基于α稳定信息的长程网络通信量预测方法

本文主要探讨了长程相关网络通信量的预测问题，针对突发通信流量的特点，提出了两种关键的预测方法。首先，作者利用r平稳过程的协变理论，构建了一种基于FARIMA（分数自回归整合滑动平均）的预测模型。FARIMA模型是一种非线性时间序列分析工具，它通过引入分数阶自回归和移动平均的概念，能够处理具有长期依赖性和非平稳性的数据，如网络通信中的长程突发流量。在预测过程中，FARIMA模型在双曲线偏差渐近意义下实现了偏差最小化。 其次，作者结合自回归神经网络（ARMA）的过程模拟，运用了先进的优化算法来提升预测性能。自回归神经网络能够模拟ARMA模型的特性，其权值的估计则借助于遗传算法的全局优化能力和人工免疫算法的多种群快速局部收敛特性。这些算法的优势在于它们能够在大量数据中找到最优解，提高预测的准确性。 两种预测方法都在无界方差准则下确保了预测结果的稳健性，这意味着即使面对数据的波动和不确定性，也能提供相对稳定的预测。通过独立预测值的比较，作者验证了这两种方法的有效性和准确性。最终，将这两种预测方法的结果融合，形成了一个混合预测模型，进一步提高了预测精度。 该研究对于理解和管理网络通信流量具有重要意义，特别是在互联网流量管理、网络资源分配以及网络服务质量保障等领域。长程相关性是现实网络流量的重要特性，因此，准确预测这类通信量对于网络运营商和研究人员来说，是一项关键挑战。本文的方法不仅提供了实用的预测工具，也为未来在长程依赖性数据预测领域的研究奠定了基础。