+tti-2+tti-1)/3。
[0042] 在本發(fā)明的一種優(yōu)選實施方式中，網(wǎng)絡流量誤差的預測方法為：
[0043] S31:計算時刻(mk+1)到時刻(mk+kl)的網(wǎng)絡流量值與網(wǎng)絡流量趨勢之間的誤差， 公式為：
[0044] [re(i，mk+i)，re(i，mk+2)，…，re(i,mk+ki)] ' =
[0045] ( [ tl"(i,mk+l) , tr(i,mk+2) , . . . , tl"(i,mk+kl) ] - [ tt(i,mk+l) , tt(i,mk+2) , . . . , 11 (i,mk+kl) ] ) · /
[0046] [ tt(i,mk+l) , tt(i,mk+2) , . . . , tt(i,mk+kl)]
[0047] 其中m表示循環(huán)的次數(shù)，所述m=0、I、2···、M+1，所述M+l為最大循環(huán)次數(shù)，./表示兩 個等長向量之間對應位置上的元素相除；
[0048] [re(i，mk+i)，re(i,mk+2)，...，re(i,mk+ki)] '表不未來誤差；
[0049] [1：1'(土，1^+1)，1：!'"，1111<+2),...，1：1'(土，1111^1)]'依次表示為時亥1](11^+1)至丨財亥1](11^+1^1)的網(wǎng) 絡流量；
[0050] [tt(i,mk+i)，tt(i,mk+2)，…，tt(i,mk+kl)]'依次表示為時亥Ij (mk+1)到時亥Ij (mk+kl)的流 量趨勢；
[0051] S32:基于神經(jīng)網(wǎng)絡模型學習所得的流量誤差，并預測未來k個時刻的網(wǎng)絡流量誤 ，艮P [pr_re(i，mk+kl+l)，pr_re(i，mk+kl+2)，. . . , pr_rG(i,mk+kl+k)];
[0052] 在本發(fā)明的一種優(yōu)選實施方式中，網(wǎng)絡流量預測值的計算方法為：
[0053] [pr_tr(i,mk+ki+i) ,pr_tr(i,mk+ki+2), . . . ,pr_tr(i,mk+ki+k)]'=
[0054] (E+[pr_re(i,mk+ki+i)，pr_re(i,mk+ki+2)，· · ·，pr_re(i,mk+ki+k)] ') ·*
[0055] [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2)，· · ·，pr_tt(i,mk+kl+k)]
[0056] 其中m表示循環(huán)的次數(shù)，所述m = 0、I、2…、M+1，所述M+l為最大循環(huán)次數(shù)，
[0057] [pr_tr(i,mk+ki+i)，pr_tr(i,mk+ki+2)，· · ·，pr_tr(i,mk+ki+k)] '表示網(wǎng)絡流量預測值；
[0058] [pr_re(i,mk+ki+i)，pr_re(i,mk+ki+2)，· · ·，pr_re(i,mk+ki+k)] '表示預測的網(wǎng)絡流量誤差；
[0059] [pr_tt(i,mk+kl+l)，pr_tt(i,mk+kl+2) , · · ·，pr_tt(i,mk+ki+k)] '表示預測的網(wǎng)絡流量趨勢。
[0060] 本發(fā)明通過對已有時間周期中網(wǎng)絡流量序列的趨勢特征，以及當前時間周期中已 知流量的特征進行學習，實現(xiàn)對當前時間周期中未來網(wǎng)絡流量趨勢和流量值的預測；提高 了預測精度的同時，大大減少了預測所需要的訓練樣本數(shù)，更易于應用在實際網(wǎng)絡管理和 測量中。
【附圖說明】
[0061] 本發(fā)明的上述和/或附加的方面和優(yōu)點從結合下面附圖對實施例的描述中將變得 明顯和容易理解，其中：
[0062] 圖1是本發(fā)明模型在某條鏈路上第i個時間周期內的流量預測流程示意圖。
[0063]圖2是本發(fā)明的的流程示意圖。
[0064] 圖3是本發(fā)明在第i個時間周期內已知kl個時刻的流量值預測未來k個時刻的網(wǎng)絡 流量趨勢的流程示意圖。
[0065] 圖4是本發(fā)明在第i個時間周期內已知kl個時刻的流量值預測未來k個時刻的網(wǎng)絡 流量的流程示意圖。
【具體實施方式】
[0066] 下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終 相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附 圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。
[0067] 本發(fā)明選擇了AM Iene數(shù)據(jù)集和Ibl數(shù)據(jù)集的流量序列做了流量預測，在處理網(wǎng) 絡流量序列時，對序列進行數(shù)據(jù)清理后即將其轉換為每列為一個時間周期的流量矩陣（前 者時間周期為1天，后者的時間周期為1秒）。本發(fā)明中對網(wǎng)絡流量序列進行預測表示已知某 個時間周期內前kl個時刻的網(wǎng)絡流量，對該時間周期內未來所有時刻的流量進行預測。如 圖1所示為本發(fā)明的模型在某條網(wǎng)絡鏈路上時間周期i內的流量預測框圖。將時間周期i的 網(wǎng)絡流量序列劃分為(M+1)個長度為kl的流量序列（用以仿真實際應用中用作訓練集的當 前時刻c的前kl個時刻的網(wǎng)絡流量序列），并對每個kl序列進行預測可以得到相應的長度為 k的預測流量序列（用以仿真實際應用中由前kl個序列預測的未來k個時刻的網(wǎng)絡流量序 列），最終將預測的序列合并即得到從kl+Ι時刻開始的本時間周期內所有預測的流量。
其中J表不時間周期的最后一個時 刻。
[0069] 本發(fā)明提供了一種流量趨勢的網(wǎng)絡流量預測方法，如圖2所示，按照以下步驟進 行：
[0070] 第一步，設當前時刻為c，當前時刻c所在的時間周期為i，提取當前時間周期i之前 的η個時間周期下的網(wǎng)絡流量趨勢，以及當前時間周期i中從第1個時刻到時刻c的網(wǎng)絡流量 趨勢，所述η為正整數(shù)。在本實施方式中，網(wǎng)絡流量趨勢的提取方法為：
[0071 ] SI 1:已知網(wǎng)絡流量序列s，包含S個時刻下的網(wǎng)絡流量值序列，令一個時間周期包 含J個時刻，將網(wǎng)絡流量序列S以時間周期為列重組為流量矩陣TR，共有[S/J]行時間周期 列，□為舍棄余數(shù)的整數(shù)，其中每一列記錄一個時間周期內J個時刻的流量值。其中，S、J的 取值根據(jù)數(shù)據(jù)集的不同，S和J的取值不同；例如，在實驗中所用的數(shù)據(jù)集的長度S = 36000;J 也是根據(jù)不同的數(shù)據(jù)集定義不同的值;如果一個數(shù)據(jù)集以5min為單位取數(shù)據(jù)，一個時間周 期為1天的話，則J = 288,如果一個數(shù)據(jù)集以0.1s為單位，一個時間周期為Imin的話，則J = 600。另外，如果S = 36001，J = 600,則[S/J]=60,即取前36000個流量值形成矩陣，最后一個 舍棄。
[0072] S12:計算流量趨勢矩陣TT，公式為：
[0074] 其中I為單位矩陣，二階差分矩陣DeRaOx^Dij=I，Di, i+1 = -2，Di,i+2=l，R為實 數(shù)，L = diag(sum(simC))，矩陣simC表示流量趨勢矩陣TT中每個時間周期間流量的相似性， sum()對矩陣的行求和，得到向量;diag()對向量進行對角化，得到新矩陣中每個對角線上 的元素都是向量中的值，?為克羅內克爾積;vec()用于將矩陣轉化為向量;λ1，λ2為參數(shù)， 依次表示流量的平滑性和局部相似性在趨勢提取中所占的比例，取值范圍為[0，1 ]。
[0075] 第二步，根據(jù)提取的當前時刻c的前kl個時刻的網(wǎng)絡流量趨勢，預測當前時刻c的 未來k個時刻的網(wǎng)絡流量趨勢，所述kl、k均為正整數(shù)。在本實施方式中，如圖3所示，網(wǎng)絡流 量趨勢的預測方法為：
[0076] S21:根據(jù)已經(jīng)提取的當前時間周期i的前η個時間周期的網(wǎng)絡流量趨勢計算當前 時間周期的平均流量趨勢ar_tti，ar_tti是一個向量，它包括J個數(shù)值，其包括的元素可以標 示為：已1'_1:1:",1111<+1)、已1'_1:1:",1111<+2)、...、已1'_1:1:",1111^1)、...、已1'_1:1:",1111^1+1〇。平均流量趨勢已1'_1:1:土的計 算公式為：
[0077] ar_tti= (0n>l<tti-n+0n-l*tti-n+l+02*tti-2+01*tti-l)/(θη+θη-1+. . .+Θ2+Θ1),
[0078] 其中tti-n、tti-n+i、···、tti-2、tti-1依次表示為當前時間周期i的前η個時間周期下的 第i-n個網(wǎng)絡流量趨勢、第i-η+Ι個網(wǎng)絡流量趨勢、…、第i-2個網(wǎng)絡流量趨勢第i-ι個網(wǎng)絡流 量趨勢; θ1，θ2, . . .，0n-：L，0n分別表示相應時間周期在平均流量趨勢計算中占有的權值。在本 實施方式中，當11取4時，9 1=