[发明专利]基于量子遗传算法的FARIMA模型网络流量预测方法

说明书

本发明公开了一种基于量子遗传算法的FARIMA模型网络流量预测方法，包括以下步骤：对网络流量数据进行滤波，去除干扰数据；对预处理后的数据求均值，用预处理后的数据与均值做差，进行零均值化；估计FARIMA模型分数差分参数d；对零均值化数据进行d阶差分滤波；估计FARIMA模型分数差分参数参数p和q；应用估计FARIMA模型对流量数据进行预测。本发明的优点是：全局寻优的能力非常好，非常适合进行网络流量预测。对于提高网络的运行速度以及网络利用率是有明显帮助，可以减少其预测的平均绝对误差和均方根误差，提高了网络流量预测的准确性。

技术领域

本发明涉及互联网技术领域，特别涉及基于量子遗传算法的改进FARIMA模型网络流量预测方法。

背景技术

传统网络流量模型以ARMA模型(自回归滑动平均模型)为主，这种模型是一种短相关模型，不具有长相关特性。随后网络流量特性研究的深入，提出ARIMA (自回归积分滑动平均)模型，这种模型是ARMA模型的改进形式，可描述网络流量的有限长相关特性。近期的网络流量研究结果显示，网络流量具有明显的长相关性特性，需要建立更加准确的长相关模型。FARIMA模型(分数阶自回归滑动平均模型)是ARIMA模型的扩展形式，差分次数d取值可以为分数，可以准确描述网络流量长相关特性。因为FARIMA模型需要估计3个参数，而且差分次数d为分数，导致模型的参数估计比ARMA模型和ARIMA模型更为复杂，模型的预测结果也存在一定误差。目前网络流量FARIMA模型参数估计主要采用最小二乘或者极大似然估计法进行参数拟合法，算法不仅计算量大而且预测结果存在较大误差。

参考文献

[1]Song C,Havlin S,Makse,Hernán A.Self-similarity of complex networks[J].Natur,2005,433.

[2]Jean-Philippe Montillet.kegen yu.Modeling Geodetic Processes withLevyα-Stable Distribution and FARIMA.[J]Mathematical geoscienc es,2014,12(12).

[3]Willinger W,TaqquM S,Sherman R.Self similarity through highvariability:statistical analysis of ethernet lan traffic at the sourc e level[J].IEEE ACM trans on networking,1997,1(5):71—86.

[4]Gu J,Gu M,Cao C,et al.A novel competitive co-evolutionar y quantumgenetic algorithm for stochastic job shop scheduling problem [J].ComputersOperations Research,2010,37(5):927-937.

[5]Sheng H,Yan Q,Li K.Alpha Stable Distribution Based FARIMA Modelingand Forecasting for Network Traffic Data[J].Journal of Phys ics ConferenceSeries,2020,1574:012135.

[6]Sheng Z,Wanlu J.A novel quantum genetic algorithm and its application[J].2012.