GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

基于WT-BiLSTM-ARMA模型的PM2.5浓度预测研究

针对PM2.5浓度预测问题，提出一种基于小波变换的模型。在北京市六个大气污染监测站测得的PM2.5浓度数据上，运用小波分解算法对原始数据序列进行特征提取，使用BiLSTM对高频序列进行预测，同时使用ARMA对低频序列进行预测，最后将各个子序列的预测值进行小波重构得到最终预测结果。实验结果表明，相较于传统单一模型和组合模型，该模型的性能和预测精度均有提高。     

基于递归神经网络的网络流量组合预测模型

为了提高网络流量的预测精度,提出了一种基于Elman递归神经网络,小波和自回归的网络流量组合预测模型.对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,对具有平稳特征的尺度系数序列用AR模型进行预测:而对体现了网络流量非线性、非平稳特性的小波系数序列使用Elman递归神经网络进行预测,最后通过Mallat算法重构得到网络流量的预测值.     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法，将流量数据构成的原始序列进行小波分解，并将分解得到的近似部分和各细节部分分别单支重构到原级别上；对各个重构后的序列建立自回归模型，由所拟合的模型分别进行预测；结合各个重构后序列的预测结果，可以得到对原始序列的预测结果。实验结果表明，这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

网络流量短期预测方法的研究与应用

给出了网络流量短期预测方法.该方法运用小波变换自适应时频局部化分析方法和改进的Mallat算法将网络流量分解到不同频带上,然后对各子频带上的小波分进行不同阈值的消噪处理,再对仍是非平稳过程的分量进行差分处理使其转化为平稳序列,最后对各平稳过程分量采用ARMA模型进行预测.实际流量分析表明该方法简便,且短期预测精度较高.     

城域网P2P流量预测模型研究

网络流量测量与建模对网络管理有着重要的意义。为了合理规划P2P网络资源,提出了一种基于小波与时间序列分析的P2P流量预测模型。通过对原始序列的小波分解与单支重构,并使用了所提出的一种统计分析方法对流量进行平稳化处理,针对各分支特点分别采用ARMA和ARIMA模型进行预测,最后组合各分支的预测结果获得最终预测值,并对该预测值使用动态指数平滑模型进行优化。实验结果表明,对比已有的方法,这种方法具有更高的预测精度。     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

基于小波分析和Hopfield的网络流量预测

针对传统单一的网络流量模型不能对网络流量的复杂特性进行精确模拟的问题,提出一种基于αTrous小波分析和Hopfield神经网络的组合模型对网络流量进行预测。首先对网络流量进行归一化处理并采用αTrous小波变换;然后对小波单支进行重构,并将低频成分送入AR模型高频成分送入Hopfield神经网络进行建模预测;最后对各分量进行合成得到预测值。仿真实验结果表明,该模型提高了预测精度,并且具有很好的网络适应性。     

融合小波变换与贝叶斯LS SVM的网络流量预测*

为了提高网络流量预测的精度,研究了一种融合小波变换与贝叶斯LSSVM的网络流量预测方法。首先将原始流量数据时间序列进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上;对各个重构后的序列分别用最小二乘支持向量机进行预测,将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择;将各个预测结果重构后得到对原始序列的预测结果。对比实验表明,该模型不仅具有较快的运行速度,而且具有较高的预测精度。     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于小波分解的网络流量模型

论文充分利用小波变换具有多分辨率的特点,将时域里的网络流量通过小波分解,分解到不同的频带上。再对各子频带上的细节分量使用不同阈值进行消噪处理,使分解后的流量在频率成分上较单一,且平稳性较好。然后采用自回归滑动平均混合模型对小波分解去噪后的不同分量分别进行预测再合成预测流量。对实际流量进行模拟预测,结果表明该模型有效地提高了预测精度,能对网络流量特别是短期流量作出较为准确的预测。     

基于ARMA和小波变换的交通流预测模型研究

基于小波变换理论和自回归滑动平均(ARMA)时间序列模型的相关知识,研究了智能交通优化控制系统中的交通流量的预测问题。首先,在对实际监测的交通流量数据进行小波变换处理的基础上,建立交通流量的预测模型;然后,利用最小二乘法理论对ARMA模型的参数结构进行了详细地分析;同时给出基于小波变换和ARMA模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型和数据传输模型;最后,用某交通观测站的实测数据对模型进行实际仿真。仿真结果表明,文中所设计的模型和算法是有效的。     

基于小波的网络流量特征分析

网络流量的特性分析一直是通信网络性能分析的一个极其重要的问题.本文充分利用小波变换具有多分辨率的特点,将时域里的网络流量通过小波分解,分解到不同的频带上,再对各子频带上的细节分量使用不同阀值进行消噪处理,然后采用自回归滑动平均混合模型对小波分解去噪后的不同分量分别进行预测再合成预测流量.对实际流量进行模拟预测,结果表明该模型有效地提高了预测精度,能对网络流量特别是短期流量做出较为准确的预测.     

网络流量行为分析的小波加权混沌局域模型

结合小波变换和混沌局域模型的各自优势，提出一种网络流量的预测模型。首先，将网络流量时间序列进行小波分解得到高频信号序列和低频信号序列，再用加权混沌局域模型对每一成分的信号序列分别进行预测,对所有的预测分量进行小波重构就可以实现对网络流量的预测。用实际网络流量对该模型进行验证，实验结果表明，该模型具有较高的预测效果。     

基于组合模型的自相似业务流量预测

针对经验模式分解存在的模态混叠问题,提出了一种基于组合模型的自相似业务流量预测方法。首先通过对网络流量进行集合经验模式分解,有效地去除自相似网络流量中存在的长相关性。接着根据分解得到的各本征模态函数分量的不同特性,分别采用人工神经网络与自回归滑动平均模型对其进行预测,最终再将预测结果进行组合。仿真结果表明,提出的方法对于实际网络流量数据具有较高的预测精度。     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

基于小波方法的Internet流量的预测建模

小波模型是自相似过程的流量模型，Internet流量数据属于非平稳的时问序列，小波变换可将非平稳的时间序列变为多个平稳的分量，再对分量采用相应的回归模型进行预测，然后将各个预测分量利用小波重构成最终的预测流量。通过实例具体说明了如何利用小波变换对Internet流量数据进行分析、预测。     

基于灰色小波的网络流量组合预测模型

为了更准确的预测网络流量和刻画流量特性,提出了一种基于小波变换理论与灰色理论的组合预测方法.该方法拟合了小波分解的平稳化处理优点和灰色预测中的平移处理优点,根据提出的预测方法建立了基于灰色小波的网络流量预测模型.首先对分解后的时间序列分别进行平移预处理,然后对预处理后的序列数据进行预测并重构,从而得到原始时间序列的预测值.对实际的采集数据进行仿真实验,仿真结果表明,该方法预测效果良好,优于一般小波预测方法.