小波变换与GARCH组合模型的网络流量预测

J4 ›› 2014, Vol. 36 ›› Issue (04): 615-619.

小波变换与GARCH组合模型的网络流量预测

刘渊，黄世忠

（江南大学数字媒体学院，江苏无锡 214211）

收稿日期:2012-08-21 修回日期:2012-12-19 出版日期:2014-04-25 发布日期:2014-04-25
基金资助:
江苏省自然科学基金资助项目（BK201103）；国家自然科学基金资助项目（61103223）；江苏省“六大高峰人才”计划资助项目

Application of GARCH model with wavelet
transform in network traffic forecast

LIU Yuan,HUANG Shizhong

(School of Digital Media,Jiangnan University,Wuxi 214211,China)

Received:2012-08-21 Revised:2012-12-19 Online:2014-04-25 Published:2014-04-25

摘要/Abstract

摘要：

在一些网络环境当中，网络流量具有非线性、异方差性和波动集群现象，传统的小波变换与ARMA组合模型不能很好地描述网络流量的这些特性。因此，研究使用了小波变换与广义自回归条件异方差GARCH组合模型来预测网络流量。首先，使用小波变换原理将网络流量序列分解成高频部分和低频部分，在此基础上对各个子序列分别建立相应的GARCH模型并进行预测；然后，使用小波变换原理将各个子序列的预测结果进行重构，从而最终实现对原始网络流量的预测。通过仿真实验表明，该模型的预测精度较之传统的小波变换与ARMA组合模型的预测精度得到了大幅提升。

关键词: 小波变换, ARMA模型, GARCH模型, 网络流量预测

Abstract:

Network traffic has characteristics of nonlinearity, heteroskedasticity, and volatility clustering in some network environments. Traditional models such as Auto Regressive Moving Average(ARMA) model with wavelet transform fail to describe these characteristics very well. Therefore, Generalized Auto Regressive Conditional Heteroskedasticity(GARCH) model with wavelet transform is studied for network traffic forecast. With wavelet transform, a network traffic series is divided into low frequency part and high frequency part, which are applied for GARCH modeling and forecasting respectively. Then, the forecast results of the subseries are reconstructed so as to implement the forecast of the original network traffic. The simulation shows that the accuracy of the forecast of GARCH model with wavelet transform is much better than that of ARMA model with wavelet transform.

Key words: wavelet transform;ARMA model;GARCH model;network traffic forecast

刘渊，黄世忠. 小波变换与GARCH组合模型的网络流量预测[J]. J4, 2014, 36(04): 615-619.

LIU Yuan,HUANG Shizhong. Application of GARCH model with wavelet
transform in network traffic forecast [J]. J4, 2014, 36(04): 615-619.

参考文献

［1］Jiang Ming,Wu Chunming,Zhang Min, et al. Research on the comparison of time series models for network traffic prediction［J］.Acta Electronica Sinica,2009,37(11):23532357. (in Chinese)
［2］Hong Fei, Wu Zhimei.Multiscale network traffic prediction model based on wavelet［J］. Chinese Journal of Computers, 2006,29(1):166170. (in Chinese)
［3］Dong Mengli,Yang Geng,Cao Xiaomei.Methods of network traffic prediction［J］.Computer Engineering, 2011,37(16):98100. (in Chinese)
［4］Wu wei, Liu Xiyu, Yang Yi, et al.Analysis method of time array and two models of ARMA and GARCH［J］.Computer Technology and Development, 2010,20(1):247249. (in Chinese)
［5］Zhang Shanwen, Lei Yingjie, Feng Youqian. Application of time series with MATLAB［M］. Xi’an:Xidian University Press, 2007. (in Chinese)
［6］Cryer J D, Chan KungSik. Time series analysis with applications in R［M］. Pan Hongyu, translation. Beijing:China Machine Press,2011. (in Chinese)
［7］Yi Danhui.Analysis of time series:Methods and application［M］.Beijing:China Renmin University Press,2011. (in Chinese)
［8］Pan Hongyu.Analysis of time series［M］. Beijing:University of International Business and Economics Press, 2006. (in Chinese)
［9］Wei Jinwu, Wu Jiangxing, Chen Shuqiao.Joint multifractal model and characteristics analysis of network traffic［J］.Acta Electronica Sinica, 2004,32(9):14591463. (in Chinese)
附中文参考文献：
［1］姜明,吴春明,张旻,等.网络流量预测中的时间序列模型比较研究［J］.电子学报,2009,37(11):23532357.
［2］洪飞, 吴志美. 基于小波的多尺度网络流量预测模型［J］. 计算机学报, 2006,29(1):166170.
［3］董梦丽,杨庚,曹晓梅.网络流量预测方法［J］.计算机工程, 2011,37(16):98100.
［4］武伟, 刘希玉, 杨怡, 等. 时间序列分析方法及ARMA, GARCH两种常用模型［J］.计算机技术与发展, 2010,20(1):247249.
［5］张善文,雷英杰,冯有前. MATLAB在时间序列中的应用［M］. 西安:西安电子科技大学出版社, 2007.
［6］Cryer J D, Chan KungSik.时间序列分析及应用：R语言［M］. 潘红宇, 等译.北京:机械工业出版社, 2011.
［7］易丹辉.时间序列分析：方法与应用［M］. 北京:中国人民大学出版社,2011.
［8］潘红宇. 时间序列分析［M］. 北京:对外经济贸易大学出版社, 2006.
［9］魏进武,邬江兴,陈庶樵.网络流量的联合多重分形模型及特性分析［J］.电子学报, 2004,32(9):14591463.

[1]	徐景秀, 张青. 改进小波软阈值函数在图像去噪中的研究应用[J]. 计算机工程与科学, 2022, 44(01): 92-101.
[2]	董霙达, 张成涛, 多化琼, 杜豫怡. 基于加权变换的蒙古族家具纹样增强研究[J]. 计算机工程与科学, 2021, 43(06): 1047-1051.
[3]	张贵仓, 苏金凤, 拓明秀. DTCWT域的红外与可见光图像融合算法[J]. 计算机工程与科学, 2020, 42(07): 1226-1233.
[4]	王健1,2,张修飞1,任萍1,院文乐1. 基于增补小波变换和PCNN的NSCT域图像融合算法[J]. 计算机工程与科学, 2018, 40(10): 1822-1828.
[5]	姜文超 1，2，刘海波1,杨宇杰1，陈佳峰1，孙傲冰2. 一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法[J]. 计算机工程与科学, 2018, 40(09): 1646-1652.
[6]	王磊，薛伟. 基于时空混沌和小波变换的图像加密算法[J]. 计算机工程与科学, 2018, 40(05): 856-862.
[7]	李骥，王艳然，王威. 基于扩展字典稀疏表示分类的遥感目标识别[J]. 计算机工程与科学, 2017, 39(08): 1508-1512.
[8]	安静宇1,马宪民2 . 基于中值滤波和小波变换的火电厂炉膛火焰图像去噪方法[J]. 计算机工程与科学, 2016, 38(08): 1702-1708.
[9]	王晓花，徐学军，何秋娅. 一种改进的心电图QRS波群检测算法[J]. J4, 2016, 38(05): 983-987.
[10]	张立仿，张喜平. 量子遗传算法优化BP神经网络的网络流量预测[J]. J4, 2016, 38(01): 114-119.
[11]	刘婧,王威，李骥，杨蔚蔚. 基于对偶树复小波变换的模糊图像质量评价[J]. J4, 2015, 37(08): 1573-1578.
[12]	刘珑1，李胜1，王轶卿2. 基于小波包变换的脑电波信号降噪及特征提取[J]. J4, 2015, 37(04): 790-795.
[13]	谭春娇，祝恩. 一种彩色图像可恢复半脆弱数字水印算法[J]. J4, 2015, 37(03): 594-598.
[14]	罗晓霞，王莉青，薛弘晔. 基于小波变换和曲波变换的图像边缘检测新算法[J]. J4, 2015, 37(01): 157-161.
[15]	陈伟琦，李倩. 基于DWT-SVD的图像双零水印算法[J]. J4, 2014, 36(10): 1991-1996.