+tti-2+tti-1)/3。
[0042] 在本发明的一种优选实施方式中，网络流量误差的预测方法为：
[0043] S31:计算时刻(mk+1)到时刻(mk+kl)的网络流量值与网络流量趋势之间的误差， 公式为：
[0044] [re(i，mk+i)，re(i，mk+2)，…，re(i,mk+ki)] ' =
[0045] ( [ tl"(i,mk+l) , tr(i,mk+2) , . . . , tl"(i,mk+kl) ] - [ tt(i,mk+l) , tt(i,mk+2) , . . . , 11 (i,mk+kl) ] ) · /
[0046] [ tt(i,mk+l) , tt(i,mk+2) , . . . , tt(i,mk+kl)]
[0047] 其中m表示循环的次数，所述m=0、I、2···、M+1，所述M+l为最大循环次数，./表示两 个等长向量之间对应位置上的元素相除；
[0048] [re(i，mk+i)，re(i,mk+2)，...，re(i,mk+ki)] '表不未来误差；
[0049] [1：1'(土，1^+1)，1：!'"，1111<+2),...，1：1'(土，1111^1)]'依次表示为时亥1](11^+1)至丨财亥1](11^+1^1)的网 络流量；
[0050] [tt(i,mk+i)，tt(i,mk+2)，…，tt(i,mk+kl)]'依次表示为时亥Ij (mk+1)到时亥Ij (mk+kl)的流 量趋势；
[0051] S32:基于神经网络模型学习所得的流量误差，并预测未来k个时刻的网络流量误 ，艮P [pr_re(i，mk+kl+l)，pr_re(i，mk+kl+2)，. . . , pr_rG(i,mk+kl+k)];
[0052] 在本发明的一种优选实施方式中，网络流量预测值的计算方法为：
[0053] [pr_tr(i,mk+ki+i) ,pr_tr(i,mk+ki+2), . . . ,pr_tr(i,mk+ki+k)]'=
[0054] (E+[pr_re(i,mk+ki+i)，pr_re(i,mk+ki+2)，· · ·，pr_re(i,mk+ki+k)] ') ·*
[0055] [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2)，· · ·，pr_tt(i,mk+kl+k)]
[0056] 其中m表示循环的次数，所述m = 0、I、2…、M+1，所述M+l为最大循环次数，
[0057] [pr_tr(i,mk+ki+i)，pr_tr(i,mk+ki+2)，· · ·，pr_tr(i,mk+ki+k)] '表示网络流量预测值；
[0058] [pr_re(i,mk+ki+i)，pr_re(i,mk+ki+2)，· · ·，pr_re(i,mk+ki+k)] '表示预测的网络流量误差；
[0059] [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2) , · · ·，pr_tt(i,mk+ki+k)] '表示预测的网络流量趋势。
[0060] 本发明通过对已有时间周期中网络流量序列的趋势特征，以及当前时间周期中已 知流量的特征进行学习，实现对当前时间周期中未来网络流量趋势和流量值的预测；提高 了预测精度的同时，大大减少了预测所需要的训练样本数，更易于应用在实际网络管理和 测量中。
【附图说明】
[0061] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中：
[0062] 图1是本发明模型在某条链路上第i个时间周期内的流量预测流程示意图。
[0063]图2是本发明的的流程示意图。
[0064] 图3是本发明在第i个时间周期内已知kl个时刻的流量值预测未来k个时刻的网络 流量趋势的流程示意图。
[0065] 图4是本发明在第i个时间周期内已知kl个时刻的流量值预测未来k个时刻的网络 流量的流程示意图。
【具体实施方式】
[0066] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0067] 本发明选择了AM Iene数据集和Ibl数据集的流量序列做了流量预测，在处理网 络流量序列时，对序列进行数据清理后即将其转换为每列为一个时间周期的流量矩阵（前 者时间周期为1天，后者的时间周期为1秒）。本发明中对网络流量序列进行预测表示已知某 个时间周期内前kl个时刻的网络流量，对该时间周期内未来所有时刻的流量进行预测。如 图1所示为本发明的模型在某条网络链路上时间周期i内的流量预测框图。将时间周期i的 网络流量序列划分为(M+1)个长度为kl的流量序列（用以仿真实际应用中用作训练集的当 前时刻c的前kl个时刻的网络流量序列），并对每个kl序列进行预测可以得到相应的长度为 k的预测流量序列（用以仿真实际应用中由前kl个序列预测的未来k个时刻的网络流量序 列），最终将预测的序列合并即得到从kl+Ι时刻开始的本时间周期内所有预测的流量。
其中J表不时间周期的最后一个时 刻。
[0069] 本发明提供了一种流量趋势的网络流量预测方法，如图2所示，按照以下步骤进 行：
[0070] 第一步，设当前时刻为c，当前时刻c所在的时间周期为i，提取当前时间周期i之前 的η个时间周期下的网络流量趋势，以及当前时间周期i中从第1个时刻到时刻c的网络流量 趋势，所述η为正整数。在本实施方式中，网络流量趋势的提取方法为：
[0071 ] SI 1:已知网络流量序列s，包含S个时刻下的网络流量值序列，令一个时间周期包 含J个时刻，将网络流量序列S以时间周期为列重组为流量矩阵TR，共有[S/J]行时间周期 列，□为舍弃余数的整数，其中每一列记录一个时间周期内J个时刻的流量值。其中，S、J的 取值根据数据集的不同，S和J的取值不同；例如，在实验中所用的数据集的长度S = 36000;J 也是根据不同的数据集定义不同的值;如果一个数据集以5min为单位取数据，一个时间周 期为1天的话，则J = 288,如果一个数据集以0.1s为单位，一个时间周期为Imin的话，则J = 600。另外，如果S = 36001，J = 600,则[S/J]=60,即取前36000个流量值形成矩阵，最后一个 舍弃。
[0072] S12:计算流量趋势矩阵TT，公式为：
[0074] 其中I为单位矩阵，二阶差分矩阵DeRaOx^Dij=I，Di, i+1 = -2，Di,i+2=l，R为实 数，L = diag(sum(simC))，矩阵simC表示流量趋势矩阵TT中每个时间周期间流量的相似性， sum()对矩阵的行求和，得到向量;diag()对向量进行对角化，得到新矩阵中每个对角线上 的元素都是向量中的值，?为克罗内克尔积;vec()用于将矩阵转化为向量;λ1，λ2为参数， 依次表示流量的平滑性和局部相似性在趋势提取中所占的比例，取值范围为[0，1 ]。
[0075] 第二步，根据提取的当前时刻c的前kl个时刻的网络流量趋势，预测当前时刻c的 未来k个时刻的网络流量趋势，所述kl、k均为正整数。在本实施方式中，如图3所示，网络流 量趋势的预测方法为：
[0076] S21:根据已经提取的当前时间周期i的前η个时间周期的网络流量趋势计算当前 时间周期的平均流量趋势ar_tti，ar_tti是一个向量，它包括J个数值，其包括的元素可以标 示为：已1'_1:1:",1111<+1)、已1'_1:1:",1111<+2)、...、已1'_1:1:",1111^1)、...、已1'_1:1:",1111^1+1〇。平均流量趋势已1'_1:1:土的计 算公式为：
[0077] ar_tti= (0n>l<tti-n+0n-l*tti-n+l+02*tti-2+01*tti-l)/(θη+θη-1+. . .+Θ2+Θ1),
[0078] 其中tti-n、tti-n+i、···、tti-2、tti-1依次表示为当前时间周期i的前η个时间周期下的 第i-n个网络流量趋势、第i-η+Ι个网络流量趋势、…、第i-2个网络流量趋势第i-ι个网络流 量趋势; θ1，θ2, . . .，0n-：L，0n分别表示相应时间周期在平均流量趋势计算中占有的权值。在本 实施方式中，当11取4时，9 1=