隨著互聯(lián)網(wǎng)規(guī)模和應(yīng)用的擴大,網(wǎng)絡(luò)數(shù)據(jù)流量呈現(xiàn)出復(fù)雜多分形性的特點,針對這個特性,構(gòu)建了基于小波分析和ARMA模型的網(wǎng)絡(luò)流量預(yù)測模型,用Mallat算法將原始流量數(shù)據(jù)分解為4個分層數(shù)據(jù),對各層數(shù)據(jù)用ARMA模型進行預(yù)測,再將各層預(yù)測數(shù)據(jù)重組為預(yù)測的網(wǎng)絡(luò)流量.采用真實數(shù)據(jù)進行仿真的試驗表明,基于小波分析和ARMA相結(jié)合的網(wǎng)絡(luò)流量預(yù)測模型的預(yù)測結(jié)果具有較高的準確度,并在網(wǎng)絡(luò)管理和優(yōu)化中具有重要實用價值. 

【文章來源】：河南理工大學學報(自然科學版). 2013,32(02)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

基于小波變換的ARMA預(yù)測技術(shù)路線圖

本文的預(yù)測模型使用ARMA模型進行預(yù)測分析時，要先后進行定階和參數(shù)估計，確定Mallat算法分解后各個分量的階數(shù)和參數(shù)后，對各個分量進行預(yù)測．1．3Mallat數(shù)據(jù)重組通過使用ARMA模型分別對小波分解后的各層序列數(shù)據(jù)進行預(yù)測，在通過以下重構(gòu)算法整合出最后的預(yù)測結(jié)果．本文使用的重構(gòu)算法如下式(4)，數(shù)據(jù)重組的計算步驟如圖3所示［9］．cj－1n=?nh*(n－2k)cjk+?ng*(n－2k)djk，(4)式中:h*［n］和g*［n］分別為h［n］和g［n］的逆運算．1．4基于小波變換的ARMA預(yù)測模型在基于小波變換的ARMA預(yù)測模型中，本文在做小波分解時，Mallat算法的層數(shù)取N=3，原始數(shù)據(jù)分解和對分解數(shù)據(jù)預(yù)測步驟如下:(1)將原始網(wǎng)絡(luò)流量數(shù)據(jù)c0k使用3階Mallat算法進行小波分解，分解為近似分量c3k和細節(jié)分量d1k，d2k，d3k．(2)將分解后的各層分量c3k，d1k，d2k，d3k分別使用ARMA模型進行各自序列的定階和參數(shù)估計，并預(yù)測得到c3k，d1k，d2k，d3k．(3)預(yù)測后的各層分量c3k，d1k，d2k，d3k使用Mal-lat算法的逆運算逐層進行分量重構(gòu)得到c2k，c1k，并最終得到對原始網(wǎng)絡(luò)流量進行預(yù)測值c0k．2仿真試驗2．1基于小波變換的ARMA預(yù)測的實現(xiàn)以下仿真試驗使用的網(wǎng)絡(luò)流量數(shù)據(jù)來自廣東技術(shù)師范學院信息中心網(wǎng)關(guān)路由器的流量數(shù)據(jù)，時間從2012年3月1日到3月10日，時間間隔為15min，共計793個數(shù)據(jù)，流量的時間序列數(shù)據(jù)曲線如圖4所示．圖4顯示網(wǎng)絡(luò)流量具有一定的周期性和很強的不規(guī)則性，圖4中呈現(xiàn)出周期性表明網(wǎng)絡(luò)用戶的上網(wǎng)行為具有一定的規(guī)律性，圖4中也呈現(xiàn)出網(wǎng)絡(luò)流量具有很強的跳躍

本文的預(yù)測模型使用ARMA模型進行預(yù)測分析時，要先后進行定階和參數(shù)估計，確定Mallat算法分解后各個分量的階數(shù)和參數(shù)后，對各個分量進行預(yù)測．1．3Mallat數(shù)據(jù)重組通過使用ARMA模型分別對小波分解后的各層序列數(shù)據(jù)進行預(yù)測，在通過以下重構(gòu)算法整合出最后的預(yù)測結(jié)果．本文使用的重構(gòu)算法如下式(4)，數(shù)據(jù)重組的計算步驟如圖3所示［9］．cj－1n=?nh*(n－2k)cjk+?ng*(n－2k)djk，(4)式中:h*［n］和g*［n］分別為h［n］和g［n］的逆運算．1．4基于小波變換的ARMA預(yù)測模型在基于小波變換的ARMA預(yù)測模型中，本文在做小波分解時，Mallat算法的層數(shù)取N=3，原始數(shù)據(jù)分解和對分解數(shù)據(jù)預(yù)測步驟如下:(1)將原始網(wǎng)絡(luò)流量數(shù)據(jù)c0k使用3階Mallat算法進行小波分解，分解為近似分量c3k和細節(jié)分量d1k，d2k，d3k．(2)將分解后的各層分量c3k，d1k，d2k，d3k分別使用ARMA模型進行各自序列的定階和參數(shù)估計，并預(yù)測得到c3k，d1k，d2k，d3k．(3)預(yù)測后的各層分量c3k，d1k，d2k，d3k使用Mal-lat算法的逆運算逐層進行分量重構(gòu)得到c2k，c1k，并最終得到對原始網(wǎng)絡(luò)流量進行預(yù)測值c0k．2仿真試驗2．1基于小波變換的ARMA預(yù)測的實現(xiàn)以下仿真試驗使用的網(wǎng)絡(luò)流量數(shù)據(jù)來自廣東技術(shù)師范學院信息中心網(wǎng)關(guān)路由器的流量數(shù)據(jù)，時間從2012年3月1日到3月10日，時間間隔為15min，共計793個數(shù)據(jù)，流量的時間序列數(shù)據(jù)曲線如圖4所示．圖4顯示網(wǎng)絡(luò)流量具有一定的周期性和很強的不規(guī)則性，圖4中呈現(xiàn)出周期性表明網(wǎng)絡(luò)用戶的上網(wǎng)行為具有一定的規(guī)律性，圖4中也呈現(xiàn)出網(wǎng)絡(luò)流量具有很強的跳躍

【參考文獻】：
期刊論文
[1]基于小波分解的網(wǎng)絡(luò)流量時間序列建模與預(yù)測[J]. 張晗,王霞.  計算機應(yīng)用研究. 2012(08)
[2]一種新的網(wǎng)絡(luò)流量組合預(yù)測模型[J]. 段謨意.  計算機工程與應(yīng)用. 2012(19)
[3]網(wǎng)絡(luò)流量的非線性組合預(yù)測模型應(yīng)用研究[J]. 趙巖,何鵬.  計算機仿真. 2012(06)
[4]一種新的基于ARIMA-SVM網(wǎng)絡(luò)流量預(yù)測研究[J]. 邵忻.  計算機應(yīng)用研究. 2012(05)
[5]改進的基于小波變換和FARIMA模型的網(wǎng)絡(luò)流量預(yù)測算法[J]. 陳曉天,劉靜嫻.  通信學報. 2011(04)
[6]基于小波分形自回歸整合滑動平均模型的網(wǎng)絡(luò)流量預(yù)測[J]. 孫勇,白光偉,趙露.  計算機應(yīng)用. 2011(04)
[7]基于小波變換的網(wǎng)絡(luò)流量預(yù)測模型應(yīng)用研究[J]. 賴小卿,盧淑萍.  計算機仿真. 2010(07)
[8]基于小波變換與自回歸模型的網(wǎng)絡(luò)流量預(yù)測[J]. 白翔宇,葉新銘,蔣海.  計算機科學. 2007(07)
[9]基于FARIMA模型的網(wǎng)絡(luò)流量預(yù)測[J]. 李士寧,閆焱,覃征.  計算機工程與應(yīng)用. 2006(29)
[10]基于小波技術(shù)的網(wǎng)絡(luò)流量特性刻畫[J]. 韓良秀,叢鎖,閻華,高傳善.  小型微型計算機系統(tǒng). 2001(09)



本文編號：3289172