论文部分内容阅读
伴随着移动互联网、高清视频、在线游戏、云应用等业务的兴起,网络流量呈现爆炸式增长,导致了各种网络问题的出现。为了给用户提供更优质的服务,网络的维护与管理就显得尤为重要。通过网络流量预测,不仅能够使人们实时监控网络流量,为运营商疏导流量提供重要基础数据依据,而且能为网络的流量控制、带宽分配、选路控制、故障管理等提供有效依据。这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务。因此,网络流量预测在现代通信网中起着举足轻重的作用。文章分析了几种网络流量单一预测模型的特点,但这些模型在预测性能上都存在着各自的缺陷。基于网络流量数据的长相关、自相似、周期性、突发性和多尺度等特点,单一的预测模型已远远不能准确地刻画复杂性较高的流量变化的规律。组合预测模型结合各种单一预测模型的优点对复杂的流量特性进行描述,大量实践研究结果表明,组合预测模型对复杂的流量特性的描述更加准确和全面,可以有效提高网络流量的预测精度。针对网络流量时间序列呈现出的非线性、非平稳、自相似、多尺度的特点,结合经验模式分解和最小二乘支持向量机两种方法的优点,建立了一种新的网络流量组合预测模型。该模型首先通过经验模式分解,将具有复杂特性的原始流量分解为若干个具有一定规律,相对比较单一,更加易于预测的时间序列。再用粒子群优化的最小二乘支持向量机模型分别对各分量进行预测,最后通过支持向量机组合得到原始序列的最终预测结果。通过实验验证了模型的有效性和可行性。该算法模型可以明显地提高网络流量的预测精度。由于LS-SVM模型的参数选择对模型的预测效果起着关键性的作用,本文又进一步研究,引入全局版人工鱼群算法来取代粒子群算法来优化参数,经过实验,基于全局版人工鱼群优化的最小二乘支持向量机的网络流量组合预测模型具有更好的预测精度。