陳華峰++劉家寧

摘 要： 無(wú)線網(wǎng)絡(luò)流量受到上網(wǎng)成本、上網(wǎng)行為等因素的綜合作用，具有隨機(jī)性和周期性變化的特點(diǎn)，針對(duì)單一模型不能全面描述該變化特點(diǎn)的難題，提出基于組合優(yōu)化理論的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型。首先采用自回歸積分滑動(dòng)平均模型進(jìn)行建模，找出無(wú)線網(wǎng)絡(luò)流量的周期性變化規(guī)律，然后采用相關(guān)向量機(jī)進(jìn)行建模，找出無(wú)線網(wǎng)絡(luò)流量的隨機(jī)性變化特點(diǎn)，最后將它們的預(yù)測(cè)結(jié)果組合在一起進(jìn)行單步和多步的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該模型可以同時(shí)對(duì)隨機(jī)性和周期性變化特點(diǎn)進(jìn)行描述，預(yù)測(cè)精度高于單一自回歸積分滑動(dòng)平均模型或者相關(guān)向量機(jī)。

關(guān)鍵詞： 無(wú)線網(wǎng)絡(luò)； 自回歸積分滑動(dòng)平均模型； 建模與預(yù)測(cè)； 組合優(yōu)化理論

中圖分類號(hào)： TN92?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）23?0043?04

Modeling and forecast of wireless network traffic

based on combinatorial optimization theory

CHEN Huafeng1， 2， LIU Jianing3

（1. School of Information Science and Technology， Hainan Normal University， Haikou 571158， China；

2. College of Qionghai Distance Education， Hainan Open University， Qionghai 571400， China；

3. Information Network and Data Center， Hainan Normal University， Haikou 571100， China）

Abstract： Since the wireless network traffic is synthetically affected by the factors of online cost and online behavior， it has the characteristics of randomness and periodic variation. To solve the difficulty that the single model can′t describe the change characteristic comprehensively， a wireless network traffic prediction model based on combinatorial optimization theory is put forward. The autoregressive integral moving average model is used to build the proposed model to find out the periodic variation rule of the wireless network traffic， the relevance vector machine is used to establish the model to find out the random variation characteristics of the wireless network traffic， and then the two prediction results are combined to realize the single step and multi?step wireless network traffic prediction experiments. The results show that the proposed model can describe the characteristics of randomness and periodic variation， and its prediction accuracy is higher than that of the single autoregressive integral moving average model or correlation vector machine.

Keywords： wireless network； autoregressive integral moving average model； modeling and prediction； combinatorial optimization theory

0 引 言

隨著無(wú)線網(wǎng)絡(luò)應(yīng)用的拓寬，無(wú)線網(wǎng)絡(luò)用戶急劇增加，無(wú)線網(wǎng)絡(luò)流量大幅度增加，無(wú)線網(wǎng)絡(luò)的有效管理變得十分重要[1]。無(wú)線網(wǎng)絡(luò)流量的建模與預(yù)測(cè)可以幫助管理部門掌握人們的上網(wǎng)規(guī)律，提前掌握無(wú)線網(wǎng)絡(luò)流量的變化趨勢(shì)，因此建立高精度的預(yù)測(cè)模型具有重要的實(shí)際意義[2]。

最初人們采用多元線性回歸模型對(duì)無(wú)線網(wǎng)絡(luò)流量進(jìn)行分析，建立無(wú)線網(wǎng)絡(luò)流量的回歸模型，并對(duì)將來(lái)無(wú)線網(wǎng)絡(luò)流量值進(jìn)行估計(jì)[3]，該模型基于無(wú)線網(wǎng)絡(luò)流量呈線性增長(zhǎng)的變化特點(diǎn)進(jìn)行回歸預(yù)測(cè)，對(duì)于小規(guī)模無(wú)線網(wǎng)絡(luò)來(lái)說(shuō)，預(yù)測(cè)精度高，而對(duì)于大規(guī)模、復(fù)雜無(wú)線網(wǎng)絡(luò)流量，預(yù)測(cè)精度低[4?5]。隨后有學(xué)者提出了采用自回歸積分滑動(dòng)平均模型（ARIMA）對(duì)無(wú)線網(wǎng)絡(luò)流量進(jìn)行分析，將無(wú)線網(wǎng)絡(luò)流量歷史值作為一個(gè)時(shí)間序列，找到數(shù)據(jù)之間的聯(lián)系，實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)流量的預(yù)測(cè)[6]，其與多元線性回歸模型相似，不能反映無(wú)線網(wǎng)絡(luò)流量的隨機(jī)變化特性[7]。最近，有學(xué)者采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等對(duì)無(wú)線網(wǎng)絡(luò)流量進(jìn)行建模[8?10]，它們可以反映無(wú)線網(wǎng)絡(luò)流量的隨機(jī)性變化特點(diǎn)，但無(wú)法對(duì)無(wú)線網(wǎng)絡(luò)流量的周期性變化特點(diǎn)進(jìn)行描述，因此存在一定的局限性[11]。

針對(duì)無(wú)線網(wǎng)絡(luò)流量復(fù)雜變化的特點(diǎn)，為了解決單一模型預(yù)測(cè)精度低的難題，提出基于組合優(yōu)化理論的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型（ARIMA?RVM），首先采用自回歸積分滑動(dòng)平均模型進(jìn)行建模，然后采用相關(guān)向量機(jī)進(jìn)行建模，最后采用單步和多步預(yù)測(cè)實(shí)驗(yàn)分析其性能。

2 ARIMA?RVM的無(wú)線網(wǎng)絡(luò)流量建模與預(yù)測(cè)

（1） 對(duì)一個(gè)無(wú)線網(wǎng)絡(luò)系統(tǒng)進(jìn)行分析，并采用網(wǎng)絡(luò)流量采集設(shè)備得到一段時(shí)間內(nèi)的流量變化值。

（2） 采用ARIMA對(duì)無(wú)線網(wǎng)絡(luò)流量進(jìn)行建模，對(duì)其周期性變化特點(diǎn)進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)值與實(shí)際值估計(jì)ARIMA預(yù)測(cè)誤差。

（3） ARIMA預(yù)測(cè)誤差包含無(wú)線網(wǎng)絡(luò)流量的隨機(jī)性變化特點(diǎn)，因此采用RVM對(duì)ARIMA預(yù)測(cè)誤差進(jìn)行建模與預(yù)測(cè)，對(duì)無(wú)線網(wǎng)絡(luò)流量的隨機(jī)性變化特點(diǎn)進(jìn)行描述。

（4） 將ARIMA與RVM的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)值組合在一起，得到無(wú)線網(wǎng)絡(luò)流量的最終預(yù)測(cè)值。

綜上所述可知，ARIMA?RVM的無(wú)線網(wǎng)絡(luò)預(yù)測(cè)模型的工作框架如圖1所示。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)

采用某公司的無(wú)線網(wǎng)絡(luò)系統(tǒng)、每小時(shí)的流量值作為實(shí)驗(yàn)對(duì)象，共得到500個(gè)樣本，具體如圖2所示，其中200個(gè)樣本作為測(cè)試數(shù)據(jù)。無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果的均方根誤差（RMSE）和相對(duì)百分比誤差（MAPE）定義為：

[RMSE=1nt=1nyt-yt2] （21）

[MAPE=1nt=1nyt-ytyt×100%] （22）

式中：[yt]和[yt]為真實(shí)值和估計(jì)值。

3.2 結(jié)果與分析

ARIMA?RVM，ARIMA以及RVM的無(wú)線網(wǎng)絡(luò)流量的單步預(yù)測(cè)結(jié)果如圖3所示。從圖3的預(yù)測(cè)值與實(shí)際值的變化曲線可以發(fā)現(xiàn)，ARIMA可以描述無(wú)線網(wǎng)絡(luò)流量的整體變化趨勢(shì)，預(yù)測(cè)誤差變化范圍大，預(yù)測(cè)精度低；而RVM僅能描述無(wú)線網(wǎng)絡(luò)流量的隨機(jī)性變化特點(diǎn)，預(yù)測(cè)誤差變化更大，預(yù)測(cè)結(jié)果沒(méi)有一點(diǎn)實(shí)際應(yīng)用價(jià)值；而ARIMA?RVM的預(yù)測(cè)值與真實(shí)值的變化趨勢(shì)相同，預(yù)測(cè)誤差十分小，預(yù)測(cè)精度要遠(yuǎn)遠(yuǎn)高于ARIMA，RVM，這主要是由于ARIMA?RVM集成了ARIMA，RVM的優(yōu)勢(shì)，可以對(duì)無(wú)線網(wǎng)絡(luò)流量的周期性和非線性變化特點(diǎn)進(jìn)行建模與預(yù)測(cè)，克服了單一ARIMA以及RVM的不足。

RMSE和MAPE的單步統(tǒng)計(jì)結(jié)果見(jiàn)表1。ARIMA?RVM的RMSE要小于ARIMA和RVM，同時(shí)MAPE也得到了降低，說(shuō)明ARIMA?RVM的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度更高。

ARIMA?RVM，ARIMA以及RVM的無(wú)線網(wǎng)絡(luò)流量的多步預(yù)測(cè)結(jié)果如圖4所示。從圖4可以發(fā)現(xiàn)ARIMA的多步預(yù)測(cè)值與實(shí)際值的誤差很大，預(yù)測(cè)精度大幅度下降，同時(shí)RVM已經(jīng)無(wú)法對(duì)無(wú)線網(wǎng)絡(luò)流量變化特點(diǎn)進(jìn)行預(yù)測(cè)。ARIMA?RVM的多步預(yù)測(cè)值與真實(shí)值的誤差同樣變大，但預(yù)測(cè)誤差相對(duì)較小，完全可以滿足無(wú)線網(wǎng)絡(luò)流量誤差低于10%的實(shí)際應(yīng)用要求，比ARIMA，RVM的性能具有十分明顯的優(yōu)勢(shì)，對(duì)比結(jié)果證明了ARIMA?RVM的多步無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)的有效性，而且預(yù)測(cè)結(jié)果十分可信。

RMSE和MAPE的多步統(tǒng)計(jì)結(jié)果見(jiàn)表2。從多步預(yù)測(cè)結(jié)果的RMSE和MAPE可以發(fā)現(xiàn)，ARIMA?RVM的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果仍然優(yōu)于ARIMA和RVM，主要是由于ARIMA?RVM可以對(duì)無(wú)線網(wǎng)絡(luò)流量的隨機(jī)性、周期性進(jìn)行描述，而ARIMA和RVM僅只能描述其中的一種變化特點(diǎn)，無(wú)法建立性能優(yōu)異的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型。

4 結(jié) 論

無(wú)線網(wǎng)絡(luò)的規(guī)模大、結(jié)構(gòu)復(fù)雜，而且影響因素眾多，使得無(wú)線網(wǎng)絡(luò)流量同時(shí)具有周期性變化規(guī)律和隨機(jī)性變化的特點(diǎn)，而單一模型只能描述周期性變化點(diǎn)或者隨機(jī)性變化特點(diǎn)，預(yù)測(cè)效果比較差。為了全面描述無(wú)線網(wǎng)絡(luò)流量的變化趨勢(shì)，提出基于ARIMA?RVM的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型，單步和多步的實(shí)驗(yàn)結(jié)果表明，ARIMA?RVM通過(guò)ARIMA預(yù)測(cè)無(wú)線網(wǎng)流量的周期性變化規(guī)律，從整體上把握無(wú)線網(wǎng)絡(luò)流量的變化態(tài)勢(shì)，采用RVM對(duì)無(wú)線網(wǎng)絡(luò)流量的隨機(jī)性進(jìn)行描述，從細(xì)節(jié)上把握其變化特點(diǎn)，獲得較高精度的無(wú)線網(wǎng)流量預(yù)測(cè)結(jié)果，具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1] NGUYEN T T， ARMITAGE G. A survey of techniques for Internet traffic classification using machine learning [J]. IEEE communications surveys and tutorials， 2008， 10（4）： 56?76.

[2] 姜明，吳春明，胡大民，等.網(wǎng)絡(luò)流量預(yù)測(cè)中的時(shí)間序列模型比較研究[J].電子學(xué)報(bào)，2009，37（11）：2353?2358.

[3] 陳森，周峰.基于灰色系統(tǒng)理論的網(wǎng)絡(luò)流量預(yù)測(cè)模型[J].統(tǒng)計(jì)與決策，2006（3）：59?60.

[4] 王俊松，高志偉.基于RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量建模及預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（13）：6?11.

[5] 劉道文，忽海娜.基于網(wǎng)格搜索支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件，2012，29（11）：185?186.

[6] 張穎璐.基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J].計(jì)算機(jī)科學(xué)，2008，35（5）：177?180.

[7] 尹艷玲.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)研究[J].河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，29（5）：700?704.

[8] 劉百芬，熊南.基于動(dòng)態(tài)加權(quán)LS?SVM的網(wǎng)絡(luò)流量混沌預(yù)測(cè)[J].電視技術(shù)，2013，37（7）：87?90.

[9] 初良勇，田質(zhì)廣，謝新連.組合預(yù)測(cè)模型在網(wǎng)絡(luò)流量預(yù)測(cè)中的應(yīng)用[J].大連海事大學(xué)學(xué)報(bào)，2004，30（4）：43?46.

[10] 孫建豐，向小東.基于灰色線性回歸組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)研究[J].工業(yè)技術(shù)經(jīng)濟(jì)，2006，26（10）：146?148.

[11] 閆莉，薛惠峰，陳青.基于灰色馬爾可夫模型的區(qū)域網(wǎng)絡(luò)流量規(guī)模預(yù)測(cè)[J].西安工業(yè)大學(xué)學(xué)報(bào)，2009，29（5）：495?497.

[12] 高波，張欽宇，梁永生，等.基于EMD及ARMA的自相似網(wǎng)絡(luò)流量預(yù)測(cè)[J].通信學(xué)報(bào)，2011，32（4）：47?56.

[13] 楊柳，張磊，張少勛，等.單核和多核相關(guān)向量機(jī)的比較研究[J].計(jì)算機(jī)工程，2010，36（12）：195?197.