專利名稱：一種利用短相關(guān)模型預(yù)測長相關(guān)序列的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種自相似網(wǎng)絡(luò)流量的預(yù)測方法，尤其涉及一種利用短相關(guān)模型預(yù)測長相關(guān)序列的方法。
背景技術(shù)：
網(wǎng)絡(luò)流量的建模和預(yù)測是研究網(wǎng)絡(luò)的性能、管理、協(xié)議及服務(wù)質(zhì)量的基礎(chǔ)，對(duì)網(wǎng)絡(luò)的規(guī)劃設(shè)計(jì)具有重要意義，因此針對(duì)網(wǎng)絡(luò)流量的建模和預(yù)測備受人們關(guān)注。由于網(wǎng)絡(luò)流量具有的自相似性對(duì)網(wǎng)絡(luò)數(shù)據(jù)包緩存的占用比傳統(tǒng)排隊(duì)論分析的結(jié)果大，導(dǎo)致了較大的丟包率和延時(shí)，所以為了保證網(wǎng)絡(luò)的服務(wù)質(zhì)量，在研究網(wǎng)絡(luò)流量的建模和預(yù)測過程中，需要對(duì)網(wǎng)絡(luò)流量的自相似性質(zhì)進(jìn)行深入研究，找出能夠刻畫及預(yù)測自相似流量的模 型。為此，研究人員主要做了兩方面工作一是使用傳統(tǒng)短相關(guān)(short range dependent,短相關(guān),簡稱“SRD”)模型來擬合長相關(guān)(long range dependent,長相關(guān),簡稱“LRD”)性質(zhì),傳統(tǒng)的短相關(guān)模型主要包括馬爾可夫模型(Markov)以及回歸模型，目前已證實(shí)短相關(guān)模型對(duì)網(wǎng)絡(luò)流量的預(yù)測精度較差；二是探索具有長相關(guān)特性的新模型對(duì)自相似網(wǎng)絡(luò)流量等時(shí)間序列建模及預(yù)測，主要包括分?jǐn)?shù)自回歸滑動(dòng)平均模型(Fractional Autoregressive IntegratedMoving Average, FARIMA)、分?jǐn)?shù)布朗運(yùn)動(dòng)模型(Fractional Brownian Motion, FBM)等，但由于長相關(guān)模型的算法復(fù)雜度較大，盡管預(yù)測精度有所提高，可預(yù)測時(shí)間亦大大增加，甚至無法滿足實(shí)際需要。近年來，又提出了自相似流量建模的新思路，即將具有自相似性的流量數(shù)據(jù)轉(zhuǎn)化為短相關(guān)數(shù)據(jù)，再利用短相關(guān)模型加以建模和預(yù)測，這樣可以有效地減小計(jì)算復(fù)雜度。一些研究指出，利用多重分形預(yù)測模型，可將難以預(yù)測分析的長相關(guān)流量序列轉(zhuǎn)化為可以用短相關(guān)線性模型預(yù)測的序列組；Patrick Flandrin及A. H. Tewfik等人分別對(duì)分形布朗運(yùn)動(dòng)及分形高斯噪聲進(jìn)行小波分析，發(fā)現(xiàn)小波變換的系數(shù)在同一尺度下構(gòu)成的序列不具有長相關(guān)特性。此外，人工神經(jīng)網(wǎng)絡(luò)由于其優(yōu)越的非線性預(yù)測能力，也被廣泛的應(yīng)用在流量數(shù)據(jù)的建模及預(yù)測方面。徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)是近年較為常用的網(wǎng)絡(luò)流量預(yù)測工具，天津大學(xué)的王俊松和高志偉利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)流量建模，并進(jìn)行了預(yù)測，雖然取得了較高的精度，但是回避了網(wǎng)絡(luò)流量通常具有自相似性的特點(diǎn)，未對(duì)自相似流量的預(yù)測進(jìn)行研究。

發(fā)明內(nèi)容
本發(fā)明解決的技術(shù)問題是構(gòu)建一種利用短相關(guān)模型預(yù)測網(wǎng)絡(luò)自相似流量長相關(guān)序列的方法，克服現(xiàn)有技術(shù)算法復(fù)雜、預(yù)測能力低下的技術(shù)問題。本發(fā)明的技術(shù)方案是提供一種利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，包括如下步驟分解自相似網(wǎng)絡(luò)流量取待分析信號(hào)X (t)的極大值點(diǎn)和極小值點(diǎn)分別用兩條三次樣條曲線擬合，得到X(t)的上下兩條極值包絡(luò)線，用m(t)表示兩條包絡(luò)的平均值，令h (t) =X (t) -m(t)，若h (t)信號(hào)極值點(diǎn)的數(shù)量與過零點(diǎn)的數(shù)量必須相等或最多相差一個(gè)，并且在任一時(shí)間點(diǎn)上，h(t)信號(hào)的局部最大值與局部最小值定義的包絡(luò)的均值為零，則h(t)即為第一個(gè)頂F，否則將h(t)視為x(t)，重復(fù)以上步驟，至h(t)信號(hào)幅值小于預(yù)定值，停止計(jì)算，可得到若干固有模式函分量；根據(jù)ARMA模型預(yù)測自相似網(wǎng)絡(luò)流量確定ARMA模型，
權(quán)利要求
1.一種利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，包括如下步驟 分解自相似網(wǎng)絡(luò)流量取待分析信號(hào)X(t)的極大值點(diǎn)和極小值點(diǎn)分別用兩條三次樣條曲線擬合，得到x(t)的上下兩條極值包絡(luò)線，用m(t)表示兩條包絡(luò)的平均值，令h (t) =x (t) -m (t)，若h (t)信號(hào)極值點(diǎn)的數(shù)量與過零點(diǎn)的數(shù)量必須相等或最多相差一個(gè)，并且在任一時(shí)間點(diǎn)上，h(t)信號(hào)的局部最大值與局部最小值定義的包絡(luò)的均值為零，則h(t)即為第一個(gè)頂F，否則將h(t)視為x(t)，重復(fù)以上步驟，至h(t)信號(hào)幅值小于預(yù)定值，停止計(jì)算，可得到若干固有模式函分量； 根據(jù)ARMA模型預(yù)測自相似網(wǎng)絡(luò)流量確定ARMA模型，
2.根據(jù)權(quán)利要求I所述利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，其特征在于，還包括將分解自相似網(wǎng)絡(luò)流量得到的固有模式函分量進(jìn)行差分處理。
3.根據(jù)權(quán)利要求I所述利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，其特征在于，經(jīng)過k次重復(fù)后，得到的信號(hào)與包絡(luò)線均值之差為 ι1Λα)，第(k-i)次重復(fù)得到的差值為h^a)，
4.根據(jù)權(quán)利要求3所述利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，其特征在于，預(yù)定值b取 O. I。
5.根據(jù)權(quán)利要求I所述利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，其特征在于，確定ARMA模型包括模型參數(shù)的確定，包括模型的階數(shù)確定，根據(jù)AIC函數(shù)
6.根據(jù)權(quán)利要求I所述利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，其特征在于，采用逆函數(shù)法估計(jì)ARMA模型的Φ i和Θ ^參數(shù)。
全文摘要
本發(fā)明涉及一種利用短相關(guān)模型預(yù)測長相關(guān)序列的方法，針對(duì)自相似網(wǎng)絡(luò)流量提出了一種基于EMD的ARMA模型自相似序列預(yù)測方法，首先利用EMD方法將自相似網(wǎng)絡(luò)流量分解為若干個(gè)IMF，由于IMF(IntrinsicModeFunctions，固有模式函數(shù)簡稱“IMF”)的窄帶特點(diǎn)，證明了IMF是短相關(guān)序列，從而將長相關(guān)序列建模預(yù)測問題轉(zhuǎn)化為對(duì)若干個(gè)短相關(guān)序列的建模和預(yù)測，有效地降低了模型的復(fù)雜度；其次利用ARMA模型卓越的短相關(guān)建模預(yù)測能力，對(duì)分解后的IMF序列進(jìn)行了預(yù)測；最后提出了一種可以進(jìn)一步提高模型預(yù)測精度的方法，有效地降低了預(yù)測結(jié)果的歸一化均方誤差。通過本發(fā)明申請(qǐng)技術(shù)方案提出的方法具有預(yù)測精度高復(fù)雜度低的優(yōu)點(diǎn)，并且對(duì)自相似流量的預(yù)測精度高于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。
文檔編號(hào)H04L12/24GK102891770SQ201210404009
公開日2013年1月23日 申請(qǐng)日期2012年10月22日 優(yōu)先權(quán)日2012年10月22日
發(fā)明者張欽宇, 高波, 于佳 申請(qǐng)人:哈爾濱工業(yè)大學(xué)深圳研究生院