[發明專利]一種網絡行為的預測方法

有效

• 申請號: 201710854916.7
• 申請日: 2017-09-20
• 公開（公告）號: CN107426040B
• 公開（公告）日: 2019-08-30
• 發明（設計）人: 胡漢平;潘俊杉;谷偉;李元齊;劉翔
• 申請（專利權）人: 華中科技大學;深圳華中科技大學研究院
• 主分類號: H04L12/24
• 分類號: H04L12/24
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 廖盈春;李智

1.一種網絡行為的預測方法，其特征在于，包括：

(1)對采集的網絡行為數據進行預處理，得到以單位時間內行為的頻次為波動數據的目標網絡行為數據；

(2)由目標網絡行為數據的均值和標準差對目標網絡行為數據進行規范化，并對規范化后的數據按周進行折疊處理得到M*N的折疊矩陣，對折疊矩陣中的突跳進行檢測，其中，M表示一周內的單位時間的數量，N表示采集的數據總周數；

(3)根據目標網絡行為數據中表現出的周期規律性、隨機波動性以及突跳特性，建立網絡行為的時變隨機微分方程模型，并對模型中的時變參數和定參數進行估計得到目標模型；

(4)由目標模型對用戶的下一周的網絡行為軌跡進行預測。

2.根據權利要求1所述的方法，其特征在于，步驟(2)具體包括：

(2.1)由對第j周數據Y_ij,i∈[1,M],j∈[1,N]進行規范化，其中μ_j表示第j周數據序列的均值，σ_j表示j周數據序列的標準差；

(2.2)若全年一共采集了N周數據序列，則長度為N*M，則對采集的每周數據進行規范化后得到規范化后的數據序列X_t,t∈[1,M×N]，然后按周折疊數據，構造成M*N的折疊矩陣X_ij,i∈[1,M],j∈[1,N]，對l,l∈L_i，若則被認為是突跳，其中，L_i＝{l_j＝X_ij,j∈[1,N]}表示對周內每一時刻i,i∈[1,M]，均存在一條長度為N的時間序列，是時間序列L_i的均值，是時間序列L_i的標準差，ξ為預設值。

3.根據權利要求2所述的方法，其特征在于，步驟(3)具體包括：

(3.1)根據目標網絡行為數據中表現出的周期規律性、隨機波動性以及突跳特性，建立網絡行為的時變隨機微分方程模型：

其中，k和d為常數，用于調節兩項的權重，a_(t)與c_(t)是時變參數，a_(t)是t時刻回歸的均值，c_(t)是擴散幅度，N_(t)是參數為β_(t)的時變復合泊松過程，J_(t)是t時刻的突跳幅度，服從均值為μ_t、標準差為σ_t的正態分布，W_t表示一個維納過程；

(3.2)由對時變參數a_(t)進行估計，由對時變參數c_(t)進行估計，其中，X_tj(t∈[1,M],j∈[1,N])表示M*N的折疊矩陣；

(3.3)根據突跳檢測階段中檢測出的突跳位置與幅值，由對時變參數β_(t)進行估計，由對時變參數μ_(t)和σ_(t)進行估計，其中，n_count(t)為t時刻檢測出突跳的周數，N為總周數，μ_(t)與σ_(t)分別為t時刻檢測出的所有突跳的均值和方差，X_Jump(tj)是N個周在t時刻上被檢測出的突跳點；

(3.4)由馬爾可夫鏈蒙特卡羅MCMC方法結合估計的時變參數對定參數k、d進行估計。

4.根據權利要求3所述的方法，其特征在于，步驟(4)具體包括：

(4.1)模型的動態預測過程：采用動態預測方法不斷迭代用前N周的數據訓練模型估計參數，再預測第N+1周的軌跡；

(4.2)衡量模型預測性能的指標：重復計算模型P次，對預測出的P條軌跡求取均值得到均值軌跡，并以均值軌跡作為最終的預測軌跡。