专利交易市场

基于马尔可夫链的灰色模型GM(1,1)局域网短期峰值流量预测方法，包括：步骤1：原始峰值GM(1,1)的确定。步骤2：原始峰值数据的分类；将历史数据以从小到大的顺序分类，并求得不同类的平均值。步骤3：原始峰值数据分类后转移概率矩阵的确定；对每个原始数据下跳类进行判断，得到相应转移概率矩阵。步骤4：初始预测值的修正；判断当天实际峰值类，将其所在类平均值与转移概率矩阵做加权平均得参数一，将参数一与原始预测值做平均得该天修正值。步骤5：短期内流量预测；将步骤4所得值作为预测经验更新转移概率矩阵，重复步骤至完成短期预测。本发明建模过程简单，能快速对短期网络流量进行预测，对合理规划网络资源具有较大工程价值。

本发明提出基于改进ESN的网络流量预测方法，先对网络流量数据进行连续采集，再在其基础上对原始的网络流量数据进行降噪处理，得到降噪后的网络流量数据；同时构造基于改进ESN的网络流量预测模型，将降噪后的网络流量数据和原始网络流量数据相结合作为输入，并构造具有固定结构的双环储备池结构代替原始ESN的随机储备池结构；最终通过训练改进ESN并获得可以用于网络流量预测的基于改进ESN的网络流量预测模型。通过该方法可以提高网络流量预测结果的准确率，可以在非线性时间序列预测中取得更好的预测效果。

本发明属于网络流量预测领域，具体涉及一种基于改进ABC‑VMD的最小二乘支持向量机网络流量预测方法，该方法包括：获取非平稳SDN网络流量数据；采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；本发明采用人工蜂群算法对变分模态分解法中的参数进行优化，采用优化后的变分模态分解法对非平稳SDN网络流量数据进行转换分解，得到了平稳时间序列分量；采用参数最小二乘支持向量机对每个平稳时间序列分量进行预测，使得预测的结果更精确。

本发明属于网络流量预测技术领域，具体属于一种基于经验模态分解聚类的网络流量预测方法及装置；所述方法包括获取原始的网络流量数据并进行预处理；通过经验模态分解将网络流量分解为不同时间尺度上频率单一的有限个IMF分量；通过K-means算法对IMF分量进行聚类，将复杂度相近的IMF分量聚到一起；对聚类后的IMF分量采用自适应加权马尔可夫模型预测；将各IMF分量的预测值进行求和确定当前时刻网络流量的预测值；本发明通过聚类减少预测器的个数，能够有效减小模型复杂度，通过自适应加权马尔可夫模型提高预测精度。

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。

本发明公开了一种融合流量特征的网络流量预测方法，具体涉及网络信息工程技术领域，收集并获得预设时间周期范围内的历史网络流量数据，并将所获的历史网络流量数据按照预设时间步长划分为预设数量个子流量序列，分别针对各个流量序列，构建并获得网络流量预测模型，应用网络流量预测模型，对子流量序列所对应的网络流量进行预测，获得网络流量的预测分类标签结果。通过本发明的技术方案将网络流量的自相似特性作为先验知识，将其融入长短记忆神经网络的门控机制中，再结合一维卷积神经网络和注意力机制提取流量序列的时间特征，能够恢复原始数据的特征，赋予模型预测结果的可解释性，从而提高网络流量的预测精度更好的描述网络流量的变化趋势。