基于小波变换和时间序列的网络流量预测模型
发布时间：2021-07-18 07:56
随着互联网规模和应用的扩大,网络数据流量呈现出复杂多分形性的特点,针对这个特性,构建了基于小波分析和ARMA模型的网络流量预测模型,用Mallat算法将原始流量数据分解为4个分层数据,对各层数据用ARMA模型进行预测,再将各层预测数据重组为预测的网络流量.采用真实数据进行仿真的试验表明,基于小波分析和ARMA相结合的网络流量预测模型的预测结果具有较高的准确度,并在网络管理和优化中具有重要实用价值.
【文章来源】：河南理工大学学报(自然科学版). 2013,32(02)北大核心
【文章页数】：5 页
【部分图文】：
基于小波变换的ARMA预测技术路线图
本文的预测模型使用ARMA模型进行预测分析时，要先后进行定阶和参数估计，确定Mallat算法分解后各个分量的阶数和参数后，对各个分量进行预测．1．3Mallat数据重组通过使用ARMA模型分别对小波分解后的各层序列数据进行预测，在通过以下重构算法整合出最后的预测结果．本文使用的重构算法如下式(4)，数据重组的计算步骤如图3所示［9］．cj－1n=?nh*(n－2k)cjk+?ng*(n－2k)djk，(4)式中:h*［n］和g*［n］分别为h［n］和g［n］的逆运算．1．4基于小波变换的ARMA预测模型在基于小波变换的ARMA预测模型中，本文在做小波分解时，Mallat算法的层数取N=3，原始数据分解和对分解数据预测步骤如下:(1)将原始网络流量数据c0k使用3阶Mallat算法进行小波分解，分解为近似分量c3k和细节分量d1k，d2k，d3k．(2)将分解后的各层分量c3k，d1k，d2k，d3k分别使用ARMA模型进行各自序列的定阶和参数估计，并预测得到c3k，d1k，d2k，d3k．(3)预测后的各层分量c3k，d1k，d2k，d3k使用Mal-lat算法的逆运算逐层进行分量重构得到c2k，c1k，并最终得到对原始网络流量进行预测值c0k．2仿真试验2．1基于小波变换的ARMA预测的实现以下仿真试验使用的网络流量数据来自广东技术师范学院信息中心网关路由器的流量数据，时间从2012年3月1日到3月10日，时间间隔为15min，共计793个数据，流量的时间序列数据曲线如图4所示．图4显示网络流量具有一定的周期性和很强的不规则性，图4中呈现出周期性表明网络用户的上网行为具有一定的规律性，图4中也呈现出网络流量具有很强的跳跃
本文的预测模型使用ARMA模型进行预测分析时，要先后进行定阶和参数估计，确定Mallat算法分解后各个分量的阶数和参数后，对各个分量进行预测．1．3Mallat数据重组通过使用ARMA模型分别对小波分解后的各层序列数据进行预测，在通过以下重构算法整合出最后的预测结果．本文使用的重构算法如下式(4)，数据重组的计算步骤如图3所示［9］．cj－1n=?nh*(n－2k)cjk+?ng*(n－2k)djk，(4)式中:h*［n］和g*［n］分别为h［n］和g［n］的逆运算．1．4基于小波变换的ARMA预测模型在基于小波变换的ARMA预测模型中，本文在做小波分解时，Mallat算法的层数取N=3，原始数据分解和对分解数据预测步骤如下:(1)将原始网络流量数据c0k使用3阶Mallat算法进行小波分解，分解为近似分量c3k和细节分量d1k，d2k，d3k．(2)将分解后的各层分量c3k，d1k，d2k，d3k分别使用ARMA模型进行各自序列的定阶和参数估计，并预测得到c3k，d1k，d2k，d3k．(3)预测后的各层分量c3k，d1k，d2k，d3k使用Mal-lat算法的逆运算逐层进行分量重构得到c2k，c1k，并最终得到对原始网络流量进行预测值c0k．2仿真试验2．1基于小波变换的ARMA预测的实现以下仿真试验使用的网络流量数据来自广东技术师范学院信息中心网关路由器的流量数据，时间从2012年3月1日到3月10日，时间间隔为15min，共计793个数据，流量的时间序列数据曲线如图4所示．图4显示网络流量具有一定的周期性和很强的不规则性，图4中呈现出周期性表明网络用户的上网行为具有一定的规律性，图4中也呈现出网络流量具有很强的跳跃
【参考文献】：
期刊论文
[1]基于小波分解的网络流量时间序列建模与预测[J]. 张晗,王霞. 计算机应用研究. 2012(08)
[2]一种新的网络流量组合预测模型[J]. 段谟意. 计算机工程与应用. 2012(19)
[3]网络流量的非线性组合预测模型应用研究[J]. 赵岩,何鹏. 计算机仿真. 2012(06)
[4]一种新的基于ARIMA-SVM网络流量预测研究[J]. 邵忻. 计算机应用研究. 2012(05)
[5]改进的基于小波变换和FARIMA模型的网络流量预测算法[J]. 陈晓天,刘静娴. 通信学报. 2011(04)
[6]基于小波分形自回归整合滑动平均模型的网络流量预测[J]. 孙勇,白光伟,赵露. 计算机应用. 2011(04)
[7]基于小波变换的网络流量预测模型应用研究[J]. 赖小卿,卢淑萍. 计算机仿真. 2010(07)
[8]基于小波变换与自回归模型的网络流量预测[J]. 白翔宇,叶新铭,蒋海. 计算机科学. 2007(07)
[9]基于FARIMA模型的网络流量预测[J]. 李士宁,闫焱,覃征. 计算机工程与应用. 2006(29)
[10]基于小波技术的网络流量特性刻画[J]. 韩良秀,丛锁,阎华,高传善. 小型微型计算机系统. 2001(09)
本文编号：3289172
【文章来源】：河南理工大学学报(自然科学版). 2013,32(02)北大核心
【文章页数】：5 页
【部分图文】：
基于小波变换的ARMA预测技术路线图
本文的预测模型使用ARMA模型进行预测分析时，要先后进行定阶和参数估计，确定Mallat算法分解后各个分量的阶数和参数后，对各个分量进行预测．1．3Mallat数据重组通过使用ARMA模型分别对小波分解后的各层序列数据进行预测，在通过以下重构算法整合出最后的预测结果．本文使用的重构算法如下式(4)，数据重组的计算步骤如图3所示［9］．cj－1n=?nh*(n－2k)cjk+?ng*(n－2k)djk，(4)式中:h*［n］和g*［n］分别为h［n］和g［n］的逆运算．1．4基于小波变换的ARMA预测模型在基于小波变换的ARMA预测模型中，本文在做小波分解时，Mallat算法的层数取N=3，原始数据分解和对分解数据预测步骤如下:(1)将原始网络流量数据c0k使用3阶Mallat算法进行小波分解，分解为近似分量c3k和细节分量d1k，d2k，d3k．(2)将分解后的各层分量c3k，d1k，d2k，d3k分别使用ARMA模型进行各自序列的定阶和参数估计，并预测得到c3k，d1k，d2k，d3k．(3)预测后的各层分量c3k，d1k，d2k，d3k使用Mal-lat算法的逆运算逐层进行分量重构得到c2k，c1k，并最终得到对原始网络流量进行预测值c0k．2仿真试验2．1基于小波变换的ARMA预测的实现以下仿真试验使用的网络流量数据来自广东技术师范学院信息中心网关路由器的流量数据，时间从2012年3月1日到3月10日，时间间隔为15min，共计793个数据，流量的时间序列数据曲线如图4所示．图4显示网络流量具有一定的周期性和很强的不规则性，图4中呈现出周期性表明网络用户的上网行为具有一定的规律性，图4中也呈现出网络流量具有很强的跳跃
本文的预测模型使用ARMA模型进行预测分析时，要先后进行定阶和参数估计，确定Mallat算法分解后各个分量的阶数和参数后，对各个分量进行预测．1．3Mallat数据重组通过使用ARMA模型分别对小波分解后的各层序列数据进行预测，在通过以下重构算法整合出最后的预测结果．本文使用的重构算法如下式(4)，数据重组的计算步骤如图3所示［9］．cj－1n=?nh*(n－2k)cjk+?ng*(n－2k)djk，(4)式中:h*［n］和g*［n］分别为h［n］和g［n］的逆运算．1．4基于小波变换的ARMA预测模型在基于小波变换的ARMA预测模型中，本文在做小波分解时，Mallat算法的层数取N=3，原始数据分解和对分解数据预测步骤如下:(1)将原始网络流量数据c0k使用3阶Mallat算法进行小波分解，分解为近似分量c3k和细节分量d1k，d2k，d3k．(2)将分解后的各层分量c3k，d1k，d2k，d3k分别使用ARMA模型进行各自序列的定阶和参数估计，并预测得到c3k，d1k，d2k，d3k．(3)预测后的各层分量c3k，d1k，d2k，d3k使用Mal-lat算法的逆运算逐层进行分量重构得到c2k，c1k，并最终得到对原始网络流量进行预测值c0k．2仿真试验2．1基于小波变换的ARMA预测的实现以下仿真试验使用的网络流量数据来自广东技术师范学院信息中心网关路由器的流量数据，时间从2012年3月1日到3月10日，时间间隔为15min，共计793个数据，流量的时间序列数据曲线如图4所示．图4显示网络流量具有一定的周期性和很强的不规则性，图4中呈现出周期性表明网络用户的上网行为具有一定的规律性，图4中也呈现出网络流量具有很强的跳跃
【参考文献】：
期刊论文
[1]基于小波分解的网络流量时间序列建模与预测[J]. 张晗,王霞. 计算机应用研究. 2012(08)
[2]一种新的网络流量组合预测模型[J]. 段谟意. 计算机工程与应用. 2012(19)
[3]网络流量的非线性组合预测模型应用研究[J]. 赵岩,何鹏. 计算机仿真. 2012(06)
[4]一种新的基于ARIMA-SVM网络流量预测研究[J]. 邵忻. 计算机应用研究. 2012(05)
[5]改进的基于小波变换和FARIMA模型的网络流量预测算法[J]. 陈晓天,刘静娴. 通信学报. 2011(04)
[6]基于小波分形自回归整合滑动平均模型的网络流量预测[J]. 孙勇,白光伟,赵露. 计算机应用. 2011(04)
[7]基于小波变换的网络流量预测模型应用研究[J]. 赖小卿,卢淑萍. 计算机仿真. 2010(07)
[8]基于小波变换与自回归模型的网络流量预测[J]. 白翔宇,叶新铭,蒋海. 计算机科学. 2007(07)
[9]基于FARIMA模型的网络流量预测[J]. 李士宁,闫焱,覃征. 计算机工程与应用. 2006(29)
[10]基于小波技术的网络流量特性刻画[J]. 韩良秀,丛锁,阎华,高传善. 小型微型计算机系统. 2001(09)
本文编号：3289172
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3289172.html
