时间序列分析在网络流量预测中的应用研究new

《时间序列分析在网络流量预测中的应用研究new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、时间序列分析在网络流量预测中的应用研究李林峰裘正定(北京交通人学信息所,北京,10004)(haPpyll堪sohu.eom),摘要本文介绍了时间序列分析在网络流量预测中的研究进展给出了短湘关和侧目关时间序列模型的描述,并对它们的特点。作了分析比较关键词时间序列;长相关;流量预测OnStudyoftheAPPlicationofTimeSeriesAnalysisinNetworkTrafiePredietiolL1LinfengQiuZhengding,ve(InstituteoflnformationSeienceBe几IingJiongUnirs

2、ity*l00()4)aOtse,Abtrat:InthisPaPer,weintrodueedeveloPmentofne朴内orktral石ePredictionbasedontimeseriesanaiysis.enonootes,eePresentdfiitifbhSRDandLRDmodlandcomParehteristieofthesemodlsarces:eseesans一Ky、VOrdTimrialysi;LonggedePendent;TraficPredictionran1.简介在计算机网络的规划、设计、控制和管理中,网络流量的准

3、确预测是非常有意义的。根据流量模型,,。,的预测值分配网络资源可以有效的避免网络拥塞提高网络性能网络流量预测可以应用到各种领域’,,。比如接入控制t!动态带宽分配{2l以及ABR业务的速率控制等等13,,arov网络流量预测方法大致可以分为传统的基于Mk的方法时间序列的分析方法以及神经网络的方法。基于Mov,。ark的方法易于进行模型分析但是它不能捕捉真实数据的统计特性神经网络的方法适合描述流量的不稳定性,但是它的计算量比较人,实时建模有一定的难度。而时间序列的方法由于、、、’,。其模型简单速度快精度高易于仿真分析等特点倍受研究人员的关注I’,’l时间

4、序列的预测模型包括短相关和长相关两种。短相关模型包括A民ARMA产RJM,A等这些模型,,的自相关函数c(k)成指数衰减从而导致艺C(k)<二短相关模型应用于传统的语音业务中取得了很k好的效果。,,网络业务量存在长相关特性。然而最近对网络业务量的研究表明(自相似)称一个过程为长相,:关的如果它满足一,e(无)口无,H,k}分二05<

5、关和长相关特性。下面我们对各种时间序列模型及其特点做简单介绍。234.~a2短相关模型(ShortRllgeDependentModels)2.1AR模型,:AR(P)代表p阶的AR模型它有如下形式,=一1+一:十十一。十x叭戈人戈⋯作戈月,定_;二,,A:其中乓为白噪声序列义后退算子B如卜戈群则R(P)模型可以表示为B,”气武)尤,=一-,,,。其中必(B)(lBB”)如果必(B)的根都在单位圆外则{戈}为平稳过程戈有唯一解叭一九,。,刀斌川模型参数估计简单易于递归地生成时间序列缺点是它的自相关函数是指数衰减的只能做短期预测。22ARMA模型,,,:

6、AR九侧(p动代表(pq)阶的AR八试搜模型它有如下形式‘二一,+一:二十一:十一一:一一2-一、X叭戈丸戈+.咋戈乓弓乓典乓气乓一“,:令0(B)二(1一已B-民B)则有一必(B)戈=夕(B)弓,。,ARMA模型也是一个平稳的时间序列模型不适合对非平稳的数据建立模型另外AR卜IA模型参数氏的估计也比较复杂。2.3ARIMA模型ARMA,:ARlMA(P,d,动模型是模型的一种扩展ARIMA(P,d,q)的形式如下刀vd,二夕刀必()万()乓,:其中v是差分算子定义为v=‘一卜,=l一B,(戈)(Xx)()x二(l)J=(一俨一、脓),。差分的作用是把

7、非平稳时间序列处理成平稳的时间序列这样就可以用ARMA帆心来建立模型了.~aneneoeS3长相关模型(LongR罗D叩dntMdl)3.IF一A阳MA模型F一A甩MA(P,d,中模型是d取分数的ARIMA(P,d,q)过程,o

8、MA过程表现出长相关特性事实上H参数满足Hd05Pq)235,一当p和q不同时为。时F一RIM