[发明专利]一种网络行为的预测方法

权利要求书

1.一种网络行为的预测方法，其特征在于，包括：

(1)对采集的网络行为数据进行预处理，得到以单位时间内行为的频次为波动数据的目标网络行为数据；

(2)由目标网络行为数据的均值和标准差对目标网络行为数据进行规范化，并对规范化后的数据按周进行折叠处理得到M*N的折叠矩阵，对折叠矩阵中的突跳进行检测，其中，M表示一周内的单位时间的数量，N表示采集的数据总周数；

(3)根据目标网络行为数据中表现出的周期规律性、随机波动性以及突跳特性，建立网络行为的时变随机微分方程模型，并对模型中的时变参数和定参数进行估计得到目标模型；

(4)由目标模型对用户的下一周的网络行为轨迹进行预测。

2.根据权利要求1所述的方法，其特征在于，步骤(2)具体包括：

(2.1)由对第j周数据Y_ij,i∈[1,M],j∈[1,N]进行规范化，其中μ_j表示第j周数据序列的均值，σ_j表示j周数据序列的标准差；

(2.2)若全年一共采集了N周数据序列，则长度为N*M，则对采集的每周数据进行规范化后得到规范化后的数据序列X_t,t∈[1,M×N]，然后按周折叠数据，构造成M*N的折叠矩阵X_ij,i∈[1,M],j∈[1,N]，对l,l∈L_i，若则被认为是突跳，其中，L_i＝{l_j＝X_ij,j∈[1,N]}表示对周内每一时刻i,i∈[1,M]，均存在一条长度为N的时间序列，是时间序列L_i的均值，是时间序列L_i的标准差，ξ为预设值。

3.根据权利要求2所述的方法，其特征在于，步骤(3)具体包括：

(3.1)根据目标网络行为数据中表现出的周期规律性、随机波动性以及突跳特性，建立网络行为的时变随机微分方程模型：

其中，k和d为常数，用于调节两项的权重，a_(t)与c_(t)是时变参数，a_(t)是t时刻回归的均值，c_(t)是扩散幅度，N_(t)是参数为β_(t)的时变复合泊松过程，J_(t)是t时刻的突跳幅度，服从均值为μ_t、标准差为σ_t的正态分布，W_t表示一个维纳过程；

(3.2)由对时变参数a_(t)进行估计，由对时变参数c_(t)进行估计，其中，X_tj(t∈[1,M],j∈[1,N])表示M*N的折叠矩阵；

(3.3)根据突跳检测阶段中检测出的突跳位置与幅值，由对时变参数β_(t)进行估计，由对时变参数μ_(t)和σ_(t)进行估计，其中，n_count(t)为t时刻检测出突跳的周数，N为总周数，μ_(t)与σ_(t)分别为t时刻检测出的所有突跳的均值和方差，X_Jump(tj)是N个周在t时刻上被检测出的突跳点；

(3.4)由马尔可夫链蒙特卡罗MCMC方法结合估计的时变参数对定参数k、d进行估计。

4.根据权利要求3所述的方法，其特征在于，步骤(4)具体包括：

(4.1)模型的动态预测过程：采用动态预测方法不断迭代用前N周的数据训练模型估计参数，再预测第N+1周的轨迹；

(4.2)衡量模型预测性能的指标：重复计算模型P次，对预测出的P条轨迹求取均值得到均值轨迹，并以均值轨迹作为最终的预测轨迹。