[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

说明书

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。

技术领域

本发明属于网络流量预测技术领域，涉及一种基于经验模态分解(EmpiricalMode Decomposition，EMD)和K-means聚类算法的网络流量预测方法；尤其涉及一种基于EMD聚类的网络流量预测方法及装置。

背景技术

随着5G时代的来临，网络流量呈爆发式增长，网络规模不断扩大，这给网络管理带来了巨大的挑战。

随着上网用户和网络流量的不断增长，研究人员需要大量的资源和时间去监控、分析网络流量，以防网络拥挤的突发情况发生，确保网络质量良好。传统的网络管理是在网络出现告警之后才去解决问题，这时候网络服务己经受到了影响，往往没有时间来采取相应的纠正措施。网络流量预测就是根据采集的实际网络流量观测值序列，通过建立好的预测模型，来预测未来的流量。如果给定一个阈值，当预测的结果超出给定阈值时，就发出警报，从而实现实时预警，管理者就可以事先查看网络状态，提前采取防范措施，从而保障网络的持续稳定运行。

网络流量预测的关键是建立预测模型。传统的一些线性预测模型，比如自回归模型(Auto-Regressive Model，简称AR)、移动平均模型(Moving Average Model，简称MA)、自回归移动平均模型(Auto-Regressive and Moving Average Model，简称ARMA)等，虽然它们的模型简单，计算量小，却只能用于预测平稳的序列。复杂的网络流量具有非线性、非平稳性的特点，传统的预测模型已经不能适用。后来，一些非线性预测模型被陆续提出，比如神经网络、支持向量机等，它们在针对非线性变化方面有很大优势，其预测精度有一定的提高，但同时也会导致模型复杂度和计算复杂度的增加，不适合实时网络流量的预测。相比单一模型，组合预测模型能更准确地刻画网络流量的非线性、非平稳、多尺度、长相关等特性，其预测精度得到了极大的提高，预测效果更好。

组合预测模型的主要研究方向是通过小波变换对原始流量进行分解，对得到的各层分量分别采用不同的方法进行预测。然而小波变换缺乏自适应处理信号的能力，需要依赖具体的信号特征和应用领域等先验知识，来确定合适的小波函数和分解层数；因而，容易导致预测的网络流量的准确率不高，导致网络流量分配不及时，造成流量拥堵。

发明内容

为了提高网络流量预测的精度，一种基于经验模态分解聚类的网络流量预测方法，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；

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。

基于与本发明的相同构思，本发明还提出了一种基于经验模态分解聚类的网络流量预测装置，包括：

数据获取模块，用于获取网络流量数据；

数据预处理模块，用于对获取的网络流量数据进行预处理；

经验分解模块，用于对预处理后网络流量数据进行经验模态分解；