一种利用短相关模型预测长相关序列的方法

摘要

本发明涉及一种利用短相关模型预测长相关序列的方法，针对自相似网络流量提出了一种基于EMD的ARMA模型自相似序列预测方法，首先利用EMD方法将自相似网络流量分解为若干个IMF，由于IMF(IntrinsicModeFunctions，固有模式函数简称“IMF”)的窄带特点，证明了IMF是短相关序列，从而将长相关序列建模预测问题转化为对若干个短相关序列的建模和预测，有效地降低了模型的复杂度；其次利用ARMA模型卓越的短相关建模预测能力，对分解后的IMF序列进行了预测；最后提出了一种可以进一步提高模型预测精度的方法，有效地降低了预测结果的归一化均方误差。通过本发明申请技术方案提出的方法具有预测精度高复杂度低的优点，并且对自相似流量的预测精度高于神经网络模型的预测精度。

主权项

1.一种利用短相关模型预测长相关序列的方法，包括如下步骤：分解自相似网络流量：取待分析信号x(t)的极大值点和极小值点分别用两条三次样条曲线拟合，得到x(t)的上下两条极值包络线，用m(t)表示两条包络的平均值，令h(t)=x(t)-m(t)，若h(t)信号极值点的数量与过零点的数量必须相等或最多相差一个，并且在任一时间点上，h(t)信号的局部最大值与局部最小值定义的包络的均值为零，则h(t)即为第一个IMF，否则将h(t)视为x(t)，重复以上步骤，至h(t)信号幅值小于预定值，停止计算，可得到若干固有模式函分量；根据ARMA模型预测自相似网络流量：确定ARMA模型，其中：X(n)表示待预测的时间序列信号，φ_i为参数，i为1到p中任意一个数，θ_j为参数，j为1到q中任意一个数，ξ(n)是方差为σ²的白噪声，则{X(n)}为p阶自回归q阶滑动平均混合过程，根据ARMA模型以及序列的p个初始值，随着n值的增加，递推预测序列下一时刻的值。