基于小波變換的ARMA和極限學習機組合模型的網(wǎng)絡流量預測.pdf

1、隨著社會網(wǎng)絡迅速發(fā)展，計算機網(wǎng)絡已經(jīng)發(fā)展成為現(xiàn)代化社會最為基礎的設施之一，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，這對計算機網(wǎng)絡的安全及管理提出巨大挑戰(zhàn)。研究并利用網(wǎng)絡流量預測來對網(wǎng)絡進行有效的監(jiān)管已經(jīng)成為計算機網(wǎng)絡應用的重要工作。網(wǎng)絡流量預測主要是對采集的連續(xù)網(wǎng)絡數(shù)據(jù)通過建立某種數(shù)學模型來預測未來一段時間的網(wǎng)絡流量，然后通過對預測的結(jié)果分析出可能發(fā)生的問題，針對相

2、應的問題網(wǎng)絡管理員提前采用一定的預防措施，保障計算機網(wǎng)絡的安全/穩(wěn)定運行。同時流量預測對網(wǎng)絡的異常或者攻擊行為提供了依據(jù)，對加強網(wǎng)絡管理、掌握流量的規(guī)律，以及提高擁塞服務、負載均衡都具有重要的意義。
　　由于網(wǎng)絡流量數(shù)據(jù)的非平穩(wěn)性和長相關(guān)性等特點，采用單一的預測模式對原始時間序列預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）和極限學習機（ELM）的組合預測模型W

3、-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進行預測。我們使用了三組不同的網(wǎng)絡流量數(shù)據(jù)來檢驗 W-ARMA-ELM的預測性能，包括蘭州大學教育網(wǎng)和網(wǎng)通流量數(shù)據(jù)，英國學術(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預測效果要好，預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