基于小波分解的网络流量时间序列建模与预测
基于小波包分析的网络流量组合预测模型
【 ’＝∑ｈ ） ｄ ｄ
正交 小波 的重 建公 式为
的细节 信号 的预 测 ． 后 ， 各 个 预 测 的信 号 通 最 把 过组合 就 可 以生成 流量 的预 测结果 ．
２ １ 对 近 似信 号的预 测 ．
获得 ， ｎ是 一个 可 变 的参数 ， 表示 序 列采 样数 ．
２ １ ２ 对 近 似 信 号 的 预 测 ．．
络流量 和 主机 资源 的开 放源 代码 的管 理 工具 ） 对 中 国教 育科 研 网福 建 主节 点 上 一 台 高端 路 由器 （ ｉ ｏ７ ０ ） Ｃｓ ６ ９ 某端 口流 出流 量 进 行 监 测 ， 测 时 ｃ 监 间为 ３天 ， 采样 时 间 间 隔 为 ５分 钟 ， 得 流 量 数 所 据 曲线 如 图 ３所 示 ． 图 ３中可 以看 出它 具有 很 从
根 据 （０ 式 ， １ ） 信号 可 以通过 小 波包分 解 系数 重 构 出各 个 子频带 内的时域 信 号 ． 构后 的时域 重 信 号可 以表 示 为
（） ＝ （ ）＋ （）＋… ＋ ， （）． （ １ ｏ １ ｔ ２ｌ ｆ １ ） 一
： ｌ Ｉ
正交 关 系 ， 等 价表示 为 其
２ １１ Ｌ ． ． ＭＭＳ 估 计 Ｅ
设
文 献 ［ ］ 给 出 了一 种 基 于 线 性 最 小 平 均 ８ 中
） ・ （ ｚ， ＝∑ 专 ２ 一） 。
因 Ｇｆ ｔ ￣（）＝Ｇ ｆ ＋Ｇ ２ ） ｎ 以
递 推 公式 为 ｛
） ∈
（） ８
平 方误 差估 计 （ ＭＭＳ Ｌ Ｅ）的 网络 流 量 预 测方 法 ．
。 ＇ ＋
基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测
基于小波分解和ARIMA-GARCH-GRU组合模型的制造业
PMI预测
陆文星;任环宇;梁昌勇;李克卿
【期刊名称】《工业工程》
【年(卷),期】2024(27)1
【摘要】制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传
统预测模型对该类时序数据预测精度不高。
针对制造业PMI指数的非线性、波动
性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。
时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。
为验证模型有效性,选取一定数
据量的PMI指数进行实验。
结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。
【总页数】11页(P86-95)
【作者】陆文星;任环宇;梁昌勇;李克卿
【作者单位】合肥工业大学管理学院;合肥工业大学过程优化与智能决策教育部重
点实验室
【正文语种】中文
【中图分类】F403.7;F124;TP391
【相关文献】
1.基于集合经验模态分解和小波神经网络的短期风功率组合预测
2.基于经验模态分解和小波包分解的组合风电功率预测模型分析
3.基于经验模态分解的小波神经网络预测模型
4.基于区间时间序列小波多尺度分解的组合预测方法
5.基于小波-原子分解的超短期风电出力预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波的BP网络预测模型及其在年径流预测中的应用
第３０卷第２期２ ０ １ ２年２月水 电 能 源 科 学Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅｓ ａｎｄ ＰｏｗｅｒＶｏｌ．３０Ｎｏ．２Ｆｅｂ．２ ０ １ ２文章编号：１０００－７７０９（２０１２）０２－００１７－０３基于小波分析的ＢＰ网络预测模型及其在年径流预测中的应用徐廷兵，马光文，黄炜斌，邢 冰（四川大学水电学院，四川成都６１００６５）摘要：鉴于小波变换序列中尺度系数系列和小波系数系列变化特征存在较大差异，提出了一种新的小波分析与ＢＰ网络结合方式，即建立两个ＢＰ网络分别对两类系数系列进行预测，再对各小波变换系数的预测值进行小波重构，获得原序列的预测值。
将该模型应用于二滩电站入库年径流量预测，结果表明该模型预测精度高，可为水电站提供可靠的入库年径流预测结果。
关键词：小波分析；ＢＰ网络；预测模型；径流预测中图分类号：ＴＶ１２２；Ｐ３３３．１文献标志码：Ａ收稿日期：２０１１－０７－０１，修回日期：２０１１－０８－０１基金项目：国家科技支撑计划基金资助项目（２００８ＢＡＢ２９Ｂ０９）；美国能源基金会基金资助项目（Ｇ－０６１０－０８５８１）作者简介：徐廷兵（１９８７－），男，硕士研究生，研究方向为水利电力经济管理，Ｅ－ｍａｉｌ：ｘｕｔｂｈｙｄｒｏ＠１２６．ｃｏｍ通讯作者：马光文（１９６０－），男，教授，研究方向为水利电力经济管理，Ｅ－ｍａｉｌ：ｍａｇｗ８１５８＠１６３．ｃｏｍ 在节能发电调度方式下，准确预测水电站的入库径流，对于合理安排其运行方式、提高水资源利用率、减少能源消耗和污染物排放具有重要作用［１］。
目前，径流预测已有很多有效的方法，如回归滑动平均模型、解集模型等［２］，但这些方法均由径流序列自身建立模型而后作出预测，单独使用上述模型进行预测往往难以得到满意的结果。
为此将能分出径流序列各种频率成分的小波分析方法引入到径流预测模型中，形成了许多新的模型，如基于小波分析的人工神经网络模型［３］、基于小波分析的支持向量机径流预测模型［４］等，但这些模型均未考虑小波分解系数系列之间的性质差别。
利用小波变换进行时序数据处理与预测的技巧与步骤
利用小波变换进行时序数据处理与预测的技巧与步骤时序数据是指按照时间顺序排列的数据，例如股票价格、气温变化等。
对于时序数据的处理和预测，小波变换是一种常用的方法。
小波变换是一种时频分析方法，可以将时域信号转换为时频域信号，从而提取出信号的特征和规律。
本文将介绍利用小波变换进行时序数据处理与预测的技巧与步骤。
首先，进行小波分解。
小波分解是将时序数据分解为不同尺度的小波系数，从而揭示出数据的不同频率成分。
小波分解的步骤如下：1. 选择小波基函数。
小波基函数是小波变换的基础，不同的小波基函数适用于不同类型的信号。
常用的小波基函数有Daubechies小波、Haar小波等。
选择适合的小波基函数可以更好地提取出信号的特征。
2. 进行多尺度分解。
将时序数据进行多尺度分解，可以得到不同尺度的小波系数。
多尺度分解可以通过连续小波变换或离散小波变换来实现。
连续小波变换适用于连续信号，离散小波变换适用于离散信号。
3. 选择分解层数。
选择合适的分解层数可以平衡时间和频率的分辨率。
分解层数越多，时间分辨率越高，频率分辨率越低；分解层数越少，时间分辨率越低，频率分辨率越高。
根据具体情况选择合适的分解层数。
接下来，进行小波重构。
小波重构是将小波系数重构为原始信号的过程。
小波重构的步骤如下：1. 选择重构层数。
根据小波分解得到的小波系数和分解层数，选择合适的重构层数。
重构层数应与分解层数相等，以保证信号的完整性。
2. 进行小波重构。
利用选定的小波基函数和重构层数，将小波系数进行逆小波变换，得到重构后的信号。
重构后的信号可以用于时序数据的处理和预测。
最后，进行时序数据处理与预测。
通过小波变换得到的重构信号，可以进行以下处理和预测：1. 信号去噪。
利用小波变换的多尺度分解特性，可以将信号的高频噪声去除，从而提高信号的质量和准确性。
2. 信号平滑。
利用小波变换的低频分量，可以对信号进行平滑处理，从而去除信号的突变和波动，得到平滑的曲线。
利用时间序列模型进行网络流行度预测的案例分析(四)
利用时间序列模型进行网络流行度预测的案例分析随着互联网的迅猛发展，人们对于网络流行度的预测需求越来越高。
预测网络内容的流行度能够帮助企业制定有效的营销策略、提前安排资源，对于社会热点话题的分析也能帮助政府做出更有针对性的决策。
本文将通过一个实际的案例分析，介绍利用时间序列模型进行网络内容流行度预测的过程和方法。
首先，我们需要定义流行度的计量指标。
一般而言，流行度可以通过观测网络内容的阅读量、分享量或讨论数量来进行衡量。
在本案例中，我们选择了微博平台上的某一条话题作为研究对象，将转发量作为流行度指标。
接下来，我们需要收集数据。
我们可以通过网络爬虫技术，收集该话题在微博平台上的转发量数据。
获取到的数据需要具备一定的时间跨度，以覆盖不同时间段内的转发情况。
且数据的频率应尽量高，以便更全面地观察流行度的变化。
对于时间序列模型来说，数据的平稳性是非常重要的。
平稳性是指时间序列的均值和方差在时间上是稳定的，不呈现明显的趋势、季节性和周期性。
为了确保数据的平稳性，我们可以对原始数据进行平滑处理，如使用移动平均法或指数平滑法。
接下来，我们需要对平稳化后的时间序列进行建模。
常用的时间序列模型包括自回归移动平均模型（ARMA）、季节自回归移动平均模型（SARMA）、自回归积分移动平均模型（ARIMA）等。
在本案例中，我们选择了ARIMA模型来进行预测。
ARIMA模型被广泛用于时间序列预测，并且有很好的预测性能。
该模型有三个参数，分别是p、d、q。
其中，p表示自回归过程的阶数，d表示差分操作的次数，q表示移动平均过程的阶数。
通过对数据进行自相关性和偏自相关性分析，可以确定ARIMA模型的参数。
在确定好ARIMA模型的参数后，我们可以进行模型的拟合，并对模型进行评估。
常用的评估方法包括计算残差平均值、确定残差的白噪声特性、计算均方根误差等。
通过评估模型的性能，我们可以判断模型是否合适，是否需要调整参数。
最后，我们可以利用已训练好的ARIMA模型进行网络流行度的预测。
基于区间时间序列小波多尺度分解的组合预测方法
Combined Forecasting Method Based on Interval Time Series Wavelet Multi-scale Decomposition 作者： 刘金培[1,3];汪漂[1];黄燕燕[1];陶志富[2]
作者机构： [1]安徽大学商学院,合肥230601;[2]安徽大学经济学院,合肥230601;[3]北卡罗来纳州立大学工业与系统工程系,美国罗利27695
出版物刊名： 统计与决策
页码： 5-9页
年卷期： 2020年 第19期
主题词： 区间组合预测;区间多尺度分解;Holt’s指数平滑;SVR;ARIMA
摘要：针对非线性、非平稳且呈现剧烈波动的区间时间序列,文章提出了一种新的基于区间时间序列小波多尺度分解的组合预测方法。
首先,建立区间时间序列小波多尺度分解模型对区间时间序列进行分解和重组,得到区间趋势序列与残差序列。
然后,用Holt’s指数平滑方法、ARIMA模型和支持向量回归(SVR)三种单项预测方法对分解后的趋势序列和残差序列进行预测,再通过BP神经网络对单项预测结果进行集成,得到区间时间序列最终预测值。
最后,将本模型应用于WTI原油价格的实证分析中,结果表明,相比已有的预测方法,所提出的区间时间序列组合预测方法具有较高的预测精度和良好的适用性。
一种基于小波变换和FARIMA模型的网络流量预测算法
先设 置 的告 警 门限来 判 断异 常流 量 。因此 网络 流量
模 型是 流量 控制 的重 要理 论 基础 ， 网络科 学运 营 、 是
管理 及盈 利模 式 制定 的保 证 。
网络 流 量预 测一 直是 研究 人 员关 注 的问题 。２ ０
收稿 日期 ：０ １ ３ １ ２ １－ ，４ ０
（ ： ｆ ％ １ 。 （ ￡ｋ） ￡ 。 、 ： 。 一ｂ ） 。
（） ４ 在实 际运 用 中 ， 们 通 常采 取 的 是快 速 二进 离 我
多集 中在 利用 时 间序 列 模 型 、 沌 时 间 序列 模 型 等 混 方法 ， 如邹 伯 贤 介 绍 了一种 基 于 Ａ ＭＡ模 型 的流 Ｒ 量预 测方 法 ； 炎 泰 等人 研 究 了基 于 Ｆ ＲＭＡ模 舒 ＡＩ
Ａ Ｉ Ｒ ＭＡ模 型不 能描述 网络 业 务 内在 的 长相 关 性 ， 因
型， 已经 成 为未来 网络急 需攻 克 的关键 问题 。其 中 ，
网络流 量模 型是 网络 性 能 评 估 和 优 化 的理 论 基 础 ，
它不 仅 可 以对未 来 的 流 量 进 行 预 测 ， 可 以 根 据 预 还
世纪 ７ ０年代 末 ， 们 借 鉴 电话 网 络 （ Ｓ Ｎ） 流 量 人 ＰＴ 的 模 型 ， 出 了 Ｐ ｉ ｏ 型来 描 述 网络 流 量 ；０年 代 提 ｏ ｓｎ模 ｓ ９
初 ，ｅ ｎ Ｌｌ ｄ等 人 … 发 表 了极 具 开 创 性 意 义 的 论 文 ａ
“ ｔ ｓ ｌ－ ｉ ｌｒ Ｏｎ ｈｅ ｅｆｓｍｉ Ｎａｕ ｅ ｆ Ｅｔ ｅ ｎ ｔ ａ ｆ ｆｅ — ａ ｔ ｒ ｏ ｈ ｒ ｅ Ｔｒｆｉ ｘ ｃ
ｃｄ ） ａ ｅ 理论 和 小波理 论 分析 Ｉｔｒｅ 流量 进一 步 的精 ｎｅｎ ｔ 细特 征 。此外 ， 内对 网 络 流量 预 测 方 面 的研 究 也 国
小波与神经网络相结合的网络流量预测模型
０ 引 言
随着 网络 带 宽 的 迅 速 增 加 以 及 各 种 网 络 服 务 的 广 泛 应
用 ， 对 网络 流 量 的建 模 以 及 预 测 日益 重 要 并备 受 人 们 关 注 。 针
和 小波 系 数 序 列 作 为 Ｒ Ｆ 神 经 网 络 和 Ｅｍａ 神 经 网络 的 输 Ｂ ｌ ｎ 入 ， 始 时 间序 列 作 为 输 出 ， 网 络 进 行 训 练 ， 后 用 Ｂ 网 络 原 对 最 Ｐ
Ａｂ ｔ ａ ｔ Ｂａ ｅ ｎ ｔ ｅｍｕ ｔ． ｍｅ ｓ ａ ｅａ ｄ ｔ ｅｎ ｎ ｉ ａ ｈ ｒ ｃ ｅ ｆ ｈ ｅｗｏ ｋｔａ Ｃｔ ｅ ｅ ． ａｎ ｗ ｅｗｏ ｋ仃ａ ｆＣ ｒ ｄ ｃ ｉｎ ｓｒ ｃ ： ｓ ｄ ｏ ｌ ｔ ｃ ｌ ｎ ｏ ｌ ｈ ｉｉ ｈ ｎｅ ｒｃ ａ ａ ｔ ｒ ｅｎ ｔ ｒ 币 ｍｅ ｓ ｒ ｓ ｅ ｎ ｔ ｒ ｏｔ ｒ ｉ ｉ ｆｉ ｅ ｉ ｔ ｐ ｏ ｍｏ ｅ ｉ ｈ ｃ ｍｂ ｎ ｓｔ ｅｗａ ｅｅ ａ ｓ ｏ ｍ ｎ ｅ ｒ ｌ ｅｗｏ ｋ ｉ ｒ ｓ ｎ ｅ ． Ｔｈ ｕ ｇ ｓｅ ｄ ｌ ａ ｄ ａ ｔ ｇ ｔ ｔ ａ ｓ ｒ ｉ ｇ ｄｌ ｗｈ ｃ ｏ ｉ ｅ ｖ ｌｔ ｒ ｆ ｒ ａ ｄ ｎ ｕ ａ ｔ ｒ ｓ ｅ ｅ ｔｄ ｈ ｔｎ ｎ ｐ ｅ ｓ ｇ ｅ ｔ ｄ ｍｏ ｅ ｓａ ｖ ａ ｅ ｗｉ ｉ ｂ ｏ ｂｎ ｈ ｎ ｈ ｓ ｓ ｍｅ ｍｅ ｔ ｆｗａ ｅｅ ａ ｓ ｏ ｄ ａｔｆ ｉ １ ｅ ａ ｅ ｏ ｋ Ｆｉ ｔ ｔ ｅ ｔ 币 Ｃｔ ｅ ｅ ｅｄ ｃ ｍｐ ｓ ｄ ｔ ｅ ｓ ａ ｉｇ ｃ ｅ ｃｅ ｔ ｏ ｒ ｓｏ ｖ ｌｔ ｎ ｆ ｒ ａ ｒｉ ｃ ａ ｕ １ ｔ ｒ ． ｒ ． ｈ ａ ｉ ｓ ｒ ｓａ ｅ ｏ ｏ ｅ ｔ ｃ ｌ ｏ 币 ｉ ｎ ｉ ｒ ｔ ｍ ｎ ｉ ｎｒ ｎｗ ｓ ｒ ｍｅ ｉ ｒ ｏｈ ｎ ｓ ｒ ｓａ ｄ ｗａ ｅｅ ｏ ｆｉｉ ｎ ｅ ｅ ． Ｔｈ ｎ ＲＢＦ ｎ ｕ ａ ｅ ｏ ｋ ａ ｄ Ｅｌ ｎ ｅ ａ ｅ ｏ ｋ ａ ｅｕ ｅ ｅ ｐ ｃｉ ｅｙ ｔ ｋ ｒｄ ｃｉ ｎ ｅ ｅ ｖ ｌｔ ｅ ｆ ｅ ｔｓ ｒ ｓ ｉ ｎ ｃ ｃ ｉ ｅ， ｅ １ ｔ ｒ ｍａ ｎ ｕ １ ｔ ｒ ｓ ｄ ｒ ｓ ｅ ｔｖ ｌ ｍａ ｅｐ ｅ ｉ ｔ ． ｒ ｎｗ ｎ ｒ ｎｗ ｒ ｏ ｏ Ｆ ｎ ｌ ， ｔ ｅｔ ｏｐ ｅ ｉｔ ｎ ｒ ｏ ｉ ｅ ｔ ｅｆ ａ ｓ ｌｔ ｒ ｕ ｈＢＰ ｎ ｕ ａ ｅ ｏ ｋ Ｔ ｅ ｓ ｉａｌ ｙ ｈ ｒ ｄ ｃｉ ｓａ ｅｃ ｍｂ ｄｉ ｏｔ ｎ １ ｅ ｕ ｔ ｈ ｏ ｇ ｅ ｒ １ ｔ ｒ ． ｈ ｉ ｌｔ ｎｒ ｓ ｌ ｎ ｒ ａ ｅ ｏ ｋ ｔ 币 Ｃ ｗ ｏ ｎ ｎ ｈ ｉ ｒ ｎｗ ｍｕ ａ ｉ ｅ ｕ ｔ ｏ １ ｔ ｒ ａ ｏ ｓ ｅ ｎｗ ｒ ｓ ｏ ｔ ｅｎ ｗ ｄ １ ａ ｅ ｅ ｒ ｄ ｃ ｉ ｅｐ ｅ ｉｉ ｎ ｈ ｗ ｅ ｍｏ ｅ ｓｂ Ｒ ｒ ｅ ｉｔ ｒ ｃ ｓｏ ． ｈ ｈ ｐ ｖ Ｋｅ ｒ ｓ ｎ ｔ ｏ ｋ ｔａ ｃ ｗａ ｅ ｅ ａ ｓ ｒ ； ｎ ｕ ａ ｅ ｏ ｋ ｃ ｍｂ ｎ ； ｐ ｅ ｉｔ ｎ ｙ ｗｏ ｄ ： ｅ ｗ ｒ 所 ： ｒ ｖ ｌｔ ｎ ｆ ｍ ｒ ｔ ｏ ｅ １ ｔ ｒ ： ｏ ｉｅ ｒ ｎｗ ｒｄｃｉ ｏ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｄ ｉ１ ． ９ ９ ｊｉ ｎ １０ —６ ５ ２ １ ．８ ０ ７ ｏ ：０ ３ ６ ／．ｓ ． ０ １ ３ ９ ．０ ２ ０ ． ８ ｓ
第２ ９卷第 ８期 ２１ ０ ２年 ８ 月
计 算 机 应 用 研 究
Ａｐ ｌ ａｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅ ｐ ｉ ｔ ｓ ａ ｃ ｆＣ ｍｐ ｔ ｍ ｃ ｏ
Ｖ０． ９ Ｎｏ ８ １２ ． Ａｕ ．２ ２ ｇ ０１
基 于小 波分 解 的 网络 流量 时 间序 列建 模 与预 测
ｂ ｎ ｄ ａｌ ｈ ｏ ｏ ｅ ｔ ｏ ｅ ｍｏ ｅ ｏ ｇ ｔｔ ｅ ｆｒ ｃ ｓｉ ｇ ｍｏ ｅ ｆｔ ｅｏ ｇｎ ｌ ｏ ・ｔｔ ｎ ｒ ｅｗｏ ｋ ｔ ｆ ｃ ｔ ｅ ｅ ．Ｉ ｉｅ ｌ ｔ ｅ ｃ ｍｐ ｎ ｎｓ ｆｔ ｄ ｌ ｅ ｏ ｅ ａ ｔ ｄ ｌｏ ｒ ｉａ ｎ ｓａｉ ａｙ ｎ ｔ ｒ ａｆ ｉ ｓ ｒ ｓ ｔ ｈ ｔ ｈ ｎ ｈ ｉ ｎ ｏ ｒ ｉ ｍｅ ｉ ｃ ｒｉｄ ｏ ｔｔｅ ｓｍｕ ａｉｎ ｅ ｐ ｒ ｎ ｎ ｔ ｅ ｅ ａ ａｏ ｅ ｎ ｔ ｏ ｋ ｌ ｒｒ ．Ｔ ｅ ｓｍｕａ ｉｎ ｒ ｓ ｌ ｈ ｗ ｔ ａ ， ｅ ｐ ｏ ｏ ｅ ａ ｒ ｕ ｈ ｉ ｌ ｔ ｘ ｅ ｍｅ ｔｏ ｍｅ ｓ ｒ ｓｄ ｔ ｆ ｈ ｅｗ ｒ ｉ ａ ｅ ｏ ｉ ｉ ｉ ｔ ｂ ｙ ｈ ｉ ｌｔ ｅ ｕ ｔ ｓ ｏ ｔ ｔ ｒ ｐ ｓ ｄ ｏ ｓ ｈ ｈ ｍｅｈ ｄ ｉ ｒｖ ｓｔ ｅ ｎ ｔ ｏ ｋ ｔａｆ ｉ ｅ ｅ ｒ ｃ ｓｉｇ ａ ｃ ｒ ｃ ａ ｅ ｎ ｓａ ｆ ｃ ｅ ｔ ｒ ｂ ｓ ｎ ｔ ｏ ｋ ｔａｆ ｏｅ ａ — ｔ ｏ ｍｐ ｏ ｅ ｈ ｅｗ ｒ ｒｆ ｃ ｔ ｉ ｍｅ ｓ ｒ ｓｆ ｅ ａ ｔ ｃ ｕ ａ ｙ ｒ ｔ ，ａ ｄ ｉ ｉ ｎ ｅ ｉｎ ， ｏ ｕ ｔ ｅｗ ｒ ｆ ｉ ｆ ｒｃ ｓ ｉ ｏ ｎ ｔ ｉ ｒ ｃ ｔ ｇ ｍｅｈ ｄ ｉ ｔｏ ． ｎ
（ ｏｅｅｏ ｏ ｐ ｔ ｃ ｎｅ＆ Ｔｃｕｅ Ｓｉ ｃ ｌ ｆ ｒ ｅ ｅｈｏｏ ， ｉｎＵ ｉ ｓｙ Ｃ ａ ｇｈ ｎ１０ １ Ｃ ｉ ｇ ｉ ｅｉ ａ
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：Ｔ ｉ ａ ｅ ｒ ｐ ｓ ｄ ａｎ ｔ ｏ ｋ ｔａｆ ｏ ｅ ａ ｔ ｇ ｍｅｈ ｄ ａ ｅ ｎ ｗａ ｅ ｅ ｅ ｏ ｏ ｉ ｏ ｎ ｉ ｅ ｉｓ ａ ａｙ ｉ ｈ ｓｐ ｐ ｒｐ ｏ ｏ ｅ ｅｗ ｒ ｒ ｆ ｃ ｆｒ ｃ ｓ ｎ ｔ ｏ ｓｂ ｓ ｄ ｏ ｖ ｌｔｄ ｃ ｍｐ ｓｔ ｎ ａ ｄ ｔ ｉ ｉ ｉ ｍｅ ｓ ｒｅ ｎ ｌｓｓ ｍｅｈ ｄ ｔ ｏ ．Ｆ ｒ ｔ ｔ ｅｍｅｈ ｄ ｄ ｃ ｍｐ ｓ ｄ ｔ ｅ ｎ ｔ ｏ ｋ ｔａｆ ｉ ｅｉ ｓｉ ｌ ｐ ｅ ｓ ｔ ｎ ｒ ｏ ｏ ｅ ｔ ｂ ａ ｅｅ ｅ ｏ ｏ ｉ ｌ ｈ ｔｏ ｅ ｏ ｏ ｅ ｈ ｅｗ ｒ ｒ ｆ ｃｔ ｓ ｙ， ｉ ｍｅｓ ｒｅ ｍｕｔ ｌ ｔ ｉ ａｙ ｃ ｍｐ ｎ ｎ ｓ ｙ ｗ ｖ ｌ ｔ ｃ ｍｐ — ｎ ｉ ａｏ ｄ
Ｍｏ ｅｉ ｇ ａ ｄ ｆｒ ｃ ｓｉ ｇ ｆｒｎ ｔ ｏ ｋ ｔａｆ ａ ｅ ｎ ｗ ｖ ｌｔｄ ｃ ｍｐ ｓｔ ｎ ｄ ｌ ｎ ｏ ｅ ａ ｔ ｏ ｅｗ ｒ ｒｆ ｃ ｂ ｓ ｄ ｏ ａ ｅｅ ｅ ｏ ｏ ｉ ｏ ｎ ｎ ｉ ｉ
Ｚ ＨＡＮＧ Ｈａ Ｗ ＡＮＧ Ｘｉ ｎ， ａ
Ｋｅ ｒ ｙ ｗｏ ｄｓ： ｎｅｗｏ ｋ ｔａ ｆｃ；ｗａ ｅｅ ｅ ｏ ｏ ｉｉｎ；ｔｍｅ ｓ ｒｅｓ ｏｅ ａ ｔｎ ｔ ｒ ｒ ｉ ｆ ｖ ｌｔｄ ｃ ｍｐ ｓｔ ｏ ｉ ｅ ｉ ；ｆｒ ｃ ｓｉｇ
网络流量一般按一定的时间间隔进行采样 ， 是一种典型的 时间序列数据 ， 因此时间序列分析方法在 网络流量的预测 中得 到 了广泛 的应用 ， 以较好地揭示 网络流量 内在统计特征和变 可 化规律… 。在实际应 用过程 中， 间序列 分析通 常假 设 网络 时 流量变化是一种平稳时间序列数据 ， 非平稳 网络流量时 间的 对
张 晗， 王 霞
（ 吉林大学 计算机科学与技 术学院， 长春 １０ １ ） ３０ ２
摘 要 ：提 出一种 基 于小波分 解的 网络流 量时 间序 列 的分析 和预 测 方 法。将 非平 稳 的 网络流 量 时 间序 列通 过
小波分解成 为 多个平稳 分量 ， 用 自回归滑动 平均 方法分 别对 各平稳 分 量进 行 建模 ， 所 有分 量 的模 型进 行 组 采 将
合 ， 到原始 非平稳 网络流 量 时间序列 的预测模 型 。在 仿真 实验 中 ， 用 网络 流量 文 库的 时 间序 列数 据 建立 了 得 利 预 测模 型 ， 并对其进 行独 立测试检 验 。仿 真 结果 表 明 ， 测 方法提 高 了网络 流量 时间序列 的预 测准 确率 ， 一 本预 是
ｓｔｏ ｉｉｎ，ｔ ｎ ｓ ｄ ｈｅ ａ ｏ ｅ ｒｓ ｉｅ ｍｏ ｉ ｖ ｒｇ ｅｈ ｄ ｔ ｄｅ ｈ ａ ｈ ｓａ ｉｎ ｒ ｏ ｏ ｎｔｓ ｐ ｒ ｔ ｌ Ｆｉａｌ ｏ ｈｅ ｕ ｅ ｔ ｕｔｒ ｇｅ ｓｖ ｖｎｇ ａ ｅａ ｅ ｍ ｔ ｏ ｏ ｍｏ ｌｔ ｅ ｅ ｃ ｔｔｏ ａ ｃ ｍｐ ｎｅ ｅ ａ ａｅｙ． ｎ ｌｙ ｃ ｍ— ｙ