【摘要】 本发明涉及一种基于小波包分解的主机负载多序列组合预测方法，属于计算机应用技术领域。本发明从非线性、非平稳信息处理角度出发，通过构造多条序列，并利用各序列与负载相关的多种数据关系，将小波包-SVR模型和AR模型组合来预测主机负载，以提高主机负载预测精度。该方法适合于对重点时段或重点时刻点的主机负载预测。 【专利类型】发明申请 【申请人】北京理工大学 【申请人类型】学校 【申请人地址】100081 北京市海淀区中关村南大街5号 【申请人地区】中国 【申请人城市】北京市 【申请人区县】海淀区 【申请号】CN200910121462.8 【申请日】2009-06-08 【申请年份】2009 【公开公告号】CN103748994B 【公开公告日】2011-02-16 【公开公告年份】2011 【授权公告号】CN103748994B 【授权公告日】2011-02-16 【授权公告年份】2011.0 【IPC分类号】H04L12/26; H04L29/06; G06F17/50 【发明人】胡昌振; 姚淑萍 【主权项内容】1. 一种基于小波包分解的主机负载多序列组合预测方法，其特征在于具体实现步骤为： 步骤一、构造历史序列和相似值序列首先利用获取的流量数据构造历史序列和相似值序列，具体构造方法如下： 第①步 ：原始负载时间序列的表达式如公式 5所示： X＝ x(t)＝ {x(1)，x(2)，x(3)，…，x(k)，…} (5)第②步 ：根据负载时间序列表达式，分别构造与主机负载相关的历史序列和相似值序列； 设与待预测时刻 t相关的两条序列为 H(t)、S(t)，则： H(t)＝ {x(t-i)，N≥ i≥ 1} (6)S(t)＝ {x(t-j×T)，M≥ j≥ 1} (7)其中 T为一个周期的长度； H(t)表示 t时刻之前 N个负载数据按时间顺序的排列，称为历史序列； S(t)表示 t时刻之前相邻 M个周期内与 t对应的观测点负载序列，称为相似值序列； 第③步：对两条序列中各元素分别重新编号，则 H(t) 和 S(t) 可分别表示为和步骤二、针对历史序列采用小波包 -SVR模型进行预测，获得 t时刻的预测值 1在步骤一构造历史序列和相似值序列的基础上，对历史序列进行小波包 -SVR 预测，获得 t时刻的预测值 1；具体实现步骤如下： 第①步 ：对历史序列进行小波包分解和重构； 首先选择一个母小波，并确定分解层数 L；本实施例选定分解层数 L＝ 3； 对原始序列进行小波包分解： 分解过程如表 1所示；其中 表示原始序列占据的总频带空间， 表示第 j尺度上的第 n个子空间； 表 1 原始序列空间的小波包划分由表 1可知： 对应各子空间的序列用 dj，n 表示，则利用小波分解算法： 将小波包空间逐层细分；其中 hn、gn 分别是低通、高通分解滤波器系数； 分解进行到第 L层时，得到 2L 个信号分量；利用小波包重构算法： 对各信号分量重构，得到最终的信号分量；其中 分别是低通、高通重构滤波器系数； 第②步 ：各分支信号的 SVR预测用 表示任意一个分支信号，由 t 时刻前的 n 个值预测 t 时刻的值 dt 的问题可以表示为寻找如下的对应关系 F的问题： 对回归模型的训练来说，由 N 个训练样本就可以构建 N-n 个训练样本对，即输入 (d1，d2，…，dn)，对应的输出为 dn+1 ；输入 (d2，d3，…，dn+1)，对应的输出为 dn+2 ；依此类推； 具体算法步骤为： a. 数据准备：将采集到的数据分为两部分，一部分作为训练数据，记为另一部分作为测试数据，记为 首先将训练数据以 n 为步长组织为学习样本对 (xi，yi)，如表 2所示； 表 2 SVR预测模型学习样本b.选取适当的支持向量机模型； c.确定回归步长 n； d.根据确定的支持向量拓扑结构，利用训练数据集 训练模型； e.利用测试数据集 中的数据进行单步预测； f. 根据预测结果进行模型评价；计算预测精度，如果精度满足预先设定的阈值，则结束算法，否则调整参数，转回步骤 d； 第③步 ：各分支预测值的合成，即直接将各分支的预测值对应相加，即式 (3)步骤三、针对相似值序列进行 AR预测，获得 t时刻的预测值 2在步骤一构造历史序列和相似值序列的基础上，对相似值序列进行 AR 模型预测，获得t时刻的预测值 2； 具体操作步骤： 第①步 ：原始序列的零均值化； 随机数据运用 AR 模型进行分析必须满足平稳时间序列假设，可将原始序列进行零均值化处理，设μ为 S(t)的平均值，零均值化 {sj}得到数列 {yt}： yt ＝ st-μ (13)则 {yt} 为近似平稳时间序列； 第②步 ：确定模型阶数 p； AR模型的数学表达式为： Zt ＝φ1Zt-1+φ2Zt-2+…+φpZt-p+at (14)其中，p为 AR模型的阶数，φi 为模型的系数，为待估参数，at 是白噪声； 采用从低阶到高阶逐个拟合的方式确定模型的阶，即从 p ＝ 1 开始逐个寻找能够使序列预测曲线与实际曲线拟合较好的阶数；具体为： 利用 Yule-Walker方程组： 其中，Φ是系数向量，ρ是自相关向量，Pp是自相关矩阵； 对 φi 进行估值，然后求出序列 {yt} 的近似预测曲线，并从中选择一个拟合较好的模型； 第③步 ：对于选定的阶数 p，用最小二乘法求解φi(i＝ 1，2，3，…，p)； 第④步 ：利用确定的模型求出预测值 则步骤四、计算两条序列预测值的平均值，获得最终预测值在步骤二和步骤三的基础上，计算两条序列预测值的平均值，获得最终预测值。 【当前权利人】北京理工大学 【当前专利权人地址】北京市海淀区中关村南大街5号 【统一社会信用代码】12100000400009127B 【引证次数】2.0 【被引证次数】6 【自引次数】1.0 【他引次数】1.0 【被自引次数】1.0 【被他引次数】5.0 【家族引证次数】2.0 【家族被引证次数】6

未经允许不得转载：http://www.zhongzhencnc.com/1782460335.html