基于EMD聚类的实时网络流量预测模型

摘要：

针对复杂的网络流量呈现出的多种特性,传统的单一模型预测效果差.为了提高流量预测的准确性和实时性,提出了一种基于经验模态分解(EMD)和聚类的网络流量预测模型.首先通过EMD将网络流量分解为不同时间尺度上频率单一的本征模函数(IMFs);其次通过改进的K均值聚类算法对IMF分量做聚类分析,将复杂度相近的IMF分量聚到一起;然后对聚类的IMF分量用自回归移动平均(ARMA)模型进行预测;最后将各IMF分量序列的预测值进行求和得到网络流量的预测值.实验结果证明,与EMD-ARMA模型相比,该模型不仅缩短了训练耗时,且均方误差(MSE)、平均绝对误差(MAE)分别下降了13.8％和7.6％,趋势预测准确率(APT)提高了6％,提高了网络流量的预测精度,可用于实时流量预测.

关键词：网络流量、经验模态分解、K均值聚类、自回归移动平均、流量预测

所属期刊栏目：47

分类号：TP393(计算技术、计算机技术)

资助基金：长江学者和创新团队发展计划IRT_16R72

在线出版日期：2020-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：316-320