R VM 的小时间尺度网络流量预测模型.PDF

第３４卷第１０期　　　 计算机应用与软件 Ｖｏｌ３４Ｎｏ．１０ ２０１７年１０月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｏｃｔ．２０１７ 基于ＫＰＣＡ优化ＩＨＳＲＶＭ的小时间尺度网络流量预测模型 杨　波 （昆明理工大学质量发展研究院　云南昆明６５００９３） （云南省计量测试技术研究院　云南昆明６５０２２８） 摘　要　　网络流量时间序列具有高维度、非线性和时变性等特征，针对传统时间序列模型预测精度较低的问 题，提出基于ＫＰＣＡ（ＫｅｒｎｅｌＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ）优化ＩＨＳＲＶＭ的小时间尺度网络流量预测模型。首先 对网络流量时间序列进行相空间重构，确定嵌入维数和延迟时间。然后利用ＫＰＣＡ对网络流量样本进行核主成 分特征提取，降低嵌入维数，并获取核主元矩阵。在此基础上，通过改进 ＨＳ（ＨａｒｍｏｎｙＳｅａｒｃｈ）算法（ＩＨＳ）确定 ＲＶＭ核参数。最后利用参数优化的ＲＶＭ模型进行小时间尺度网络流量预测。为了交叉验证模型的性能，采用 实际数据进行性能对比分析。结果表明，本模型性能优于ＫＰＣＡＩＨＳＥＳＮ、ＫＰＣＡＩＨＳＳＶＭ和ＩＨＳＲＶＭ模型，取 得了良好的效果。 关键词　　小时间尺度　网络流量　改进和声有哪些信誉好的足球投注网站算法　ＫＰＣＡ　ＲＶＭ 中图分类号　ＴＰ２７４　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１７．１０．０３２ ＳＭＡＬＬＴＩＭＥＳＣＡＬＥＮＥＴＷＯＲＫＴＲＡＦＦＩＣＰＲＥＤＩＣＴＩＯＮＭＯＤＥＬＢＡＳＥＤ ＯＮＫＰＣＡＡＮＤＯＰＴＩＭＩＺＥＤＩＨＳＲＶＭ ＹａｎｇＢｏ （ＱｕａｌｉｔｙＤｅｖｅｌｏｐｍｅｎｔＩｎｓｔｉｔｕｔｅ，ＫｕｎｍｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｋｕｎｍｉｎｇ６５００９３，Ｙｕｎｎａｎ，Ｃｈｉｎａ） （ＹｕｎｎａｎＩｎｓｔｉｔｕｔｅｏｆＭｅｔｒｏｌｏｇｙａｎｄＴｅｓｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，Ｋｕｎｍｉｎｇ６５０２２８，Ｙｕｎｎａｎ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｎｅｔｗｏｒｋｔｒａｆｆｉｃｔｉｍｅｓｅｒｉｅｓｉｓｈｉｇｈｄｉｍｅｎｓｉｏｎａｌ，ｎｏｎｌｉｎｅａｒａｎｄｔｉｍｅｖａｒｙｉｎｇ．Ｔｏｄｅａｌｗｉｔｈｌｏｗｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙｏｆｔｒａｄｉｔｉｏｎａｌｔｉｍｅｓｅｒｉｅｓｍｏｄｅｌｓ，ｗｅｐｒｏｐｏｓｅａｓｍａｌｌｔｉｍｅｓｃａｌｅｎｅｔｗｏｒｋｔｒａｆｆｉｃｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＫＰＣＡ ａｎｄｏｐｔｉｍｉｚｅｄＩＨＳＲＶＭ．Ｆｉｒｓｔｌｙ，ｐｈａｓｅｓｐａｃｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｎｅｔｗｏｒｋｔｒａｆｆｉｃｔｉｍｅｓｅｒｉｅｓｗａｓｃａｒｒｉｅｄｏｕｔｔｏｅｘｐｌｏｒｅｔｈｅ ｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｉｎｐｕｔｖａｒｉａｎｔｓａｎｄｏｕｔｐｕｔｖａｒｉａｎｔｓ．Ｔｈｅｎ，ＫＰＣＡｗａｓａｄｏｐｔｅｄｔｏｍａｋｅａｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｏｆｎｕｃｌｅａｒ ｃｏｍｐｏｎｅｎｔｓｏｆｎｅｔｗｏｒｋｔｒａｆｆｉｃｓａｍｐｌｅｓａｎｄｏｂｔａｉｎｅｄｔｈｅｖａｌｉｄｋｅｙｉｎｆｏｒｍａｔｉｏｎ．Ｏｎｔｈａｔｂａｓｉｓ，ＩｍｐｒｏｖｅｄＨＳ（ＩＨＳ） ａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｅｍｂｅｄｄｉｎｇｄｉｍｅｎｓｉｏｎａｎｄｎｕｃｌｅａｒｐａｒａｍｅｔｅｒｓ．Ｆｉｎａｌｌｙ，ＲＶＭｍｏｄｅｌｗｉｔｈｈｙｐｅｒ ｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｗａｓａｄｏｐｔｅｄｔｏｍａｋｅｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｎｅｔｗｏｒｋｔｒａｆｆｉｃ．Ｔｏｖｅｒｉｆｙｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｍｏｄｅｌ， ａｃｔｕａｌｄａｔａｗｅｒｅｃｏｌｌｅｃｔｅｄｔｏｍａｋｅａｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｏｆｐｅｒｆｏｒｍａｎｃｅ．Ｒｅｓｕｌｔｓｈａｖｅｓｈｏｗｎｔｈａｔ，ｉｔｅｎｊｏｙｓｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅｔ