专利名称：一种利用短相关模型预测长相关序列的方法
技术领域：
本发明涉及一种自相似网络流量的预测方法，尤其涉及一种利用短相关模型预测长相关序列的方法。
背景技术：
网络流量的建模和预测是研究网络的性能、管理、协议及服务质量的基础，对网络的规划设计具有重要意义，因此针对网络流量的建模和预测备受人们关注。由于网络流量具有的自相似性对网络数据包缓存的占用比传统排队论分析的结果大，导致了较大的丢包率和延时，所以为了保证网络的服务质量，在研究网络流量的建模和预测过程中，需要对网络流量的自相似性质进行深入研究，找出能够刻画及预测自相似流量的模 型。为此，研究人员主要做了两方面工作一是使用传统短相关(short range dependent,短相关,简称“SRD”)模型来拟合长相关(long range dependent,长相关,简称“LRD”)性质,传统的短相关模型主要包括马尔可夫模型(Markov)以及回归模型，目前已证实短相关模型对网络流量的预测精度较差；二是探索具有长相关特性的新模型对自相似网络流量等时间序列建模及预测，主要包括分数自回归滑动平均模型(Fractional Autoregressive IntegratedMoving Average, FARIMA)、分数布朗运动模型(Fractional Brownian Motion, FBM)等，但由于长相关模型的算法复杂度较大，尽管预测精度有所提高，可预测时间亦大大增加，甚至无法满足实际需要。近年来，又提出了自相似流量建模的新思路，即将具有自相似性的流量数据转化为短相关数据，再利用短相关模型加以建模和预测，这样可以有效地减小计算复杂度。一些研究指出，利用多重分形预测模型，可将难以预测分析的长相关流量序列转化为可以用短相关线性模型预测的序列组；Patrick Flandrin及A. H. Tewfik等人分别对分形布朗运动及分形高斯噪声进行小波分析，发现小波变换的系数在同一尺度下构成的序列不具有长相关特性。此外，人工神经网络由于其优越的非线性预测能力，也被广泛的应用在流量数据的建模及预测方面。径向基函数(Radial Basis Function, RBF)神经网络是近年较为常用的网络流量预测工具，天津大学的王俊松和高志伟利用RBF神经网络对网络流量建模，并进行了预测，虽然取得了较高的精度，但是回避了网络流量通常具有自相似性的特点，未对自相似流量的预测进行研究。
发明内容
本发明解决的技术问题是构建一种利用短相关模型预测网络自相似流量长相关序列的方法，克服现有技术算法复杂、预测能力低下的技术问题。本发明的技术方案是提供一种利用短相关模型预测长相关序列的方法，包括如下步骤分解自相似网络流量取待分析信号X (t)的极大值点和极小值点分别用两条三次样条曲线拟合，得到X(t)的上下两条极值包络线，用m(t)表示两条包络的平均值，令h (t) =X (t) -m(t)，若h (t)信号极值点的数量与过零点的数量必须相等或最多相差一个，并且在任一时间点上，h(t)信号的局部最大值与局部最小值定义的包络的均值为零，则h(t)即为第一个頂F，否则将h(t)视为x(t)，重复以上步骤，至h(t)信号幅值小于预定值，停止计算，可得到若干固有模式函分量；根据ARMA模型预测自相似网络流量确定ARMA模型，
权利要求
1.一种利用短相关模型预测长相关序列的方法，包括如下步骤 分解自相似网络流量取待分析信号X(t)的极大值点和极小值点分别用两条三次样条曲线拟合，得到x(t)的上下两条极值包络线，用m(t)表示两条包络的平均值，令h (t) =x (t) -m (t)，若h (t)信号极值点的数量与过零点的数量必须相等或最多相差一个，并且在任一时间点上，h(t)信号的局部最大值与局部最小值定义的包络的均值为零，则h(t)即为第一个頂F，否则将h(t)视为x(t)，重复以上步骤，至h(t)信号幅值小于预定值，停止计算，可得到若干固有模式函分量； 根据ARMA模型预测自相似网络流量确定ARMA模型，
2.根据权利要求I所述利用短相关模型预测长相关序列的方法，其特征在于，还包括将分解自相似网络流量得到的固有模式函分量进行差分处理。
3.根据权利要求I所述利用短相关模型预测长相关序列的方法，其特征在于，经过k次重复后，得到的信号与包络线均值之差为 ι1Λα)，第(k-i)次重复得到的差值为h^a)，
4.根据权利要求3所述利用短相关模型预测长相关序列的方法，其特征在于，预定值b取 O. I。
5.根据权利要求I所述利用短相关模型预测长相关序列的方法，其特征在于，确定ARMA模型包括模型参数的确定，包括模型的阶数确定，根据AIC函数
6.根据权利要求I所述利用短相关模型预测长相关序列的方法，其特征在于，采用逆函数法估计ARMA模型的Φ i和Θ ^参数。
全文摘要
本发明涉及一种利用短相关模型预测长相关序列的方法，针对自相似网络流量提出了一种基于EMD的ARMA模型自相似序列预测方法，首先利用EMD方法将自相似网络流量分解为若干个IMF，由于IMF(IntrinsicModeFunctions，固有模式函数简称“IMF”)的窄带特点，证明了IMF是短相关序列，从而将长相关序列建模预测问题转化为对若干个短相关序列的建模和预测，有效地降低了模型的复杂度；其次利用ARMA模型卓越的短相关建模预测能力，对分解后的IMF序列进行了预测；最后提出了一种可以进一步提高模型预测精度的方法，有效地降低了预测结果的归一化均方误差。通过本发明申请技术方案提出的方法具有预测精度高复杂度低的优点，并且对自相似流量的预测精度高于神经网络模型的预测精度。
文档编号H04L12/24GK102891770SQ201210404009
公开日2013年1月23日 申请日期2012年10月22日 优先权日2012年10月22日
发明者张钦宇, 高波, 于佳 申请人:哈尔滨工业大学深圳研究生院