[发明专利]一种基于修正因子的网络流量灰色预测方法

说明书

本发明公开了一种基于修正因子的网络流量灰色预测方法，基于构建好的网络拓扑结构和它的原始流量序列，对原始流量序列进行归一化，构造并初始化修正因子的缓冲算子函数，对归一化流量序列中的每个元素施加缓冲算子函数，获得预处理流量序列，之后对预处理流量序列实施灰色预测，得到当前流量预测序列，计算归一化流量序列与预测流量序列的均方误差，对修正因子的值进行迭代更新，获得最优修正因子以及该修正因子对应的预测流量序列，对预测流量序列进行反归一化，得到最终预测流量序列，本发明提出的一种基于修正因子的网络流量灰色预测方法，在保证流量预测算法复杂度较低的前提下，实现对复杂网络流量的高精度预测。

技术领域

本发明属于信息工程领域，特别涉及了一种基于修正因子的网络流量灰色预测方法。

背景技术

随着计算机网络技术的飞速发展，网络节点和网络应用的数量呈现爆炸式增长，网络流量的规模日益庞大和复杂。上述网络流量规模的变化，导致网络流量的复杂性和突发性也发生了显著变化，从而使传统的流量预测方法难以对网络流量做出准确的预测。当前，关于网络流量预测方法主要分为线性预测和非线性预测。

(1)线性预测

线性预测方法主要包括ARMA、ARIMA、FARIMA。四川大学的段华琼等人提出了一种基于ARMA模型的组合预测方法，实现了多个不同尺度的线性模型进行网络数据的组合预测，仿真结果表明该方法的预测均值误差在10^-3量级，具有较高的预测精度。沈阳工业大学的田中大等人提出了一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型，仿真结果表明该方法具有更高的预测精度和更小的预测误差。北京交通大学的孙强等人提出了一种新型的基于FARIMA模型的铁路数据网流量预测方法，仿真结果表明该方法比传统的基于ARMA模型的预测方法更为精准。上述线性预测方法对于平稳序列具有较好的预测效果，但却难以捕捉非平稳序列中数据的隐含信息，因此并不适用于复杂网络的流量预测。

(2)非线性预测

非线性预测方法主要包括机器学习、深度学习等与人工智能相关的预测方法。南京邮电大学的李颖琦提出了一种基于平滑辅助支持向量机(SSVM)模型实现对非稳态视频流量预测，实验结果表明提出的SSVM模型在预测精度和统计比较方面具有很大优势。韩国科技信息研究所的Hongsuk Yi提出了一种基于超参数搜索的流量预测深度学习模型，实测表明该模型具有很好的流量预测效果。此类方法虽然具有较高的预测精度，但是由于数学建模复杂且依赖大样本数据，导致预测效率低下。

上述方法虽然能较好的实现对网络流量的预测，但是均无法在流量预测算法复杂度较低的前提下，实现对复杂网络流量的高精度预测。

发明内容

本发明的目的在于提供一种基于修正因子的网络流量灰色预测方法，以解决现有技术中传统的流量预测方法难以对网络流量做出准确的预测问题。

为实现上述目的，本发明提供如下技术方案：一种基于修正因子的网络流量灰色预测方法，基于已构建好的网络拓扑结构、以及该网络拓扑结构的原始流量序列X，针对所述原始流量序列X，执行步骤D1至步骤D9，获得所述原始流量序列X所对应的最终预测流量序列，实现对网络拓扑未知网络流量的预测；

步骤D1：对原始流量序列X进行归一化，得到归一化流量序列X₁，随后进入步骤D2；

步骤D2：构造基于修正因子c的缓冲算子函数d(c)，随后进入步骤D3；

步骤D3：初始化缓冲算子函数d(c)的修正因子c；随后进入步骤D4；

步骤D4：基于归一化流量序列X₁、缓冲算子函数d(c)、修正因子c，对归一化流量序列X₁中的每个元素施加缓冲算子函数d(c)，获得预处理流量序列X₁D，随后进入步骤D5；