基于组合模型的网络流量预测-精选.ppt

2 研究方法 兰州大学 小波分解 一种基于信号的时间、尺度的分析方法 它具有在时间和频率两个域中提取信号局部特征的能力，非常适合对非平稳的序列进行特征提取和分析 连续小波变换 离散小波变换 RESEARCH METHODS * 2 研究方法 兰州大学 小波分解 Mallet算法 Mallat 分解算法示意图 RESEARCH METHODS * 3 模型设计 model design 兰州大学 * 小波分解及参数选择 Daubechies(dbN)小波 Symlet(symN)小波 Coiflet(coifN)小波 Biorthogonal(biorNr.Nd)小波 3 模型设计 model design 兰州大学 小波基选择 分解层数选择 + * ARMA建模过程 3 模型设计 model design 兰州大学 1 4 2 5 3 6 平稳性判定 自相关系数 偏自相关系数 模型识别 模型检验 模型预测 * 基于小波变换的组合模型设计与实现 方法二 3 模型设计 model design 兰州大学 小波分解 平稳性判断 ARMA建模 ELM建模 重构 * 4 实验结果及分析 experiment results and analysis 兰州大学 * 4 实验结果及分析 experimental results and analysis 兰州大学 性能评价指标 为了检验实验的预测精度，我们使用了三种不同的统计指标：平均绝对误差百分比（Mean Absolute Percentage Error），平均绝对误差（Mean Absolute Error）和均方根误差（Root Mean Square Error）。 * 4 实验结果及分析 experimental results and analysis 兰州大学 实验数据 一共七天的每天08:00到24:00之间的192条数据进行实验，将前六天的数据作为训练数据，最后一天的数据作为测试数据. * 大吉大利 大吉大利 大吉大利 2014年底，全球互联网用户总数到达29亿人，预计2017占全球人口总数50%。利用网络流量分析建立有效的拥塞机制，找出异常的数据包，避免网络阻塞已经成为网络管理必不可少的工作。而有效的网络流量预测可以对网络的异常或者攻击行为提供管理依据，对加强网络安全，带宽分配机制以及拥塞服务、制定网络计划、负载均衡都具有重要的意义。 * 大吉大利 网络流量预测主要是对采集的连续网络数据通过建立某种数学模型来预测未来一段时间的网络流量。实际上网络流量往往是多特性的，而且是非平稳性的，但是上面介绍的模型大都是根据平稳的流量序列进行建模，所以用线性方法来预测非平稳特性的网络流量存在一定缺陷，导致它的预测精度也不高。因此，很多非线性的模型如人工神经网络被用于网络流量的预测。 * 大吉大利 * 大吉大利 ARMA模型是建立在马尔科夫随机过程基础上的。它既吸取了回归分析的优点，又发扬了移动平均的长处。它是根据数据序列的自相关函数和偏相关函数建立起线性数据间的定量模型，反映了数据现在活动和过去活动的本质联系。另外，由于ARMA模型对时间序列的噪声进行了分析处理，只剩下与历史无关的白噪声，所以它成为线性模型的最优预测方式之一。 * 大吉大利 传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。但是传统的基于梯度的神经网络有参数太多难以确定，计算时间长、容易陷入局部最小化以及过度拟合等缺陷。 * 大吉大利 大吉大利 Mallat和Meyer 在信号的多分辨分析基础上，提出了计算离散正交小波变换的快速算法，即Mallet算法[23]。经过该算法原始信号被分解成散细节序列和近似序列两部分，分别代表信号的不同特征。该算法的优点在于设计简单，运算快捷。 * 大吉大利 大吉大利 Daubechies(dbN)小波： Daubechies小波基函数有比较优良的正则性，也就是说它可以充作由稀疏基引入的光滑误差却不被发觉，使得原始的信号在加入光滑误差之后变得比较光滑。 Symlet(symN)小波：同Daubechies小波相比，symN在连续性、滤波器长度和支集长度方面是一致的，但是在对称性方面却更有优势。 Coiflet(coifN)小波： Coiflet小波也是由美国杜克大学的Ingrid Daubechies教授提出并设计的，一般简写为coifN，N取值1到5。 Biorthogonal(biorNr.Nd)小波： Biorthogonal小波是为了解决信号的对称性和信号重构的不