： S11: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； S12:计算流量趋势矩阵TT，公式为： (/ ? (2^1) X DT) +· (2A2L) Φ I)vec(TT) - vec(TK), 其中I为单位矩阵，二阶差分矩阵1)￡1^-2~几4 = 1，〇01 = -2,〇02=1，1?为实数儿= 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，發为克罗内克尔积;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[〇，1 ]。3. 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 量趋势的预测方法为： 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arjti，计算公式为： ar_tti= (0n>l<tti-n+0n-l*tti-n+l+02*tti-2+01*tti-l)/(θ η+θη-1+. . .+02+θ?), 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-n+1个网络流量趋势、…、第i-2个网络流量趋势第i-1个网络流量趋 势;0^02, . . .，θη+θΑΙ?」表示相应时间周期在平均流量趋势计算中占有的权值； S2 2:令时刻c = mk+k 1，计算时刻(mk+1)到时刻(mk+k 1)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： [re_tt(i,mk+l) , re_tt(i,mk+2) , · · ·，re_tt(i,mk+kl)]- ([tt(i,mk + l),tt(i,mk+2), . . . ,tt(i,mk + kl)] -[ar_tt(i,mk + l),&r_tt(i,mk+2), . . . , ?Τ _ 11(i,mk+kl)] ) · / [&r_tt(i,mk+l) , ar_tt(i,mk+2) , · · · , &Γ_?t (i,mk+kl)] [re_tt(i,mk+i)，re_tt(i,mk+2), ，re_tt(i,mk+kl)] '表示网络流量趋势误差； [tt(i,mk+i)，tt(i,mk+2)，· · ·，tt(i,mk+ki)] '依次表示为时亥lj(mk+l)到时亥lj(mk+kl)的网络流 量趋势； [ar_tt(i,mk+i)，ar_tt(i,mk+a , · · ·，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； 其中m表示循环的次数，所述πι=0、1、2···、Μ+1，所述M+1为最大循环次数，Μ的取值为： ? floor((J - k\)i k)-\ if mod((J - ki) / k) = 0; M = V [floor {(J -kl)/ k) otherwise. ./表示两个等长向量之间对应位置上的元素相除； 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+kl+l)，pr_re_tt(i,mk+kl+2)，· · ·，pr_re_tt(i,mk+kl+k)]， 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： [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2)，· · ·，pr_tt(i,mk+kl+k)]- (E+[pr_re_tt(i,mk+kl+l)，pr_re_tt(i,mk+kl+2)，· · ·，pr_re_tt(i,mk+kl+k) ] ) ·* [&r_tt(i,mk+kl+l) , &r_tt(i,mk+kl+2) , · · · , &r_tt(i,mk+kl+k)] 其中E是所有元素均为1的列向量，.*表示两个等长向量之间对应位置上的元素相乘。4. 根据权利要求3所述的基于流量趋势的网络流量预测方法，其特征在于，在步骤S21 中，η 取4，01=1，02 = 1，03 = 〇.5，04=〇.5，其公式为： ar_tti= (0 · 5氺 tti-4+0 · 5氺 tti-3+tti-2+tti-1)/3〇5. 根据权利要求1所述的流量趋势的网络流量预测方法，其特征在于，网络流量误差的 预测方法为： 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： [re(i，mk+l)，re(i，mk+2)，· · ·，re(i，mk+kl)]- ([tr(i,mk+l) , tl"(i,mk+2) ,..., ?Γ(i,mk+kl) ] - [ tt (i,mk+1) , tt (i,mk+2) ,..., tt(i,mk+kl) ] ) · / [tt (i,mk+l) , tt(i,mk+2) ,..., 11 (i,mk+kl)] 其中m表示循环的次数，所述πι = 0、1、2···、Μ+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； [re(i，mk+l)，re(i，mk+2)，···，re(i，mk+kl) ] ； [tr(i,mk+i)，tr(i,mk+2)，· · ·，tr(i,mk+ki)] '依次表示为时亥Ij(mk+1)至丨」时刻(mk+kl)的网络流 量； [tt(i,mk+1), tt(i,mk+2),…，tt(i,mk+kl)] '依次表示为时刻(mk+1)到时刻(mk+kl)的流量趋 势； 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差，即 [pr_re(i，mk+kl+l),pr_re(i，mk+kl+2)，· · ·，pr_re(i，mk+kl+k)] 〇6. 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，网络流量预 测值的计算方法为： [pr_tr(i,mk+kl+l) , pr_tr(i,mk+kl+2) , · · · , pr_tr(i,mk+kl+k)]- (E+[pr_re(i,mk+ki+i) ,pr_re(i,mk+ki+2),. . . ,pr_re(i,mk+ki+k)]') [pr_tt(i,mk+kl+l) , pr_tt(i,mk+kl+2) , · · · , pr_tt(i,mk+kl+k)] 其中m表示循环的次数，所述πι=0、1、2···、Μ+1，所述M+l为最大循环次数， [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； [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； [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。
【专利摘要】本发明提出了一种基于流量趋势的网络流量预测方法，该方法按照以下步骤进行：S1：提取当前时间周期i之前的n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的流量趋势，n为正整数；S2：根据提取的网络流量趋势，预测未来时刻的网络流量趋势；S3：计算提取的网络流量值和其网络流量趋势之间的误差，预测流量误差；S4：根据步骤S2中预测的网络流量趋势和S3中预测的流量误差，预测未来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。本发明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。
【IPC分类】H04L12/24
【公开号】CN105471631
【申请号】CN201510793377
【发明人】房斌, 夏会, 李凯, 陈琳, 刘崇文
【申请人】重庆大学
【公开日】2016年4月6日
【申请日】2015年11月17日