在互联网行业蓬勃发展的今天,流量数据作为互联网时代的新型数据,不但数据采集水平不断提升,数据规模逐步扩大,而且以其为基础的相关数据分析、数据挖掘的需求也在不断增加。网站流量预测一方面有助于企业及时获取网站发展规模、用户留存情况、营销推广效果等重要信息,更快速地调整战略方向,另一方面有助于企业进行风险控制,及时发现和排查异常现象,避免不必要的损失。因此,网站流量预测能帮助企业应对愈加严峻的行业竞争,其准确性和及时性直接关系到企业管理的效率和性能,是紧贴社会实际和满足实践需求的。网站流量总体上呈现出趋势性、周期性、随机性等时间序列的典型特征,因此本文探究将时间序列预测的方法运用于网站流量预测中,并关注预测效果的准确性。本文的数据来源为某旅游攻略网站的每日流量数据,日流量定义为网站24小时内的独立访客数量。现阶段常用的时序预测方法基本可以分为传统计量建模方法和基于机器学习算法的预测方法。传统计量模型以统计学模型为基础,数学结构简单且拟合速度快,但缺点是无法完全捕捉非线性特征,且对数据有若干平稳性要求。机器学习算法中的神经网络模型由于其灵活的非线性函数拟合能力、几乎不需要对数据设定假设条件的特性等优点,适用于非平稳非线性时间序列的预测,但其效果容易受到数据规模、数据分布以及参数设置的影响,且容易出现过拟合的问题。组合模型通过综合单一模型的特征捕获能力,更适用于捕捉时间序列的不同模式特征,从而提升模型的预测效果。常见的组合方法是加权平均组合和线性组合,即将时序拟合为线性成分和非线性成分的线性加总。分解集成模型也是时序预测研究中的常用方法。其首先将复杂的原始时序数据分解为若干易于描述且具有特定意义的简单模态分量,然后对各分量分别进行分析与预测,最后集成得到总体的预测结果。这种“先分解后集成”的方法可以捕捉和挖掘时间序列在不同尺度上的特征,有效降低建模难度,改善模型预测性能。但是序列分解后得到的最高频分量往往序列复杂度较高,包含大量不系统无规律的成分,影响整体的预测效果。本文首先探究单一的传统计量模型和神经网络模型之间的预测效果比较。由于时序存在周期性特征,且残差序列图和ARCH-LM检验显示残差序列同方差的假设不成立,因此在传统计量模型中选择SARIMA-GARCH模型进行拟合。神经网络模型中选择基础的BP神经网络模型和现阶段主流的LSTM神经网络模型进行拟合,同时在BP神经网络模型的基础上考虑了节假日外生变量的影响。模型结果显示,单一模型的预测效果受数据自身统计特征的影响大。传统计量模型更容易捕捉周期性时变特征,对呈现平稳小幅度周期性波动的测试集一的预测效果更好;神经网络模型更容易捕捉突变型非线性特征,对存在因国庆假期造成的显著流量波动的测试集二的预测效果更好。而考虑了节假日外生变量的BP模型的预测效果未优于原模型,预测效果不稳定,这也与外生变量的构建方式有关。本文其次探究单一模型与不同组合方法下组合模型之间的预测效果比较。考虑的组合方法包括三种不同权重设置的加权平均组合、线性组合和非线性组合,其中线性组合方法基于传统计量模型拟合线性成分,基于神经网络模型拟合非线性成分,而非线性组合方法用非线性函数拟合线性成分和非线性成分之间的关系,改善了线性组合方法的成分可加性假设。模型结果显示,一方面,非线性组合模型相较于线性组合模型预测效果有明显改善,说明成分可加性假设限制了线性组合模型的预测效果。另一方面,虽然组合模型的预测效果不一定优于单一模型,但其优势是可以在保证一定预测准确性的基础上提升预测效果的稳定性,不容易受数据自身统计特征的影响而出现预测效果的较大波动。本文然后探究单一模型与分解集成模型之间的预测效果比较。考虑的分解集成模型包括经验模态分解模型EMD和集合经验模态分解模型EEMD,分别基于传统计量模型和两种神经网络模型对各分解分量进行建模。模型结果显示,分解集成模型的预测准确性和方向精确度相较于单一模型都有显著提升,这验证了分解集成模型在互联网流量预测领域的方法可操作性和预测效果。本文最后探究分解集成模型改进模型与未改进模型之间的预测效果比较。针对EEMD分解后序列复杂度较高的分量IMF1,考虑小波去噪和VMD二次分解两种处理方法,分别建立EEMD-IMF1-WT和EEMD-IMF1-VMD改进模型。模型结果显示,EEMD-IMF1-WT模型由于受到参数设置和数据特征影响,预测效果无明显提升,而EEMD-IMF1-VMD模型的预测效果相较于未改进模型有显著提升,是本文中综合表现最优的模型。这说明针对复杂度较高和不规则成分较多的IMF1进行VMD二次分解的方法可以有效改进模型的预测效果。