自相似业务流量预测：组合模型与EEMD分解方法

"基于组合模型的自相似业务流量预测 (2012年)，由高茜、冯琦和李广侠在解放军理工大学通信工程学院发表，主要探讨了解决经验模式分解（EMD）中的模态混叠问题，提出了一种结合人工神经网络（ANN）和自回归滑动平均模型（ARMA）的组合模型方法来预测自相似网络流量。" 在自相似网络流量预测领域，由于网络流量数据通常具有长时相关性和复杂性，传统的预测方法往往难以准确预测。经验模式分解（EMD）是一种自适应的数据分析方法，能够将复杂信号分解为一系列本征模态函数（IMF），但EMD存在模态混叠的问题，即分解过程中可能会导致不同频率成分的混合，影响预测效果。 针对这一问题，文章提出了集合经验模式分解（EEMD）作为预处理步骤，通过EEMD可以更有效地去除自相似网络流量中的长时相关性，提高分解的准确性。EEMD是EMD的一种改进版本，通过多次运行并平均结果来减少随机噪声的影响，从而增强分解的稳定性。 接下来，作者利用分解得到的各个IMF分量的特性，分别选用适合各自特性的预测模型。对于某些IMF，可能适合采用非线性的人工神经网络（ANN）进行预测，因为ANN能够捕捉到数据中的复杂关系；而对于其他线性或近线性的IMF，自回归滑动平均模型（ARMA）可能是更好的选择，ARMA模型在处理时间序列数据的短期依赖性上表现优秀。 最后，文章将所有IMF的预测结果进行组合，形成整体的网络流量预测。这种组合模型策略能够综合各种模型的优点，提高预测的精度和鲁棒性。通过仿真对比，验证了所提方法在实际网络流量数据上的预测性能，证明了该方法的有效性。 关键词涉及的领域包括组合模型、业务预测、集合经验模式分解以及本征模态函数，这些是理解文章内容的关键点。中国图书馆分类号 TN927 指示了这是一篇关于通信技术的论文，文献标识码 A 表明这是一篇学术研究文章。 这篇2012年的论文提供了一种创新的网络流量预测方法，它结合了EEMD、ANN和ARMA，有效解决了自相似网络流量预测的挑战，对于网络管理和优化具有重要的理论与实践价值。