[发明专利]基于经验模态分解聚类的网络流量预测方法及装置

权利要求书

1.一种基于经验模态分解聚类的网络流量预测方法，其特征在于，包括：

S1：获取原始的网络流量数据并进行预处理；

S2：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本征模函数IMF分量；

S3：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；

S4：对聚类后的IMF分量采用自适应加权马尔可夫模型预测；

S41：初始化迭代次数d＝1，并将网络流量序列δ＝{δ₁,δ₂,…,δ_N}均匀划分为m个进行状态空间E＝{1,2,…,m}；

S42：计算一步转移概率矩阵和n步转移概率矩阵；

S43：检验网络流量序列δ的马尔可夫性，若检验通过，则进行步骤S44；

S44：计算各阶相关系数r_k和规范相关权重w_k；

S45：计算出网络流量序列δ的s步预测概率向量；

S46：计算l+s时刻的网络流量的预测值

S47：根据网络流量预测值与其实际值δ_l+s的预测误差e_l+s修正权重，表示为w′_k＝w_k+2λ·e_l+sδ_l+s-k；w_k和w′_k分别为更新前后的权重；λ为学习常数；

S48：判断是否e_l+sε，若是则输出并存储修正后的权重，将权重应用于马尔可夫模型返回步骤S45继续进行预测，否则进行S49；ε为误差指标；

S49：判断是否dD，若是则输出并存储修正后的权重，将权重应用于马尔可夫模型返回步骤S45继续进行预测，否则令d＝d+1，返回步骤S46；D为最大学习次数；

S5：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。

2.根据权利要求1所述的一种基于经验模态分解聚类的网络流量预测方法，其特征在于，所述步骤S2中包括：

S21：找出预处理后网络流量信号x(t)的所有局部极大值和局部极小值；

S22：通过极值拟合得到信号x(t)的上包络emax(t)和下包络emin(t)；

S23：计算局部均值m(t)，表示为：m(t)＝(emin(t)+emax(t))/2；

S24：将原始输入信号减去局部均值得到振荡信号h(t)，表示为：h(t)＝x(t)－m(t)；

S25：当h(t)满足IMF的条件时，令c₁＝h(t)，则c₁为第一个IMF，对应的余量r₁＝x(t)－c₁；否则，用h(t)替换x(t)并转到步骤S21；

S26：当r₁仍包含原始数据中的频率信息时，将r₁替换x(t)并转到步骤S21，得到第二个IMF分量，以此类推，得到r₁－c₂＝r₂,...,r_n-1－c_n＝r_n；当c_n或r_n小于设定值，或r_n成为单调函数时，停止筛分过程。

3.根据权利要求1所述的一种基于经验模态分解聚类的网络流量预测方法，其特征在于，所述步骤S3中包括：

S31：计算每一个IMF分量、余项r_n与原始信号的相关系数，剔除相关系数最小的IMF分量；

S32：基于样本熵选择K个聚类中心；计算每一个IMF分量的样本熵，将样本熵最大的IMF分量作为第一个聚类中心Z1，将样本熵最小的IMF分量作为第二个聚类中心Z2，将样本熵中值的IMF分量作为第三个聚类中心Z3；

S33：计算其他分量与K个聚类中心的距离，将IMF分量分配到距离其最近的簇；

S34：计算每一个簇中所有样本熵的均值，将均值作为新的聚类中心；

S35：重复上述步骤S33、S34，直至聚类中心不再变化。