重分数差分与自回归模型进行网络流量建模和预测的新方法.通过多重分数差分的消除长相关序列中的长相关特性,得到多条短相关信号和一条趋势项,分别利用AR模型进行定阶、参数估计及预测操作,用实际网络流量对该模型进行验证,实验表明,该方法比传统的预测方法具有更好的预测效果.     

模糊自回归在网络流量时序分解模型中的应用

传统时序分解模型在去除网络流量序列中的趋势性和周期性成分后，用AR模型处理剩余序列，因而只适合处理粗时间粒度的流量，而无法处理具有长相关性的细时间粒度流量。本文用模糊自回归模型替代AR模型，使得改进的时序分解模型能够对任何时间粒度的网络流量进行建摸和预测。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法，将流量数据构成的原始序列进行小波分解，并将分解得到的近似部分和各细节部分分别单支重构到原级别上；对各个重构后的序列建立自回归模型，由所拟合的模型分别进行预测；结合各个重构后序列的预测结果，可以得到对原始序列的预测结果。实验结果表明，这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

基于ARMA-RESN的网络流量预测

为了获得更加理想的网络流预测结果,融合回声状态网络和自回归移动平均模型的优点,提出一种基于ARMA-RESN的网络流量预测模型。分别采用自回归移动平均和回声状态网络对网络流量线性变化特征和非线性变化特性进行建模与预测,对自回归移动平均和回声状态网络的预测结果进行融合,得到网络流量的最终预测结果,最后采用具体网络流量数据以及多个对比模型进行了仿真实验。仿真结果表明,相对于其他网络流量预测模型,ARMA-RESN不仅提高了网络流量的预测精度,而且具有更好的鲁棒性。     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

改进模糊自回归模型在预测网络接通率中的应用

针对通信网络中性能指标预测的需要,提出了基于改进的模糊自回归模型的接通率预测方法,研究了拟合度门限自适应的模糊自回归模型。将中值滤波应用于模糊自回归模型的数据预处理中,在此基础上,针对部分应用拟合度门限不明确的特点,将拟合度门限计算式加入预测模型中,实现模型拟合度门限的自适应。仿真实验表明：基于Fuzzy AR模型的预测方法可以用于对接通率的预测,预测结果拟合度较高。     

基于神经网络和自回归模型的网络流量预测

互联网的急速发展在给人类带来了巨大便利的同时,也使网络中的网络流量出现了爆炸性的增长,预测网络流量对于网络的研究、管理和控制都具有很高的现实指导意义.为了降低减少网络流量数据的预测误差,提出一种基于神经网络和自回归模型的网络流量预测模型——卷积神经网络(CNN)-长短期记忆(LSTM)网络+自回归(AR).通过卷积神经网络和长短期记忆网络结合来同时获取数据的短期局部依赖特征和长期发展趋势,添加历史连接组件将网络流量的周期性考虑在预测中,完成对网络流量中非线性项的处理,利用自回归模型预测线性项,将两部分结果结合得到最终预测值.实验结果表明,对比传统的网络流量预测模型,在最好情况下所提出模型的均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)分别减小了1.5604、0.1468和0.1405,这说明该模型有更好的预测表现,预测值与实际值的差距更小.     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

分形滤波的网络流量预测

提出了一种结合分形滤波与线性神经网络进行网络流量预测的新方法。通过分形滤波增强网络流量中的长相关结构,使序列更加平滑,根据相空间重构理论利用线性神经网络进行预测操作,并用实际网络流量验证该模型的有效性。     

基于FARIMA模型的Internet网络业务预报

最近的网络研究发现Internet网络业务同时呈现长相关和短相关特性,因此建立可以同时描述,预报长相关和短相关特性的网络业务模型很有必要。文中给出了利用FARIMA模型进行建模和预报的方法,实验表明这种方法用于实际Internet网络trace是非常有效的,另外提供了简化FARIMA模型拟合的方法和具体步骤,这样大大缩短了模型辨识的时间,对于实际网络预报有很好的实用性。     

Traffic modeling, prediction, and congestion control for high-speednetworks: a fuzzy AR approach

In this study, a fuzzy autoregressive (fuzzy-AR) model is proposed to describe the traffic characteristics of high-speed networks. The fuzzy-AR model approximates a nonlinear time-variant process with a combination of several linear local AR processes using a fuzzy clustering method. We propose that the use of this fuzzy-AR model has greater potential for congestion control of packet network traffic. The parameter estimation problem in fuzzy-AR modeling is treated by a clustering algorithm developed from actual traffic data in high-speed networks. Based on the adaptive AR-prediction model and queueing theory, a simple congestion control scheme is proposed to provide an efficient traffic management for high-speed networks. Finally, using the actual Ethernet-LAN packet traffic data, several examples are given to demonstrate the validity of this proposed method for high-speed network traffic control     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.     

面向海量数据的网络流量混沌预测模型

针对网络流量的混沌特性以及海量特性,为弥补网络流量预测模型存在的不足,以获得更优的网络流量预测结果,提出了面向海量数据的网络流量混沌预测模型。该模型首先采用小波分析对原始网络流量时间序列进行多尺度处理,得到不同特征的网络流量分量,然后对网络流量分量的混沌特性进行分析,分别进行重构,并采用机器学习算法中的极限学习机进行建模与预测,最后采用小波分析对网络流量分量的预测结果进行叠加,得到原始网络流量数据的预测值,并进行网络流量预测的仿真实验。实验结果表明,所提模型的网络流量预测精度超过90%,不仅预测精度结果远远超过其他网络流量预测模型的结果,而且其网络流量预测的结果更加稳定,因此是一种有效的网络流量建模与预测工具。     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

网络流量行为分析的小波加权混沌局域模型

结合小波变换和混沌局域模型的各自优势,提出一种网络流量的预测模型。首先,将网络流量时间序列进行小波分解得到高频信号序列和低频信号序列,再用加权混沌局域模型对每一成分的信号序列分别进行预测,对所有的预测分量进行小波重构就可以实现对网络流量的预测。用实际网络流量对该模型进行验证,实验结果表明,该模型具有较高的预测效果。