经验模式分解与时间序列分析在网络流量预测中的应用
133 浏览量
2021-01-14
04:40:28
上传
评论
收藏 239KB PDF 举报
第 30 卷 第 5 期
Vol. 30 No. 5
控 制 与 决 策
Control and Decision
2015 年 5 月
May 2015
经验模式分解与时间序列分析在网络流量预测中的应用
文章编号: 1001-0920 (2015) 05-0905-06 DOI: 10.13195/j.kzyjc.2014.0453
田中大
1
, 李树江
1
, 王艳红
1
, 高宪文
2
(1. 沈阳工业大学 信息科学与工程学院，沈阳 110870；2. 东北大学 信息科学与工程学院，沈阳 110004)
摘 要: 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.
关键词: 网络流量；经验模式分解；时间序列；自相似；预测
中图分类号: TP393 文献标志码: A
Network traffic prediction based on empirical mode decomposition and
time series analysis
TIAN Zhong-da
1
, LI Shu-jiang
1
, WANG Yan-hong
1
, GAO Xian-wen
2
(1. School of Information Science and Engineering，Shenyang University of Technology，Shenyang 110870，China;
2. College of Information Science and Engineering，Northeastern University，Shenyang 110004，China．Correspondent:
TIAN Zhong-da，E-mail：tianzhongda@126.com)
Abstract: A network traffic prediction method based on empirical mode decomposition and time series self-similar analysis
is proposed. Firstly, network traffic time-series high and low frequency components are generated by empirical mode
decomposition. Then the component time series is analyzed to determine that the least squares support vector machine
model optimized by using the improved harmony search algorithm is used for high frequency components modeling, and the
auto regressive integrated moving average model is used for low frequency components modeling and remaining component
modeling. Finally, the final prediction result is obtained by RBF neural network nonlinear superposition. Simulation results
show that the proposed method has better prediction results and higher prediction accuracy.
Keywords: network traffic；empirical mode decomposition；time series；self-similar；prediction
0 引引引 言言言
网络流量是目前网络管理的一个重要参数, 在网
络资源有限的情况下设计网络的拥塞控制策略时, 网
络流量的准确预测对于减少网络拥塞、合理分配资
源、提高网络服务质量和发现网络异常行为等具有重
要的作用
[1]
.
近年来研究发现, 网络流量即使在流量突变时也
呈现出一定的变化规律, 这使得对网络流量序列进行
分析、预测成为可能. 网络流量预测通常采用的方法
是利用时间序列模型, 对流量特性进行分析刻画和建
模, 在此基础上进行流量预测. 目前的流量预测模型
包括基于短相关特性的自回归滑动平均 (ARMA) 模
型
[2-3]
、差分自回归滑动平均 (ARIMA) 模型
[4-5]
和基
于长相关特性的差分自回归求和滑动平均 (FARIMA)
模型
[6]
等线性模型. 文献 [7] 针对以上各模型进行了
不同尺度下的预测精度研究, 通过仿真指出每个模
型适应的时间尺度. 由于网络结构的动态变化, 网络
流量时间序列已经超出传统意义上认为的泊松或者
马尔可夫分布, 利用线性模型进行预测存在理论上
的不足, 难以保证预测的精确性. 常见的非线性模型
包括支持向量机(SVM)
[8]
、人工神经网络
[9]
和灰色模
型
[10]
等. 虽然非线性模型的预测精度较线性模型有
了一定程度的提高, 但是神经网络存在易陷于局部最
优值、网络结构难以确定、需要较大的数据样本等缺
点. 支持向量机虽然需要样本数小, 但是目前对于核
收稿日期: 2014-03-31；修回日期: 2014-07-15.
基金项目: 国家自然科学基金重点项目(61034005).
作者简介: 田中大(1978−), 男, 讲师, 博士, 从事时间序列分析与预测的研究；李树江(1966−), 男, 教授, 博士, 从事复杂
工业过程建模与控制等研究.
评论0
最新资源