小波分解

Internet的普及率越来越广,网民数量呈爆炸式的增长,这对计算机网络的安全及管理提出巨大挑战; 网络流量分析是对网络进行管理最为广泛和重要的手段之一; 有效 ...
展开查看详情

1.基于组合模型的网络流量预测 兰州大学 - 张洋

2.CONTENTS 兰州大学 研究背景 1 RESEARCH BACKGROUNDS 4 实验结果及分析 EXPERIMENT RESULTS AND ANALYSIS 研究方法 2 结论与建议 RESEARCH FR METHODS 5 CONCLUSION AND SUGGESTION 模型设计 3 MODEL DESIGN

3.PPT 模板下载: www.1ppt.com/moban/ 行业 PPT 模板: www.1ppt.com/hangye/ 节日 PPT 模板: www.1ppt.com/jieri/ 优秀 PPT 下载: www.1ppt.com/xiazai/ Word 教程: www.1ppt.com/word/ 资料下载: www.1ppt.com/ziliao/ 范文下载: www.1ppt.com/fanwen/ 教案下载: www.1ppt.com/jiaoan/ PPT 素材下载: www.1ppt.com/sucai/ PPT 背景图片: www.1ppt.com/beijing/ PPT 图表下载: www.1ppt.com/tubiao/ PPT 教程: www.1ppt.com/powerpoint/ Excel 教程: www.1ppt.com/excel/ PPT 课件下载:www.1ppt.com/kejian/ 试卷下载: www.1ppt.com/shiti/ PPT 论坛: www.1ppt.cn 兰州大学 1 RESEARCH BACKGROUNDS 研究背景

4.1 研究背景 RESEARCH BACKGROUNDS 兰州大学  Internet 的普及率越来越广,网民数量呈爆炸式的增长,这对 计算机网络的安全及管理提出巨大挑战  网络流量分析是对网络进行管理最为广泛和重要的手段之一 有效的网络流量预测可以对网络管理提供依据

5.1 研究背景 RESEARCH BACKGROUNDS 兰州大学 研究现状 网络具有尺度 特性, Poisson 随机性、突发 性等非线性特 不再合适。 点。 Poisson 线性模 非线性 组合 模型 型 模型 模型 流量数据服从 网络流量数据 指数分布 拥有组合特性 ARMA BP RBF … SVM 和复杂性 通过分析时间序列 历史数据发掘研究 事物变化的规律性

6. 兰州大学 2 RESEARCH METHODS 研究方法

7.2 研究方法 RESEARCH METHODS 兰州大学 ARMA 模型 由自回归模型与滑动平均模型为基础“混合”构成。 如果时间序列 yt 满足: 则称时间序列为 yt 服从 (p,q) 阶自回归滑动平均混合模型。 或者记为 φ(B)yt = θ(B)εt 特殊情况: q=0 ,模型即为 AR(p) , p=0 ,模型即为 MA(q) 。

8.2 研究方法 RESEARCH METHODS 兰州大学 极限学习机 是一种特殊类型的单隐层前馈神经网络,仅有一个隐结点层。 第一步:确定隐含层神经元个 数,随机设定输入层与隐含层 间的连接权值 w 和隐含层神经 元的阈值 b ; b = H †T 第二步:选择一个可以无限可 微的函数作为隐含层神经元的 激活函数,进而计算隐含层输 出矩阵 H ; 第三步:计算输出层权值 b = H †T 极限学习机的结构原理图

9.2 研究方法 RESEARCH METHODS 兰州大学 小波分解 一种基于信号的时间、尺度的分析方法 它具有在时间和频率两个域中提取信号局部特征的能力,非 常适合对非平稳的序列进行特征提取和分析 1 +¥ t- b 连续小波变换 CWTx (a, b) = ò- ¥ x(t )y ( )dt = x(t ),y a ,b (t ) a a DWTx ( j , k ) =ò- ¥ x(t )y +¥ 离散小波变换 j ,k (t )dt

10.2 研究方法 RESEARCH METHODS 兰州大学 小波分解 Mallet 算法 Mallat 分解算法示意图

11. 兰州大学 3 MODEL DESIGN 模型设计

12.3 模型设计 MODEL DESIGN 兰州大学 小波分解及参数选择 分解层 小波基 选择 + 数选择 Daubechies(dbN) 小波 Symlet(symN) 小波 Coiflet(coifN) 小波 Biorthogonal(biorNr.Nd) 小波

13.3 模型设计 MODEL DESIGN 兰州大学 ARMA 建模过程 平稳性判定 1 4 模型识别 自相关系数 2 5 模型检验 偏自相关系数 3 6 模型预测

14.3 模型设计 MODEL DESIGN 兰州大学  小波分解 基于小波变换  平稳性判断 的组合模型设 ARMA 建模 计与实现 ELM 建模 重构 方法二

15. 兰州大学 4 EXPERIMENT RESULTS AND ANALYSIS 实验结果及分析

16.4 实验结果及分析 EXPERIMENTAL RESULTS AND ANALYSIS 兰州大学 1 N Pi - Ai 性能评价指标 MAPE = å | | N i =1 Ai 为了检验实验的预测精度,我们使用了三种不同的统计指标: 平均绝对误差百分比( Mean Absolute Percentage Error ), 1 N 平均绝对误差( Mean Absolute Error )和均方根误差( Root MAE = å | Pi - Ai | Mean Square Error )。 N i =1 N åi=1 ( Pi - Ai )2 RMSE = N

17.4 实验结果及分析 EXPERIMENTAL RESULTS AND ANALYSIS 兰州大学 实验数据 一共七天的每天 08:00 到 24:00 之间 的 192 条数据进行实验,将前六天的 数据作为训练数据,最后一天的数据作 为测试数据 .

18.4 实验结果及分析 EXPERIMENTAL RESULTS AND ANALYSIS 兰州大学 UK 数据经过小波变换之后得到的细节部分 dx ( x=1-6 )和趋势部分 ax ( x=1-6 )

19.4 实验结果及分析 EXPERIMENTAL RESULTS AND ANALYSIS 兰州大学 UK 数据经过小波变换之后得到的子序列的自相关和偏自相关函数

20.4 实验结果及分析 EXPERIMENTAL RESULTS AND ANALYSIS 兰州大学 教育网数据 网通数据 UK   MAPE MAE RMSE MAPE MAE RMSE MAPE MAE RMSE 0.1110 465.8087 546.8644 ARMA 0.0707 14.5217 18.2718 0.2323 7.4936 9.1710 0.1496 457.1843 580.6544 ELM 0.0734 14.5670 19.8862 0.1716 4.6137 5.7803 0.1733 546.4508 681.2479 SVM 0.1428 29.4627 34.4769 0.2151 5.2584 6.4781 W-ARMA-ELM 0.0457 9.4825 11.8322 0.1086 3.8807 5.6707 0.0685 239.8551 319.5077 不同预测模型分别对教育网数据和网通数据的预测汇总

21. 兰州大学 5 CONCLUSION 结论

22.5 结论 CONCLUSION 兰州大学 ( 1 )小波变换 利用小波变换的比例收缩特性,将具有长程相关或者自相似等本质特性的网络 流量数据进行分解和重构,变成多条短相关的子序列,然后使用自相关和偏自相关 结论 相结合的方式确定序列的平稳性。 ( 2 )组合: ARMA+ELM 由于线性短相关模型 ARMA 对平稳序列有非常大预测优势,非线性 ELM 方法 Conclusions 对非平稳数据预测效果更好

23. 兰州大学 谢谢! THANKS