基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

基于小波变换与组合模型的网络流量预测算法

针对网络流量在以不同时间尺度分析时呈现不同特性给流量精确预测带来的困难,提出一种基于快速小波变换和季节差分自回归滑动平均组合模型的多分辨分析预测算法.采用小波方法对网络历史流量进行分解以分析不同时间尺度下的流量相关结构,根据不同时间尺度下的流量时间序列的周期性和自相似性,分别选择合适的模型建模用于预测.使用小波方法对各序列的预测值进行重构,得到原始流量的预测结果.仿真结果表明,所提预测方法比同类预测方法具有更高的精度.     

基于小波分析的铁矿石运价预测

在分析了小波分析对铁矿石海运价格非平稳数据序列预测优势的基础上,介绍了多分辨率分析理论和奇异性检测,借助于MATLAB和EVIEWS软件,建立自回归移动平均（ARMA）和Holt-Winters非季节组合模型,对经过处理的高频和低频数据进行静态和动态预测.预测结果表明,小波分析在非平稳时间序列预测方面具有很大的优势.     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于小波变换的网络流量预测

由于现代的数据通信网络中网络流量存在很强的自相似性,如何降低这种自相似性给网络的性能造成的不利影响成为大家关注的焦点。本文通过实际的网络流量数据,利用小波变换和平稳时间序列的AR模型,实现了对网络流量很好的预测,其结果对于在网络中优化排队算法和实施流量工程具有很好的参考价值。     

基于小波变换和AAR模型的WMN流量预测方法

在WiMAX Mesh网络中,为了实现对带宽的动态分配和有效利用,需要实时对业务流量进行实时准确预测.WiMAx Mesh 网络调度器将根据该预测值进行带宽分配.经分析,现有包括ARMA在内的流量预测方法并不能直接应用于WiMAX Mesh网络流量的预测中.在对WiMAX Mesh网络流量特性的分析基础上,提出了一种基于小波变换和线性自回归模型相结合的WiMAX Mesh网络流量预测方法.该方法首先对流量信号进行降噪,并将该处理结果用于AAR模型预测.利用Auckland大学的流量数据进行仿真,预测精度比自适应ARMA方法提高约2% .方法的预测精度较高,运算量较小,更适合于对WiMAX Mesh网络进行预测.     

基于VMD-DE的混沌网络流量组合预测研究

文章针对网络流量时间序列的预测问题,提出一种基于变分模态分解(variational mode decomposition, VMD)-分散熵(dispersion entropy, DE)的多尺度组合预测方法。首先对流量样本数据进行混沌特性分析,使用改进的VMD-DE方法对流量数据分解重构,减少周期性流量序列预测的随机性和计算复杂度;然后采用改进鸡群优化算法(chicken swarm optimization, CSO)优化Elman神经网络与最小二乘支持向量机(least squares support vector machine, LSSVM)的多尺度模型,分别对重组后的高频、中频和低频序列进行预测;最后对各预测值求和。通过实际流量数据的仿真和对比实验,证明基于VMD-DE的混沌网络流量组合预测模型具有良好的适应性和预测效果。     

自相似流量的ARIMA预测模型研究

计算机网络体系逐渐扩大,因此网络的服务质量和性能也急需提高。网络流量预测是网络管理的一个重要手段,研究表明网络流量具有自相似特性,在此基础上该文提出一种ARIMA预测模型。该模型首先对所生成的网络流量数据进行预处理,基于相关性与偏相关性选择ARMA模型,其次通过AIC、BIC确定阶数,利用检验后的模型进行预测,最后评估预测模型的性能。ARIMA时间序列模型能够预测非平稳数据,与传统统计模型相比,具有可忽略其他的随机变量、预测准确性更高、突发性影响较小的优点。     

基于ARMA-稀疏贝叶斯模型的汇率预测研究

文章基于ARMA模型和稀疏贝叶斯模型,提出了ARMA-稀疏贝叶斯模型,充分利用ARMA模型和稀疏贝叶斯模型在线性模型及非线性模型预测中的优势,将收益率序列分解为线性自相关主体和非线性残差2个部分,然后用ARMA模型对线性自相关主体数据进行预测估计,用稀疏贝叶斯模型对非线性残差进行预测估计,最后合成人民币兑美元日汇率中间价序列预测结果。研究结果证明,运用所建模型预测人民币日汇率中间价和上证指数收盘价,均取得了较好的效果。