1，02=1，93 = 〇.5,94 = 〇.5，其公式为:&1'_1:1^ = (〇.5*1:1:卜4+ 0 · 5*tti-3+tti-2+tti-1)/3。
[0079] S22:令时刻c = mk+kI，计算时刻(mk+1)到时刻(mk+kI)的网络流量趋势与平均流 量趋势之间的网络流量趋势误差，公式为：
[0080] [re_tt(i,mk+i)，re_tt(i,mk+2)，· · ·，re_tt(i,mk+ki)] ' =
[0081 ] ( [ 11 (i, mk+l) , 11 (i, mk+2) , . . . , 11 (i, mk+kl) ] - [ clT_t t (i, mk+1) , ar_t t (i , mk+2) , . . . , ?Τ_ 11(i,mk+kl)] ) · /
[0082] [ar_tt(i,mk+l) , ar_tt(i,mk+2) , · · · , mk+kl)]
[0083] [re_tt(i,mk+i)，re_tt(i,mk+2), ，re_tt(i,mk+ki)] '表示网络流量趋势误差；
[0084] [1:1:(1,1111<+1)，1:1:(1,1111<+2),...，1:1:(1,1111^1)]'依次表示为时亥1](11^+1)到时亥1](11^+1^1)的网 络流量趋势；
[0085] [ar_tt(i,mk+i)，ar_tt(i,mk+2),…，ar_tt(i,mk+ki)]，依次表示为时刻(mk+1)到时刻 (mk+kl)的平均流量趋势；
[0086] 其中m表示循环的次数，所述m=0、1、2···、M+1，所述M+1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；
[0087] S23:根据S22所得的网络流量趋势误差，利用神经网络模型，预测c时刻的未来k个 时刻的网络流量趋势和平均流量趋势之间的误差，得到未来k个时刻的网络流量趋势误差， 即[pr_re_tt(i,mk+ki+i)，pr_re_tt(i,mk+ki+2)，· · ·，pr_re_tt(i,mk+ki+k)] '。其中，神经网络模型采 用现有技术，在实验时提前设定了具体的参数，此处和后面步骤S32的预测都采用的是三层 bp神经网络模型，每层节点数分别是2,2，1，每层使用的传递函数分别是双曲正切S形函数、 tansig函数、对数S形转移函数、Iogsig和线性函数purel in;使用的训练函数是梯度下降自 适应学习率训练函数，traingdx定义的学习率Ir = 0.01，最大迭代次数epochs = 2000,训练 的目标k差goal = 0 · 01。
[0088] S24:再根据预测的k个时刻的网络流量趋势误差和平均流量趋势计算未来k个时 刻的网络流量趋势，公式为：
[0089] [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2)，· · ·，pr_tt(i,mk+kl+k)]-
[0090] (E+[pr_re_tt(i,mk+ki+i) ,pr_re_tt(i,mk+ki+2), . . . ,pr_re_tt(i,mk+ki+k)]')
[0091] [ar_tt(i,mk+ki+i) ,&r_tt(i,mk+kl+2) , · · · , &r_tt(i,mk+kl+k)]
[0092] 其中E是所有元素均为I的列向量，.*表示两个等长向量之间对应位置上的元素相 乘。
[0093] 第三步，计算提取的kl个时刻的网络流量值与其网络流量趋势之间的误差，预测 当前时刻c的未来k个时刻的网络流量误差。在本实施方式中，如图4所示，网络流量误差的 预测方法为：
[0094] 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：
[0095] [re(i，mk+l)，re(i，mk+2)，· · ·，re(i，mk+kl)]-
[0096] ( [ ?Γ(?,mk+l) , tr(i,mk+2) , . . . , tl"(i,mk+kl) ] - [ tt(i,mk+l) , tt(i,mk+2) , . . . , 11 (i,mk+kl) ] ) · /，
[0097] [ tt(i,mk+l) , tt(i,mk+2) , . . . , tt(i,mk+kl)]
[0098] 其中./表示两个等长向量之间对应位置上的元素相除；
[0099] [re(i,mk+l)，re(i,mk+2)，· · ·，re(i,mk+kl) ] ^/丨、未 ;
[0100] [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；
[0101] [tt(i,mk+1)，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。
[0102] 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) ] 〇
[0103] 第四步，根据第二步中预测的网络流量趋势和第三步预测的网络流量误差，预测 当前时刻c的未来k个时刻的网络流量预测值。在本实施方式中，网络流量预测值的计算方 法为：
[0104] [pr_tr(i,mk+ki+i) ,pr_tr(i,mk+ki+2), . . . ,pr_tr(i,mk+ki+k)]'=
[0105] (E+[pr_re(i,mk+ki+i) ,pr_re(i,mk+ki+2), . . . ,pr_re(i,mk+ki+k)]')
[01 06] [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2)，· · ·，pr_tt(i,mk+kl+k)]，
[0107]其中：
[0108] [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；
[0109] [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；
[0110] [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2) , · · ·，pr_tt(i,mk+kl+k)] '表示预测的网络流量趋势。
[0111] 第五步，令c = c+k，如果c大于或等于时间周期i的结束时刻，则程序结束；否则返 回第二步。
[0112] 在本说明书的描述中，参考术语"一个实施例"、"一些实施例"、"示例"、"具体示 例"、或"一些示例"等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何 的一个或多个实施例或示例中以合适的方式结合。
[0113]尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解:在不 脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本 发明的范围由权利要求及其等同物限定。
【主权项】
1. 一种基于流量趋势的网络流量预测方法，其特征在于，按照以下步骤进行： S1: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； S2: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； S3:计算提取的kl个时刻的网络流量值与其网络流量趋势之间的误差，预测当前时刻c 的未来k个时刻的网络流量误差； S4:根据步骤S2中预测的网络流量趋势和S3中预测的网络流量误差，预测当前时刻c的 未来k个时刻的网络流量预测值； S5:令c = c+k，如果c大于或等于时间周期i的结束时刻，则程序结束;否则返回步骤S2。2. 根据权利要求1所述的基于流量趋势的网络流量预测方法，其特征在于，所述网络流 量趋势的提取方法为