一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法技术

本发明专利技术公开一种基于自回归滑动平均模型和极限学习机的网络流量预测方法该方法分为数据处理、机器学习、流量预测、结果对比四个主要步骤，利用小波变换对网络流量时间序列原始数据进行预处理，然后利用自回归滑动平均模型和改进的极限学习机对分解的网络流量时间序列进行建模和预测，最后检测评估模型效果。本发明专利技术用于解决以往模型所存在的问题，改善预测结果的准确性。

【技术实现步骤摘要】
一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法
本专利技术属于计算机网络
，具体涉及一种网络流量的预测方法。
技术介绍
随着互联网的快速发展，网络成为人们交流和沟通的一个重要平台。网络的业务种类和流量急剧增加，网络流量的预测成为了人们关注的重点。网络流量受到多方面因素影响，其变化十分复杂，对未来网络流量数据进行合理的预测，对于了解即将发生的网络行为、分析网络安全状况、指导网络安全监测与控制都具有非常重要的意义。为了实现更加精准的网络流量数据预测，对网络流量的特征进行分析，从而建立更准确、有效的网络流量预测模型已成为众多研究热点之一。主要方法是通过分析网络流量时间序列的时间周期特性、自相似性、长短相关性、混沌特性，设计建立适当的模型，实现对网络流量的建模与预测。机器学习的很多学习方法都被用于建模和预测，现在也被广泛运用在网络流量预测之中。众多的研究人员先后提出了多个预测方法和预测模型来仿真网络流量的特性，预测效果和精确度都在不断提升。根据预测出的网络流量数据和网络流量特征，可以对网络资源进行合理的配置，设计出更好的网络结构，均衡网络负载，避网络拥塞，优化网络资源，使网络服务更加安全、稳定，具有巨大的经济、技术和社会研究价值。网络流量的建模与预测经过了长时间的发展和研究，变得更加灵活与精确。针对模型的优缺点选择合适的模型并应用于网络流量的预测，是实现网络流量预测最重要的步骤。本专利技术设计了一种基于自回归滑动平均模型和极限学习机的网络流量预测方法。该方法分为数据处理、机器学习、流量预测、结果对比四个主要步骤，利用小波变换对网络流量时间序列原始数据进行预处理，然后利用自回归滑动平均模型和改进的极限学习机对分解的网络流量时间序列进行建模和预测，最后检测评估模型效果。
技术实现思路
本专利技术提出了一种基于自回归滑动平均模型和极限学习机的网络流量预测方法，即结合主动在线学习、极限学习机和自回归滑动平均模型的网络流量预测方法。本专利技术用于解决以往模型所存在的问题，改善预测结果的准确性。技术方案：一种基于自回归滑动平均模型和极限学习机的网络流量预测方法，其特征在于：该方法通过对网络流量时间序列的混沌特性和自相似性分析，提出一种应用小波变换、相空间重构、自回归滑动平均模型(ARMA)、极限学习机(ELM)技术的组合预测方法。本专利技术通过对网络流量时间序列进行分析，发现网络流量时间序列存在自相似性、长(短)相关性、混沌特性，这些特点对于实现网络流量模型的建立和预测具有重要的作用。针对网络流量高低频分量的不同特性，本专利技术设计了基于小波变换的网络流量时间序列原始数据预处理方法，该方法可以将网络流量时间序列分为高频和低频两部分，具有运算快速的特点；针对自相似性，本专利技术采取了相空间重构的方法，对网络流量时间序列混沌分析和处理；针对低频分量，本专利技术采取了自回归滑动平均模型建模分析；针对高频分量，本专利技术采用极限学习机进行建模分析；针对网络流量时间序列不断产生的特点，本专利技术在极限学习机(ELM)结合在线学习技术，以实现实时建模预测的功能。使用本方法进行网络流量建模预测，预测结果的准确度更高，计算速度更快。本专利技术的预测方法为如下步骤：1.一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法，其特征在于，包括以下步骤：(1)设计基于小波变换的网络原始数据预处理方法式中，x(t)是长度为N的网络流量原始数据，N为大于0的任意正整数，c(t)为网络流量的高频分量，r(t)为网络流量的低频分量，t∈(1，N)，H为高频滤波器系数矩阵，H＝[-0.482960.83652-0.22414-0.12941]，G为低频滤波器系数矩阵，G＝[-0.129410.224140.836520.48296]，l为分解尺度，l为小于正无穷的极大数；λ为平移系数，λ在区间[0,1]的任意值；(2)建立基于极限学习机的高频分量预测模型式中，L为极限学习机的隐含层节点数，c(t)为输入高频分量，f(·)为激励函数，νi为隐含层节点与输入层节点的连接权值，vi随机初始化为任意值；δi为隐含层节点与输出层节点的连接权值，δi随机初始化为任意值；bi为隐含层节点的偏置值，bi随机初始化为任意值；yc(t)为样本经极限学习机模型的输出预测值，t为时序，i为隐含层序号；(3)建立基于自回归滑动平均模型的低频分量预测模型步骤1，利用最小信息量准则确定ARMA模型的自回归阶数p和移动平均阶数q：式中，min()为取极小值函数，的计算方法如式(4)所示；式中，r(t)为网络原始数据经小波变换后输出的低频分量，N为原始网络流量数据的长度；步骤2，利用最小二乘估计法对ARMA模型的未知参数进行估计，未知参数包括自回归系数自相关系数和偏相关系数式中，p为步骤1中确定的自回归阶数，q为步骤1中确定的移动平均阶数，R、的定义如式(7)和式(8)所示；式中，p为步骤1中确定的自回归阶数，q为步骤1中确定的移动平均阶数；ε(t)为与r(t)独立同分布的时间序列，与r(t)序列的期望和方差都相等，ε(t)序列中的值随机初始化；步骤3，根据得到的参数建立ARMA模型，ARMA的数学模型表示为：式中，yr(t)为样本经ARMA模型的输出预测值，为步骤2中确定的自回归系数、为步骤2中确定的自相关系数，p为步骤1中确定的自回归阶数，q为步骤1中确定的移动平均阶数，ε(t)为步骤2中确定的与r(t)独立同分布的时间序列；(4)分量重构过程对各模型输出分量进行小波重构，实现网络流量单步或多步预测；Y＝{yr,t+yc,t,yr,t+λ+yc,t+λ,yr,t+2λ+yc,t+2λ,…,yr,t+(m-1)λ+yc,t+(m-1)λ}(10)式中，Y为经小波重构后得到的多维网络流量预测值；yr(t)为步骤(3)中输出的ARMA模型的高频分量预测值，yc(t)为步骤(2)中输出的极限学习机模型低频分量预测值，m为网络原始流量数据的维数，λ为平移系数，λ在区间[0,1]的任意值。本专利技术的创造性主要体现在：本专利技术通过对网络流量时间序列进行分析，发现网络流量时间序列存在自相似性、长(短)相关性、混沌特性，这些特点对于实现网络流量模型的建立和预测具有重要的作用。针对网络流量高低频分量的不同特性，本专利技术设计了基于小波变换的网络流量时间序列原始数据预处理方法，该方法可以将网络流量时间序列分为高频和低频两部分，具有运算快速的特点；针对自相似性，本专利技术采取了相空间重构的方法，对网络流量时间序列混沌分析和处理；针对低频分量，本专利技术采取了自回归滑动平均模型建模分析；针对高频分量，本专利技术采用极限学习机进行建模分析；针对网络流量时间序列不断产生的特点，本专利技术在极限学习机(ELM)结合在线学习技术，以实现实时建模预测的功能。在线极限学习机是为了应本文档来自技高网...

【技术保护点】
1.一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法，其特征在于，包括以下步骤：/n(1)设计基于小波变换的网络原始数据预处理方法/n

【技术特征摘要】
1.一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法，其特征在于，包括以下步骤：
(1)设计基于小波变换的网络原始数据预处理方法



式中，x(t)是长度为N的网络流量原始数据，N为大于0的任意正整数，c(t)为网络流量的高频分量，r(t)为网络流量的低频分量，t∈(1，N)，H为高频滤波器系数矩阵，H＝[-0.482960.83652-0.22414-0.12941]，G为低频滤波器系数矩阵，G＝[-0.129410.224140.836520.48296]，l为分解尺度，l为小于正无穷的极大数；λ为平移系数，λ在区间[0,1]的任意值；
(2)建立基于极限学习机的高频分量预测模型



式中，L为极限学习机的隐含层节点数，c(t)为输入高频分量，f(.)为激励函数，vi为隐含层节点与输入层节点的连接权值，vi随机初始化为任意值；δi为隐含层节点与输出层节点的连接权值，δi随机初始化为任意值；bi为隐含层节点的偏置值，bi随机初始化为任意值；yc(t)为样本经极限学习机模型的输出预测值，t为时序，i为隐含层序号；
(3)建立基于自回归滑动平均模型的低频分量预测模型
步骤1，利用最小信息量准则确定ARMA模型的自回归阶数p和移动平均阶数q：



式中，min()为取极小值函数，的计算方法如式(4)所示；



式中，r(t)为网络原始数据经小波变换后输出的低频分量，N为原始网络流量...

【专利技术属性】
技术研发人员：张延华，杨思成，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11