[發(fā)明專利]一種基于局域最大最小概率機(jī)的無線網(wǎng)絡(luò)流量預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201210145940.0
• 申請日: 2012-05-13
• 公開（公告）號: CN102685766A
• 公開（公告）日: 2012-09-19
• 發(fā)明（設(shè)計）人: 劉興偉;李花;薄慧;汪麗;王小宇;陳燕其
• 申請（專利權(quán)）人: 西華大學(xué)
• 主分類號: H04W16/22
• 分類號: H04W16/22
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及無線網(wǎng)絡(luò)領(lǐng)域，特別是涉及一種無線網(wǎng)絡(luò)流量的預(yù)測方法。

背景技術(shù)

近年來隨著無線網(wǎng)絡(luò)技術(shù)應(yīng)用的不斷推廣，安全問題已成為無線局域網(wǎng)發(fā)展中遇到的最為關(guān)鍵的問題之一，除了基于密鑰管理和認(rèn)證實現(xiàn)的訪問控制技術(shù)之外，網(wǎng)絡(luò)流量預(yù)測和異常檢測逐漸成為解決上述難題的重要手段。同時網(wǎng)絡(luò)流量的分析與預(yù)測對于網(wǎng)絡(luò)規(guī)劃和網(wǎng)絡(luò)資源管理都具有重要的意義。

預(yù)測是根據(jù)某個事物當(dāng)前的發(fā)展勢態(tài)及規(guī)律對將來的狀態(tài)做出分析并預(yù)告，它包含采集歷史數(shù)據(jù)并用某種數(shù)學(xué)模型來求解和外推未來的數(shù)據(jù)。網(wǎng)絡(luò)流量預(yù)測的方法一直伴隨著時間序列分析方法（Time?Series?Analysis，TSA）的發(fā)展而層出不窮，這些方法可以分為兩大類：經(jīng)典方法和智能方法（Intelligent?Algorithms）。經(jīng)典方法主要包括AR模型（Auto-Regressive），MA模型（Moving?Average），ARMA模型（Auto-Regressive?and?Moving?Average），ARIMA模型（Auto-Regressive?Integrated?Moving?Average），ARFIMA模型（Auto-Regressive?Fractionally?Integrated?Moving?Average）以及貝葉斯模型（Bayesian）和卡爾曼濾波模型（Karlman?Filtering）等，這些經(jīng)典預(yù)測方法主要用于解決有線網(wǎng)絡(luò)流量的預(yù)測問題。與有線網(wǎng)絡(luò)比較，無線網(wǎng)絡(luò)流量具有突發(fā)性強(qiáng)、規(guī)律性差的特點，因此將上述經(jīng)典方法應(yīng)用于無線網(wǎng)絡(luò)時，會產(chǎn)生較大的預(yù)測誤差。近年來出現(xiàn)了采用智能算法的無線網(wǎng)絡(luò)流量預(yù)測方法，主要包括小波分析（Wavelet?Analysis）,?人工神經(jīng)網(wǎng)絡(luò)（Artificial?Neural?Networks，ANN），支持向量機(jī)（Support?Vector?Machine，SVM）和基于混沌理論的局域支持向量機(jī)（Local?SVM?based?on?Chaos?Theory，LSVM），以及最大最小概率機(jī)（Minimax?Probability?Machine?Regression，MPMR）等。

LSVM方法的核心思想是從輸入SVM的數(shù)據(jù)集中找出一些特征點來構(gòu)造一個鄰近點集合NNPS（Nearest?Neighbor?Points?Set），然后將NNPS作為輸入SVM的訓(xùn)練集對SVM進(jìn)行訓(xùn)練，該方法可以有效提高無線網(wǎng)絡(luò)流量的預(yù)測精度。LSVM方法在構(gòu)造NNPS時，需要計算歐氏距離來度量兩點之間的相似性，其主要優(yōu)點是簡單、直觀。但是歐氏距離在度量相似性方面存在缺陷：即使兩個非常相似的向量在時間軸上的輕微移動也可能造成二者之間的歐氏距離變得非常大。作為LSVM方法的改進(jìn)，LSVM-DTW-K方法采用動態(tài)時間折疊算法（Dynamic?Time?Wrapping，DTW）來替代基于歐氏距離的相似度計算方法，可以忽略向量之間在時間軸上的全局或局部移動。為進(jìn)一步消除在構(gòu)造NNPS時可能產(chǎn)生的一些偽鄰近點對預(yù)測精度的影響，該方法采用K策略從NNPS中剔除了一些DTW距離相對較大的點。實驗證明，LSVM-DTW-K方法可以顯著提高無線網(wǎng)絡(luò)流量的預(yù)測精度。不足之處：在確定NNPS的個數(shù)和K策略中需要剔除多少個偽鄰近點時，該方法主要依靠人工經(jīng)驗，缺乏科學(xué)依據(jù)和必要的計算；另外DTW算法的時間復(fù)雜度也明顯高于基于歐氏距離的相似度計算方法。為進(jìn)一步提高無線網(wǎng)絡(luò)流量的預(yù)測精度和實時計算能力，LSVM-HQ-SAX-DTW-K方法主要進(jìn)行了如下改進(jìn)：采用HQ信息準(zhǔn)則（Hannan-Quinn?Information?Criterion，HQ）計算出NNPS的個數(shù)；同時在進(jìn)行DTW相似度計算之前采用SAX算法（Symbolic?Aggregate?Approximation，SAX）對時間序列進(jìn)行符號化處理以降低時間復(fù)雜度，實驗證明了該方法的有效性。但是在采用K策略決定剔除多少個偽鄰近點時，該方法主要依靠人工經(jīng)驗、缺乏科學(xué)依據(jù)和必要計算的問題仍然存在。

最大最小概率機(jī)MPMR是近年來一種新的用于時間序列預(yù)測的智能方法，屬于全局預(yù)測方法。有關(guān)文獻(xiàn)對基于MPMR和基于SVM的無線網(wǎng)絡(luò)流量預(yù)測算法進(jìn)行了比較，證明了前者在預(yù)測精度方面的有效性。但是，MPMR與SVM一樣，在建立具有實時計算能力的預(yù)測模型時存在缺陷：其主要思想是希望利用所有的歷史信息來推斷未來，因此當(dāng)輸入數(shù)據(jù)達(dá)到一定規(guī)模時，計算量將急劇增加，訓(xùn)練時間將變得很長甚至超過數(shù)據(jù)采集的時間間隔，使得預(yù)測已經(jīng)失去了實際意義。

發(fā)明內(nèi)容