[发明专利]基于离散小波变换和FA-ELM的网络流量预测方法

说明书

本发明提供了一种基于离散小波变换和FA‑ELM的网络流量预测方法，包括：步骤1，构建DWAFE模型，在所述DWAFE模型中设置数据管理员和模型管理员；步骤2，获取多个网络流量数据并将所述网络流量数据发送给所述数据管理员，所述数据管理员将所述网络流量数据进行数据预处理，得到数据预处理后的所述网络流量数据。本发明经过萤火虫算法优化的FA‑ELM模型，克服了ELM稳定性差的缺陷，对非线性数据预测的准确性高，能稳定可靠地应用于各领域的研究中，具有极大的现实意义。本发明提出的DWAFE模型结合了ARIMA模型和FA‑ELM模型各自的优势，做出精准的网络流量预测，根据预测结果计算出指定置信度下的动态阈值区间，从而实现设备运行状态实时感知，为设备故障预警提供强有力的支持。

技术领域

本发明涉及网络流量预测技术领域，特别涉及一种基于离散小波变换和FA-ELM的网络流量预测方法。

背景技术

自回归差分移动平均模型(ARIMA，Autoregressive Integrated Moving Averagemodel)，时间序列预测中最重要和应用最广泛的模型之一，适合于处理存在线性结构的时间序列，对于非线性数据的预测则差强人意。另外，泛化能力不足是其缺点之一，随着预测时间的延长其预测准确度会显著降低，因此只适合于短期预测。

极限学习机(ELM，Extreme Learning Machine)，对非线性数据有较好的拟合效果和较高的预测精度，对于相对容易拟合的线性数据则其鲁棒性不如ARIMA。且稳定性不足是其最大缺陷，难以可靠地应用于实际生产场景中。

长短期记忆网络(LSTM，Long Short-Term Memory)，一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

发明内容

本发明提供了一种基于离散小波变换和FA-ELM的网络流量预测方法，其目的是为了解决传统的时间序列预测随着预测时间的延长其预测准确度会显著降低，稳定性不足，存在的长期依赖的问题。

为了达到上述目的，本发明的实施例提供了一种基于离散小波变换和FA-ELM的网络流量预测方法，包括：

步骤1，构建DWAFE模型，在所述DWAFE模型中设置数据管理员和模型管理员；

步骤2，获取多个网络流量数据并将所述网络流量数据发送给所述数据管理员，所述数据管理员将所述网络流量数据进行数据预处理，得到数据预处理后的网络流量数据集；

步骤3，对所述网络流量数据集进行离散小波变换，得到一组细节序列和一个趋势序列并发送给所述模型管理员；

步骤4，所述模型管理员采用ADF检验法对所有子序列进行平稳性检验，将子序列分为平稳序列和非平稳序列；

步骤5，通过赤池信息准则和贝叶斯信息准则对每个平稳序列进行定阶，根据每个平稳序列的定阶结果分别构建多个ARIMA模型并进行平稳序列预测，得到多个平稳序列的预测值；

步骤6，对每个非平稳序列通过萤火虫算法搜寻构建ELM模型的最优参数，根据搜寻出的多个最优参数分别构建多个FA-ELM模型并进行非平稳序列预测，得到多个非平稳序列的预测值；

步骤7，将每个平稳序列的预测值和每个非平稳序列的预测值通过离散小波逆变换进行合并，得到网络流量预测结果并作为DWAFE模型的输出，设定所述网络流量预测结果的置信度，并基于网络流量预测结果计算设定的置信度下的动态阈值区间，且将所述动态阈值区间作为触发预警的条件。

其中，所述步骤2具体包括：

步骤21，所述数据管理员接收输入的所述网络流量数据；