本文關(guān)鍵詞：基于小波變換的ARMA和極限學(xué)習(xí)機(jī)組合模型的網(wǎng)絡(luò)流量預(yù)測，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著社會網(wǎng)絡(luò)迅速發(fā)展,計算機(jī)網(wǎng)絡(luò)已經(jīng)發(fā)展成為現(xiàn)代化社會最為基礎(chǔ)的設(shè)施之一,人們的日常生活與之也越來越緊密。同時Internet的普及率越來越高,尤其是在一些地區(qū),網(wǎng)民數(shù)量呈爆炸式的增長,這對計算機(jī)網(wǎng)絡(luò)的安全及管理提出巨大挑戰(zhàn)。研究并利用網(wǎng)絡(luò)流量預(yù)測來對網(wǎng)絡(luò)進(jìn)行有效的監(jiān)管已經(jīng)成為計算機(jī)網(wǎng)絡(luò)應(yīng)用的重要工作。網(wǎng)絡(luò)流量預(yù)測主要是對采集的連續(xù)網(wǎng)絡(luò)數(shù)據(jù)通過建立某種數(shù)學(xué)模型來預(yù)測未來一段時間的網(wǎng)絡(luò)流量,然后通過對預(yù)測的結(jié)果分析出可能發(fā)生的問題,針對相應(yīng)的問題網(wǎng)絡(luò)管理員提前采用一定的預(yù)防措施,保障計算機(jī)網(wǎng)絡(luò)的安全/穩(wěn)定運行。同時流量預(yù)測對網(wǎng)絡(luò)的異�；蛘吖粜袨樘峁┝艘罁�(jù),對加強(qiáng)網(wǎng)絡(luò)管理、掌握流量的規(guī)律,以及提高擁塞服務(wù)、負(fù)載均衡都具有重要的意義。由于網(wǎng)絡(luò)流量數(shù)據(jù)的非平穩(wěn)性和長相關(guān)性等特點,采用單一的預(yù)測模式對原始時間序列預(yù)測很難取得好的效果。本文提出一種基于小波變換(Wavelet Transform)、自回歸滑動平均模型(ARMA)和極限學(xué)習(xí)機(jī)(ELM)的組合預(yù)測模型W-ARMA-ELM。這個模型利用小波分解的比例收縮特性將長相關(guān)的時間序列分解為短相關(guān)的子序列,然后使用自相關(guān)性和偏自相關(guān)分析確定子序列的平穩(wěn)性,再分別使用ELM和ARMA進(jìn)行預(yù)測。我們使用了三組不同的網(wǎng)絡(luò)流量數(shù)據(jù)來檢驗W-ARMA-ELM的預(yù)測性能,包括蘭州大學(xué)教育網(wǎng)和網(wǎng)通流量數(shù)據(jù),英國學(xué)術(shù)主干網(wǎng)流量數(shù)據(jù)。實驗結(jié)果表明,我們提出的組合方法要比單一的ARMA和ELM預(yù)測效果要好,預(yù)測精度有較大的提高。同時,文章指出使用自相關(guān)和偏自相關(guān)分析相結(jié)合的方法對分解后的子序列進(jìn)行平穩(wěn)性判定有利于幫助選擇合適的組合模型從而提高預(yù)測的精度。
【關(guān)鍵詞】：小波變換 ARMA ELM 網(wǎng)絡(luò)流量預(yù)測
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP393.06
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-11
• 1.1 本課題的研究背景和意義7
• 1.2 研究現(xiàn)狀7-9
• 1.3 本課題研究的工作概述9
• 1.4 本文的內(nèi)容安排9-11
• 第二章 網(wǎng)絡(luò)流量的特征分析和預(yù)測技術(shù)11-25
• 2.1 網(wǎng)絡(luò)流量的性質(zhì)11-16
• 2.1.1 自相似性11-12
• 2.1.2 長程相關(guān)性12-13
• 2.1.3 突發(fā)性13-14
• 2.1.4 隨機(jī)過程14-16
• 2.2 傳統(tǒng)流量預(yù)測技術(shù)16-21
• 2.2.1 泊松模型16-17
• 2.2.2 馬爾科夫模型17-18
• 2.2.3 時間序列模型18-19
• 2.2.4 分形布朗運動模型19-21
• 2.3 流量預(yù)測技術(shù)的新發(fā)展21-25
• 2.3.1 小波分析理論21-22
• 2.3.2 神經(jīng)網(wǎng)絡(luò)理論22-23
• 2.3.3 模糊理論23
• 2.3.4 混沌理論23-25
• 第三章 基于小波變換的ARMA和極限學(xué)習(xí)機(jī)組合模型25-34
• 3.1 小波分解及參數(shù)選擇25-27
• 3.2 ARMA的識別與參數(shù)估計27-30
• 3.3 極限學(xué)習(xí)機(jī)30-31
• 3.4 基于小波變換的組合模型設(shè)計與實現(xiàn)31-34
• 第四章 實驗結(jié)果及分析34-44
• 4.1 實驗數(shù)據(jù)的選擇和處理34-35
• 4.2 性能評價指標(biāo)35
• 4.3 實驗結(jié)果的比較與分析35-44
• 第五章 總結(jié)與展望44-46
• 參考文獻(xiàn)46-50
• 在學(xué)期間的研究成果50-51
• 致謝51

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳振偉;王茜;黃繼紅;;基于多神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型[J];計算機(jī)安全;2010年12期

2 于靜;王輝;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測[J];計算機(jī)工程與應(yīng)用;2013年08期

3 葉苗;王勇;;基于支持向量回歸學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測[J];桂林工學(xué)院學(xué)報;2007年02期

4 張正本;翟海慶;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測[J];河南機(jī)電高等�？茖W(xué)校學(xué)報;2008年06期

5 周丹琪;喬國平;張泉方;;基于K-Factor GARMA模型的網(wǎng)絡(luò)流量預(yù)測[J];江南大學(xué)學(xué)報(自然科學(xué)版);2008年02期

6 姜明;吳春明;張e，

本文編號：389729