高斯过程回归补偿arima的网络流量预测

《高斯过程回归补偿arima的网络流量预测》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、高斯过程回归补偿ARIMA的网络流量预测田中大李树江王艳红王向东沈阳工业大学信息科学与工程学院为提高网络流量时间序列的屮期预测精度，提出一种高斯过程回归模型补偿自回归积分滑动下•均(autoregressiveintegratedmovingaverage,ARIMA)模型的网络流量预测模型.首先通过BDS(Brock-Dechert-Scheinkman)统计量检验方法确定网络流量时间序列含线性特征与非线性特征.然后利用ARIMA模型对网络流量时间序列进行非平稳建模，得到符合网络流量序列线性变化规律的模型.通过人工蜂群算法优化的高斯过程回归模型对

2、具有非线性特性的预测误差序列进行建模与预测.最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验表明提出的预测方法具有更高的预测精度与更小的预测误差.关键词：网络流量;预测;自回归积分滑动T均;高斯过程回归;BDS统计量;人丄蜂群算法；田中大(1978—)，男，，讲师;:tianzhongda@126.com;研究方向：时间序列建模与预测；李树江(1966一)，男，教授;:lisj2005@126.com;研究方向:复杂工业过程建模与控制.:2017-03-02基金：辽宁省自然科学基金重点项目(2

3、0170540686)NetworkTrafficPredictionBasedonARIMAwithGaussianProcessRegressionCompensationTIANZhong-daLlShu-iiangWANGLYan-hongWANGXiang-dongSchoolofInformationScienceandEngineering，ShenyangUniversityofTechnology;Abstract：Inordertoimprovethemedium-termpredictionaccuracyofnetworkt

4、raffic,anetworktrafficpredictionmethodbasedonAR1MA(autoregressiveintegratedmovingaverage)withGaussianprocessregressioncompensationisproposedinthispaper.Firstly,thelinearandnonlinearcharacteristicsofnetworktrafficcanbedeterminedbyBDS(Brock-Dcchert-Schcinkman)statistics.Then,ARI

5、MAmodelisusedformodelingthenon-stationarynetworktraffictimeseries.Thelinearmodelofnetworktrafficsequenceisobtained.ArtificialbeecolonyalgorithmoptimizedGaussianprocessregressionmodelisusedasthepredictionmodelofpredictiveerrorsequenceswiththenonlinearcharacteristic.Finally,thef

6、inalpredictionvalueisobtainedbyaddingpredictivevaluesofARIMAmodelandpredictiveerrorvaluesofGaussianprocessregressionmodel.Thesimulationcomparisonresultsshowthattheproposedpredictionmethodhashigherpredictionaccuracywiththesmallerpredictionerror.Keyword：networktraffic;prediction

7、;autoregressiveintegratedmovingaverage;Gaussianprocessregression;BDSstatistics;artificialbeecolonyalgorithm;Received：2017-03-02近年来，随着信息技术的进步，网络的资源分配成为丫一个重要的研究课题.当网络过载或拥塞时，完善的资源分配机制能保证重要或高优先级的业务量不会发生延迟或丢弃，同时保证网络的高效运行in.网络流量预测技术的发展与成熟使得建立一种基于流量精确预测的动态资源分配成为可能m.网络流量预测根据应用场合不同，通常可

8、分为短期预测、中期预测以及长期预测[3-4].一般而言，长期预测通常是以比较大的颗粒度即月、口的长时间段内的历史数据为参考