1、基于組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)蘭州大學(xué)-張洋CONTENTS14253研究背景實(shí)驗(yàn)結(jié)果及分析研究方法結(jié)論與建議模型設(shè)計(jì)RESEARCH BACKGROUNDSRESEARCH FR METHODSmodel designexperiment results and analysisCONCLUSION AND SUGGESTION蘭州大學(xué)1研究背景RESEARCH BACKGROUNDS蘭州大學(xué)PPT模板下載：/moban/ 行業(yè)PPT模板：/hangye/ 節(jié)日PPT模板：/jieri/ PPT素材下載：/sucai/PPT背景圖片：/beijing/ PPT圖表下載：/tubiao/ 優(yōu)秀PP

2、T下載：/xiazai/ PPT教程： /powerpoint/ Word教程： /word/ Excel教程：/excel/ 資料下載：/ziliao/ PPT課件下載：/kejian/ 范文下載：/fanwen/ 試卷下載：/shiti/ 教案下載：/jiaoan/ PPT論壇： 1研究背景RESEARCH BACKGROUNDS蘭州大學(xué) Internet的普及率越來越廣，網(wǎng)民數(shù)量呈爆炸式的增長(zhǎng)，這對(duì)計(jì)算機(jī)網(wǎng)絡(luò)的安全及管理提出巨大挑戰(zhàn) 網(wǎng)絡(luò)流量分析是對(duì)網(wǎng)絡(luò)進(jìn)行管理最為廣泛和重要的手段之一有效的網(wǎng)絡(luò)流量預(yù)測(cè)可以對(duì)網(wǎng)絡(luò)管理提供依據(jù)研究現(xiàn)狀1研究背景RESEARCH BACKGROUNDS蘭州大

3、學(xué)Poisson模型線性模型非線性模型組合模型流量數(shù)據(jù)服從指數(shù)分布網(wǎng)絡(luò)具有尺度特性，Poisson不再合適。隨機(jī)性、突發(fā)性等非線性特點(diǎn)。網(wǎng)絡(luò)流量數(shù)據(jù)擁有組合特性和復(fù)雜性BPRBFSVMARMA通過分析時(shí)間序列歷史數(shù)據(jù)發(fā)掘研究事物變化的規(guī)律性2研究方法RESEARCH METHODS蘭州大學(xué)2研究方法RESEARCH METHODS蘭州大學(xué)ARMA模型由自回歸模型與滑動(dòng)平均模型為基礎(chǔ)“混合”構(gòu)成。如果時(shí)間序列yt滿足： 則稱時(shí)間序列為yt服從(p,q)階自回歸滑動(dòng)平均混合模型?；蛘哂洖?B)yt = (B)t 特殊情況：q=0，模型即為AR(p)，p=0，模型即為MA(q)。2研究方法蘭州大學(xué)極

4、限學(xué)習(xí)機(jī)第一步：確定隱含層神經(jīng)元個(gè)數(shù)，隨機(jī)設(shè)定輸入層與隱含層間的連接權(quán)值w和隱含層神經(jīng)元的閾值b；第二步：選擇一個(gè)可以無限可微的函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，進(jìn)而計(jì)算隱含層輸出矩陣H；第三步：計(jì)算輸出層權(quán)值是一種特殊類型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，僅有一個(gè)隱結(jié)點(diǎn)層。極限學(xué)習(xí)機(jī)的結(jié)構(gòu)原理圖RESEARCH METHODS2研究方法蘭州大學(xué)小波分解一種基于信號(hào)的時(shí)間、尺度的分析方法它具有在時(shí)間和頻率兩個(gè)域中提取信號(hào)局部特征的能力，非常適合對(duì)非平穩(wěn)的序列進(jìn)行特征提取和分析連續(xù)小波變換離散小波變換RESEARCH METHODS2研究方法蘭州大學(xué)小波分解Mallet算法Mallat 分解算法示意圖RESE

5、ARCH METHODS3 模型設(shè)計(jì)model design蘭州大學(xué)小波分解及參數(shù)選擇Daubechies(dbN)小波Symlet(symN)小波Coiflet(coifN)小波Biorthogonal(biorNr.Nd)小波3模型設(shè)計(jì)model design蘭州大學(xué)小波基選擇分解層數(shù)選擇+ARMA建模過程3模型設(shè)計(jì)model design蘭州大學(xué)142536平穩(wěn)性判定自相關(guān)系數(shù)偏自相關(guān)系數(shù)模型識(shí)別模型檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)基于小波變換的組合模型設(shè)計(jì)與實(shí)現(xiàn)方法二3模型設(shè)計(jì)model design蘭州大學(xué) 小波分解 平穩(wěn)性判斷ARMA建模ELM建模重構(gòu)4實(shí)驗(yàn)結(jié)果及分析experiment result

6、s and analysis蘭州大學(xué)4實(shí)驗(yàn)結(jié)果及分析experimental results and analysis蘭州大學(xué)性能評(píng)價(jià)指標(biāo)為了檢驗(yàn)實(shí)驗(yàn)的預(yù)測(cè)精度，我們使用了三種不同的統(tǒng)計(jì)指標(biāo)：平均絕對(duì)誤差百分比（Mean Absolute Percentage Error），平均絕對(duì)誤差（Mean Absolute Error）和均方根誤差（Root Mean Square Error）。4實(shí)驗(yàn)結(jié)果及分析experimental results and analysis蘭州大學(xué)實(shí)驗(yàn)數(shù)據(jù)一共七天的每天08:00到24:00之間的192條數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，將前六天的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，最后一天的數(shù)據(jù)作為

7、測(cè)試數(shù)據(jù).4實(shí)驗(yàn)結(jié)果及分析experimental results and analysis蘭州大學(xué)UK數(shù)據(jù)經(jīng)過小波變換之后得到的細(xì)節(jié)部分dx（x=1-6）和趨勢(shì)部分ax（x=1-6）4實(shí)驗(yàn)結(jié)果及分析experimental results and analysis蘭州大學(xué)UK數(shù)據(jù)經(jīng)過小波變換之后得到的子序列的自相關(guān)和偏自相關(guān)函數(shù)4實(shí)驗(yàn)結(jié)果及分析experimental results and analysis蘭州大學(xué)教育網(wǎng)數(shù)據(jù)網(wǎng)通數(shù)據(jù)UKMAPEMAERMSEMAPEMAERMSEMAPEMAERMSEARMA0.070714.521718.27180.23237.49369.17100.1

8、110465.8087546.8644ELM0.073414.567019.88620.17164.61375.78030.1496457.1843580.6544SVM0.142829.462734.47690.21515.25846.47810.1733546.4508681.2479W-ARMA-ELM0.04579.482511.83220.10863.88075.67070.0685239.8551319.5077不同預(yù)測(cè)模型分別對(duì)教育網(wǎng)數(shù)據(jù)和網(wǎng)通數(shù)據(jù)的預(yù)測(cè)匯總5結(jié)論CONCLUSION蘭州大學(xué)結(jié)論Conclusions（1）小波變換 利用小波變換的比例收縮特性，將具有長(zhǎng)程相關(guān)或者自相似等本質(zhì)特性的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分解和重構(gòu)，變成多條短