基于小波包分析的网络流量组合预测模型

基于小波包分析的网络流量组合预测模型李慧敏【摘要】Network traffic combination prediction model based on wavelet packet analysis is proposed.The original discrete series consisting of network traffic data is decomposed into several approximate series and detail series.Then these series were reconstructed into several low frequency and high frequency series by wavelet packet.These series were predicted by LMMSE and AR models respectively according to their different features.The prediction of the original series can be obtained by the synthesis of each reconstructed series＇ prediction result.The simulation results with the real traffic traces show the accuracy and efficiency of the model.%提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.【期刊名称】《重庆文理学院学报（自然科学版）》【年(卷),期】2011(030)005【总页数】5页(P71-74,79)【关键词】网络流量;自回归模型;线性最小均方误差估计;小波包分析;流量预测【作者】李慧敏【作者单位】福建交通职业技术学院信息技术与工程系,福建福州350007【正文语种】中文【中图分类】TP393随着计算机网络的迅速发展，网络规模日益庞大和复杂，发生各种故障的可能性也越大，为了给用户提供优质的服务，网络的维护与管理显得尤为重要.传统的响应式网络管理方法是在告警之后，解决潜在的问题，这时候网络服务很可能已经受到影响.这就使得网络流量预测技术备受关注，因为它使得提前发出预警成为可能.人们最初主要借鉴PSTN的流量模型，用Poisson模型来描述数据网络的流量模型.随着网络的发展，Paxson V与Floyd S指出这种传统的Poisson模型已经不适于Internet的流量描述与预测［1］.大量研究表明，实际的网络流量具有自相似性，是指统计意义下的自相似性，即它的统计特性独立于时间范围.在这方面国内很多学者进行了大量的研究工作.例如，丛锁等给出了基于小波技术的网络流量特性刻画［2］，并提出一种基于小波变换的网络流量多重分形模型［3］，用于分析网络流量的自相似特征;很多学者也把人工神经网络应用到流量预测中［4－5］并取得了一定预测效果.如何提高预测的准确度一直是网络流量预测的主要难题.本文就此问题展开研究.在本文的研究中，采用了从实际网络上收集的实时网络业务数据，实验结果表明该模型与比传统单一的预测模型相比有较高的预测精度.1 小波包多尺度分析小波变换理论［6］是上世纪80年代后期发展起来的应用数学分支，近年来被广泛地应用于信号处理、图像处理、模式识别等科学领域.它具有多分辨率(Multi－Resolution)即多尺度的特点，可以由粗及精地逐步观察信号.小波变换能有效处理非平稳时间序列，通过小波分解将时间序列一层一层分解到不同的频率通道上，得到的结果在频率成分上比原始信号单一，并且对时间序列做了平滑.小波包(waveletpacket)的概念是由M.V.Wiekerhauser，R.R.Coifman 等人在小波变换的基础上进一步提出来的，小波包借助于小波分解滤波器在各个尺度上对每个子带均进行再次降半划分，从而得到比二进离散小波变换更精细的信号分解.小波包的基本思想是对多分辨分析中的小波子空间也进行分解.令定义子空间为函数Wn(t)的闭包空间，为函数W2n(t)的闭包空间，并令Wn满足双尺度方程:式中g(k)=(-1)k h(1-k)，即两系数也具有正交关系，其等价表示为对离散信号S，采用(2)式和(3)式构造的小波包序列进行3层分解，分解结构如图1所示.图1 小波包的三层分解结构树1.1 小波包的分解与重构信号f(t)的正交小波分解可以表示为式中系数和的递推公式为正交小波的重建公式为设因，故小波包系数递推公式为式中分别为小波包分解系数;h0(2l-k)，h1(2l-k)分别为小波包分解的低通滤波器和高通滤波器组.小波包系数的重构可表示为式中g0(l-2k)，g1(l-2k)分别为小波包重构的低通和高通滤波器组.根据(10)式，信号可以通过小波包分解系数重构出各个子频带内的时域信号.重构后的时域信号可以表示为其中 x(t)表示原始信号;x0(t)，x1(t)，…，x2j-1(t)表示经过小波包分解系数重构后在各个子频带内的时域信号.可见，小波包分解系数重构后的各个子频带时域信号的叠加和就是原始信号，分解的频带个数由分解尺度决定.2 网络流量预测模型网络流量［7］具有较高的复杂性、非线性、不平稳性，可以通过小波包变换对其进行多尺度分解和单支重构获得多个近似信号和细节信号.通过分解和重构可以使信号的平稳性得到改善.近似信号和细节信号变换特点各不相同:近似信号保持了与原始流量完全相同的变化趋势而且数值很接近，体现了它对原始序列长期的、根本性影响，较好地体现了流量的周期性，可以采用LMMSE估计方法来预测下一时刻网络流量的近似信号;细节信号比较平稳，由于小波可以近似地去除流量过程的长相关，所以细节信号体现了短时间依赖关系，可以通过对细节信号先建立AR模型，然后再通过AR模型实现对下一时刻的细节信号的预测.最后，把各个预测的信号通过组合就可以生成流量的预测结果.2.1 对近似信号的预测2.1.1 LMMSE 估计文献［8］中给出了一种基于线性最小平均平方误差估计(LMMSE)的网络流量预测方法.令预测值^f(n+1)为已测量的前n个流量值的加权和:式中，R(n)是时间序列的协方差函数，一般可以通过经验公式获得，n是一个可变的参数，表示序列采样数.2.1.2 对近似信号的预测由于近似信号有较强的周期性，属于非平稳信号，对逼近信号进行LMMSE估计必须满足是零均值平稳随机过程的假设，可将待预测的原始信号序列进行零均值化处理.设x(t)表示原始序列，λ表示序列x(t)的均值，y(t)表示零均值化后的序列，则通过上式处理后，y(t)可以看作近似平稳序列，用LMMSE对序列y(t)进行预测的结果加上λ就可以得到原始序列的预测结果.2.2 对细节信号的预测通过对原始序列进行小波包多尺度分解和重构可以得到一系列细节信号，这些信号比较平稳，而且表现为短时间依赖关系，可以采用经典的自回归(AR)模型进行预测.对模型参数的估计通常有矩估计、最小二乘估计、极大似然估计等.本文采用矩估计方法.用AR模型进行预测分析时，通常要经过模型定阶、参数估计、适应性检验、利用模型递推法预测等几个主要步骤.对各序列分别进行分析和预测后，通过(11)式组合预测的各个近似信号和细节信号就可以生成原始流量的预测值.3 网络流量预测实验3.1 实验流程基于小波包分析的网络流量组合预测模型的实现过程描述如图2所示.其中，LMMSE估计需要先采用AIC准则来确定模型的阶数，再利用(12)～(14)式计算就可得到预测值.而使用AR模型对一个单独序列进行预测的实现过程主要包括模型定阶、参数估计、适应性检验、利用模型递推法预测这4个阶段.图2 基于小波包分析的网络流量组合预测模型的实现过程3.2 实验结果及分析本文采用Cricket(基于SNMP协议的监控网络流量和主机资源的开放源代码的管理工具)对中国教育科研网福建主节点上一台高端路由器(Cisco 7609)某端口流出流量进行监测，监测时间为3天，采样时间间隔为5分钟，所得流量数据曲线如图3所示.从图3中可以看出它具有很强的不规则性，而同时又表现出一定的周期性因素.图3 实际流量曲线图对实际流量数据序列进行零均值化.采用双正交小波bior6.8，用小波包分解算法对序列Y进行3层分解，并对近似部分和细节部分分别进行重构，得到的结果数据图形如图4所示.图4 D0～D7其中，D0～D7分别是第3层各部分分别重构到原级别的序列.比较可以看出，近似部分的重构结果明显比原序列平滑.对于这些分解重构后的各个序列，可以再次用其它的方法进行平稳化，从而能得到更高的预测准确度.但是，为了体现出本文基于小波包变换的预测效果，我们不再对它们做其它平稳化处理，而是直接通过建立组合模型进行预测.对D0进行LMMSE估计预测，对D1～D7采用AR模型进行预测，所得预测结果如图5所示.由图5可以看出，这种预测方法对急剧变化的点掌握得不好(这些点的误差较大，在定量误差分析时会对误差参数产生较大影响)，并且可以看出虽然预测结果的趋势跟实际流量一致，但随着流量值的增大，误差也相应变大.图5 预测图和预测误差在分解层数2和3下，使用本文介绍的方法，对原始流量数据进行预测，预测结果的误差数据如表1所示.其中，MAE(Mean Absolute Error)为平均绝对误差，MRE(Mean Relative Error)为平均相对误差.表1中数据表明，随着分解层数的增加，预测误差变小，即预测准确度提高，因为分解层数越多，分解后的各部分在频率成分上越单一.这也在一定程度上反映了小波包变换在本文预测方法中所起的作用.表1 变换层数为2和3时的预测误差变换层数MAE MRE L =2 3.2505 0.41032 L =3 2.2365 0.25383表2 不同方案的预测误差对比表方案MAE MRE LMMSE 7.1951 0.45775 Wavelet－ LMMSE 2.2365 0.25383为了查看本文方法的预测效果，我们分别使用本文介绍的方法和文献［8］介绍的方法对图3所示原始流量数据进行预测，预测结果的误差数据如表2所示.由表2中数据可以看出，本文方法的预测误差比另一种方案的预测误差有了大幅减小，这表明小波包分解和重构在预测过程中的作用是非常明显的.这个结果说明了，基于小波包分析的网络流量组合预测模型，对网络流量预测是可行、有效的，并且比常用的预测方法具有更高的预测准确度.4 结语本文提出一种基于小波包分析的网络流量组合预测模型，实验结果表明，该方法比传统的预测方法具有更高的预测精度，这表明小波包变换在网络流量预测中的作用是显著的.在对预测结果的分析中发现，本文的方法对急剧变化的点掌握得不好，并且可以看出虽然预测结果的趋势跟实际流量一致，但随着流量值的增大，误差也相应变大.所以下一步的主要研究工作就是针对这一块做改进.［参考文献］［1］Paxson V，Floyd S.Wide－area traffic:the failure of poissonmodeling ［J］.IEEE/ACM Transactions on Networking，1995，3:226 －244.［2］韩良秀，丛锁.基于小波技术的网络流量特性刻画［J］.小型微型计算机系统，2001，2(9):1110 －1113.［3］丛锁，韩良秀.基于离散小波变换的网络流量多重分形模型［J］.通信学报，2003，24(5):3 －8.［4］程光，龚俭.CERNET流量行为季节预测模型［J］.小型微型计算机系统，2002，23(11):1321 －1324.［5］冯海亮，陈涤，林青家，等.一种基于神经网络的网络流量组合预测模型［J］.计算机应用2006，26(9):2206 －2208，2228.［6］杨建国.小波分析及其工程应用［M］.北京:机械工业出版社，2005:17－63. ［7］李小航，刘渊，刘元珍.基于小波多尺度分析的网络流量组合预测方法研究［J］.微电子学与计算机，2008，25(1):130 －133.［8］Gao Yuan，He Guanghui，Hou JC.On exploiting traffic predictabilityin active queue management［M］.In Proc.of the INFOCOM 2002.NewYork:IEEE Communications Society，2002:1630 －1639.。

2011年4月Journal on Communications April 2011 第32卷第4期通信学报V ol.32No.4改进的基于小波变换和FARIMA模型的网络流量预测算法陈晓天，刘静娴（南京邮电大学通信与信息工程学院，江苏南京 210003）摘 要：提出了一种改进的基于小波变换和FARIMA模型的网络流量预测算法，先对经过预处理的流量进行小波分解，再进行Mallat算法单支重构，接着用FARIMA模型分别对重构后的单支进行预测，最后合成流量。

该算法较之传统的首先用FARIMA模型对小波系数进行预测再进行小波重构的算法减小了预测误差。

仿真实验也验证了改进算法的预测准确性。

关键词：小波变换；FARIMA；流量预测中图分类号：TN915 文献标识码：A 文章编号：1000-436X(2011)04-0153-05Network traffic prediction based on wavelettransformation and FARIIMACHEN Xiao-tian, LIU Jing-xian(College of Telecommunication & Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China) Abstract: An advanced network traffic prediction method based on wavelet transformation and FARIMA model was put forward. In the method, the original data was decomposed and reconstructed with Mallat algorithm, then FARIMA model was applied on each branch to predict and integrate the traffic. Simulation is carried out to verify the accuracy of pro-posed algorithm with real network traffic. Compared with the traditional method, the proposed method reduces the pre-diction error.Key words: wavelet transformation; FARIMA; traffic prediction1引言随着因特网的不断发展，网络承载的业务也日益多元化。

基于小波变换和时间序列的网络流量预测模型
麻书钦;范海峰
【期刊名称】《河南理工大学学报（自然科学版）》
【年(卷),期】2013(032)002
【摘要】随着互联网规模和应用的扩大,网络数据流量呈现出复杂多分形性的特点,针对这个特性,构建了基于小波分析和ARMA模型的网络流量预测模型,用Mallat 算法将原始流量数据分解为4个分层数据,对各层数据用ARMA模型进行预测,再将各层预测数据重组为预测的网络流量.采用真实数据进行仿真的试验表明,基于小波分析和ARMA相结合的网络流量预测模型的预测结果具有较高的准确度,并在网络管理和优化中具有重要实用价值.
【总页数】5页(P188-192)
【作者】麻书钦;范海峰
【作者单位】广东技术师范学院网络中心,广州510665;河南理工大学万方科技学院现代教育技术中心,河南焦作454000
【正文语种】中文
【中图分类】TP309
【相关文献】
1.基于时间序列分析的网络流量预测模型研究 [J], 周德懋;李舟军;康荣雷
2.一种基于小波变换和PSR-LSSVM的P2P网络流量预测模型 [J], 杨袆;周亚建
3.基于提升小波变换的网络流量混合预测模型 [J], 邹威;费金龙;祝跃飞;韩冬
4.基于小波变换的网络流量组合预测模型 [J], 崔兆顺
5.基于小波变换和极限学习机的网络流量预测模型 [J], 穆昌
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波方法的Internet流量的预测建模
曹雪;魏恒义;程竹林;曾明
【期刊名称】《计算机工程》
【年(卷),期】2003(029)015
【摘要】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间序列,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.
【总页数】3页(P56-57,114)
【作者】曹雪;魏恒义;程竹林;曾明
【作者单位】西安交通大学计算机科学与技术系,西安,710049;西安交通大学计算机科学与技术系,西安,710049;西安交通大学计算机科学与技术系,西安,710049;西安交通大学计算机科学与技术系,西安,710049
【正文语种】中文
【中图分类】TP393.06
【相关文献】
1.基于LSSVM的大型造船厂24 h用气流量预测建模 [J], 桑愈;陆国平;付向恒
2.小波方法在因特网数据流量预测建模中的应用 [J], 胡国胜;任震;陈一天
3.基于数据包字节长度的线性自回归(Autoregression)和支持向量分类机(SVM)的网络流量预测建模与分析 [J], 王靖华;何迪
4.基于神经网络算法的交通流量预测建模与计算 [J], 原二保
5.基于小波方法的黄河源头径流量的周期变化规律 [J], 梁四海;万力;胡伏生;张建锋
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波变换的PCNN网络流量预测算法韩小燕【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)016【摘要】网络流量预测对网络安全、网络管理等具有重要的意义。

针对网络流量的行为特征，提出了基于小波变换的PCNN网络流量预测算法。

对预处理的网络流量进行小波分解，利用PCNN模型预测获得的近似系数和细节系数，通过小波逆变换对预测的小波系数进行重构，得到预测的网络流量。

实验结果表明，与其他的三种网络流量预测算法相比，算法得到较小的残差，取得了较好的预测效果。

%Network traffic prediction is very important for network security, network management and so on. According to network behavior characteristics of network traffic, an improved network prediction model is proposed based on wavelet transformation and PCNN. In this paper, a wavelet transformation is needed to the preprocessing network traffic in advance. Then PCNN is conducted to get the similarity coefficient and detail coefficient. The predicting network traffic is obtained by reconstructing the predicting wavelet coefficients with the inverse of wavelet transformation. Experimental results show that the method is superior to the other three methods with smaller residual and better predicting results.【总页数】5页(P77-80,108)【作者】韩小燕【作者单位】无锡商业职业技术学院，江苏无锡 214153【正文语种】中文【中图分类】TP393【相关文献】1.一种基于小波变换和FARIMA模型的网络流量预测算法 [J], 王攀;张顺颐;严军荣;刘静娴;杨勇2.改进的基于小波变换和FARIMA模型的网络流量预测算法 [J], 陈晓天;刘静娴3.基于小波变换与组合模型的网络流量预测算法 [J], 魏永涛;汪晋宽;王翠荣;张琨4.基于神经网络的网络流量预测算法研究 [J], 虞丰檑;徐展琦;张林杰;杜爽5.改进的基于时变FARIMA模型和小波变换的网络流量预测算法 [J], 沈学利;邢寒蕊因版权原因，仅展示原文概要，查看原文内容请购买。

基于Gamma小波模型的网络流量预测孙勇;白光伟;赵露【期刊名称】《计算机工程》【年(卷),期】2011(037)009【摘要】网络流量的精确预测是实现动态流量管理及控制的前提,由此提出一种基于Gamma小波模型的预测方法.将原始数据分解为高频信号和低频信号,采用Gamma小波模型对低频信号进行建模并获取服从Gamma分布的序列,分别对刚获取的序列以及高频信号采用加权一阶局域法进行预测,重构小波以合成数据.通过实验和数学分析的方法,证实该预测模型能够进行网络流量的短期预测.%Dynamic traffic management and control are based on the accurate prediction of network traffic.This paper proposes a prediction method based on Gamma wavelet model.Original data series are decomposed by Haar wavelet into a low frequency signal and several high frequency signals.It models the low frequency signal and obtains the new series which obey Gamma distribution.It predicts the new series and the high frequency signals based on the weighted first order local prediction.The respective prediction series are synthesized to get the final prediction data.Experimental results and analytic studies show that the model does perform well in the short-term network traffic prediction.【总页数】3页(P187-189)【作者】孙勇;白光伟;赵露【作者单位】南京工业大学计算机科学与技术系,南京,210009;南京工业大学计算机科学与技术系,南京,210009;南京工业大学计算机科学与技术系,南京,210009【正文语种】中文【中图分类】TP393【相关文献】1.一种基于小波变换和PSR-LSSVM的P2P网络流量预测模型 [J], 杨袆;周亚建2.基于小波降噪和改进免疫优化的BP模型网络流量预测 [J], 潘赟;吴海燕3.基于小波变换和时间序列的网络流量预测模型 [J], 麻书钦;范海峰4.基于小波变换和极限学习机的网络流量预测模型 [J], 穆昌5.改进的基于时变FARIMA模型和小波变换的网络流量预测算法 [J], 沈学利;邢寒蕊因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波分解的网络流量时间序列建模与预测张晗;王霞【期刊名称】《计算机应用研究》【年(卷),期】2012(029)008【摘要】提出一种基于小波分解的网络流量时间序列的分析和预测方法.将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型.在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验.仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法.%This paper proposed a network traffic forecasting methods based on wavelet decomposition and time series analysis method. Firstly,the method decomposed the network traffic time series in multiple stationary components by wavelet decomposition, then used the autoregressive moving average method to model the each stationary component separately. Finally combined all the components of the model to get the forecasting model of the original non-stationary network traffic time series. It carried out the simulation experiment on time series data of the network library. The simulation results show that, the proposed method improves the network traffic time series forecasting accuracy rate, and it is an efficient, robust network traffic forecasting method.【总页数】3页(P3134-3136)【作者】张晗;王霞【作者单位】吉林大学计算机科学与技术学院,长春130012;吉林大学计算机科学与技术学院,长春130012【正文语种】中文【中图分类】TP181【相关文献】1.基于多尺度小波分解和时间序列法的风电场风速预测 [J], 李东福;董雷;礼晓飞;廖毅2.基于小波变换和时间序列的网络流量预测模型 [J], 麻书钦;范海峰3.基于双树复小波分解的云量时间序列模型预测 [J], 白云博; 欧阳斯达; 杨朦朦; 夏学齐; 王婷4.基于区间时间序列小波多尺度分解的组合预测方法 [J], 刘金培;汪漂;黄燕燕;陶志富5.基于小波分解和支持向量机的网络流量组合预测 [J], 段谟意因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波分析和Hopfield的网络流量预测喻皓;陈志峰【期刊名称】《计算机应用与软件》【年(卷),期】2013(030)006【摘要】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.%Aiming at the problem of traditional single network traffic model that it cannot accurately simulate the complex characteristics of network traffic,in this paper we propose a composite model to predict the network traffic which is based on αTrous wavelet analysis and Hopfield neural network,First,the network traffic is normalised and applied the αTrous wavelet transform; then the wavelet single is reconstructed,and for modelling and prediction,its low frequency component is sent into AR model,its high frequency component is sent into Hopfield neural network; Finally,the components are composited to obtain the predictive value.Simulation experimental results show that the model improves the prediction accuracy and has good adaptability to the network.【总页数】4页(P246-249)【作者】喻皓;陈志峰【作者单位】浙江建设职业技术学院浙江杭州311231;浙江建设职业技术学院浙江杭州311231【正文语种】中文【中图分类】TP393【相关文献】1.电力系统暂态信号的小波分析方法及其应用(三)基于小波分析的EHV输电线路单端量暂态保护 [J], 何正友;杨卿;钱清泉2.小波分析与神经网络的网络流量预测模型 [J], 王祥3.基于小波分析的ARMA-SVR网络流量预测方法 [J], 刘亮;江汉红;王洁;芮万智4.小波分析和AR-LSSVM的网络流量预测 [J], 冯华丽;刘渊5.基于小波分析和神经网络的网络流量预测 [J], 李小龙;杨文考因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波神经网络的网络流量预测摘要：预测网络流量虽然有很多方法，但是用小波神经网络来进行预测是准确率最高的，这种方法集成了小波变换和神经网络的优点。

本文主要对小波神经网络及网络流量预测进行了分析，进一步证明了小波神经网络的优势和可行性。

关键词：小波；神经网络；网络流量；预测Abstract: predict the network traffic while there are many ways, but the use of wavelet neural network to predict accuracy is the highest, this kind of method integration of the wavelet transform and neural network advantages. This paper mainly to the wavelet neural network and the network traffic prediction are analyzed, and the further proof that the wavelet neural network advantages and feasibility.Keywords: small wave. Neural network; Network flow; forecast中图分类号：F272.1文献标识码：A 文章编号：随着网络的迅猛发展，网络拥塞的现象越来越严重，此时预测网络流量显得如此重要。

网络流量是一个复杂的系统工程，其具有很多特性，如突发性、长相关等。

预测网络流量方法很多，如用小波变换、用神经网络等，这些方法虽然都能够实现预测网络流量，但是由于这些方法的局限性，预测结果的准确率有所不同。

因此，找出一个准确率高的方法进行网络流量预测是非常关键的。

1.小波神经网络1.1小波神经网络的结构形式小波神经网络其实就是小波分析理论与神经网络理论相结合的一种产物。

基于小波变换和优化的SVM的网络流量预测模型周晓蕾;王万良;陈伟杰【期刊名称】《计算机应用与软件》【年(卷),期】2011(028)002【摘要】提出一种基于小波变换和优化的SVM的网络流量预测模型(WaOSVM),首先对网络流量进行无抽取小波分解得到小波系数和尺度系数,然后选取适当核函数的SVM分别进行预测,其中SVM的参数用自适应量子粒子群算法(AQPSO)进行优化,最后将各预测结果进行小波重构得到最终预测结果.实验结果表明:优化过的SVM具有较好的泛化能力,该模型适合作长期预测,预测精度明显优于单一的SVM 和小波神经网络模型.%A new network traffic prediction model based on wavelet transform and optimised support vector machine (WsOSVM) is proposed.First, the network traffic is decomposed by non-decimated wavelet transform to acquire the scaling coefficients and wavelet coefficients,and then they are sent individually to different SVM with suitable kernel function for prediction.The parameters of SVM are optimised by adaptive quantum particle swarm optimisation (AQPSO).At last the predictions are combined into the final result by wavelet reconstruction.Experimental results show that the optimised SVM has better generalization performance.The proposed model is suitable for long-term pared with the single SVM and the wavelet neural networks model,it has much better prediction precision.【总页数】4页(P34-36,59)【作者】周晓蕾;王万良;陈伟杰【作者单位】浙江工业大学信息工程学院,浙江,杭州,310023;浙江工业大学信息工程学院,浙江,杭州,310023;浙江工业大学信息工程学院,浙江,杭州,310023【正文语种】中文【相关文献】1.一种基于小波变换和PSR-LSSVM的P2P网络流量预测模型 [J], 杨袆;周亚建2.基于FCM-LSSVM网络流量预测模型 [J], 殷荣网3.改进ABC算法优化LSSVM的网络流量预测模型 [J], 许爱军4.改进布谷鸟搜索算法优化SVM的网络流量预测模型 [J], 路璐;程良伦5.基于ABC+AFS-LSSVM的网络流量预测模型 [J], 孙群;袁宏俊因版权原因，仅展示原文概要，查看原文内容请购买。

基于提升小波变换的网络流量混合预测模型邹威;费金龙;祝跃飞;韩冬【摘要】当前流量预测模型难以准确刻画互联网流量的多重特性,并且存在构建时间长、预测精度低的问题.为此,设计基于提升小波分解的网络流量混合预测模型(WLGC).该模型利用提升小波将流量时间序列快速分解为分别具有低频和高频特性的近似时间序列和细节时间序列,近似时间序列利用最小二乘支持向量机(LSSVM)预测并通过广义回归神经网络(GRNN)进行误差校准,细节时间序列在半软阈值降噪后利用自适应混沌预测方法对其预测,最后使用提升小波重构得到时间序列的预测值.仿真实验结果表明,该模型可有效提高预测精度.【期刊名称】《计算机工程》【年(卷),期】2015(041)001【总页数】7页(P24-30)【关键词】流量预测;提升小波;最小二乘支持向量机;广义回归神经网络;阈值降噪;混沌预测【作者】邹威;费金龙;祝跃飞;韩冬【作者单位】数学工程与先进计算国家重点实验室,郑州450000;数学工程与先进计算国家重点实验室,郑州450000;数学工程与先进计算国家重点实验室,郑州450000;信息工程大学,郑州450000【正文语种】中文【中图分类】TP18随着互联网的迅速发展,网络规模日益扩大,网络应用日益多样化,形成了一个高度复杂的非线性非平稳系统。

网络资源的优化配置、网络的安全性和可靠性如何保证为人们提出了新的挑战。

对网络流量的准确分析以及精确高效预测是解决上述问题的有效手段。

网络流量具有多重特性,如非平稳、非线性、自相似性、长相关性、短相关性、多分形性、周期性、突发性、混沌性等。

传统的流量预测模型难以准确刻画当前的网络流量特性,因此,越来越多的研究转向了非线性预测方法,如神经网络[1]、小波变换[2]、支持向量机[3]、混沌模型[4]等。

神经网络具有优良的非线性处理能力,能够逼近任意的非线性网络,并且具备较强的自学习能力。

但神经网络基于的是经验风险最小化准则,可能会导致过度拟合的现象,使得网络的泛化能力下降。