CN102369689A - 一种网络流量的长期预测方法及装置 - Google Patents

Abstract

一种网络流量的长期预测方法及装置，所述方法包括：初始设定动态滑动窗口的长度；按照初始设定动态滑动窗口长度对给定历史数据进行循环学习，选择最优的滑动窗口、线性趋势属性系数和波动系列参数集；根据所述最优的滑动窗口、线性趋势属性系数和波动系列参数集对未来给定步数的数据流量进行预测。本发明实施例按照流量的趋势特性优化波动序列的模型参数，提高了非平稳(长期)流量的预测精度。

Description

一种网络流量的长期预测方法及装置

技术领域

本发明涉及通信技术领域，特别涉及一种网络流量的长期预测方法及装置。

背景技术

随着网络规模的扩展和业务种类的不断增长，在真实网络环境中的网络流量数据已经表现出一个非线性、多维度动力学系统的典型特征，如流量数据呈现出的分形、长相关、自相似性、突发性等。用Markov、Poisson类的随机模型，已经不能有效地刻画流量的这些特性。也就是说，传统的随机模型只能处理网络业务的短相关(short-range dependence)，如泊松过程，Markov过程，AR(Auto Regressive)，MA(Moving Average)，ARMA(Auto RegressiveMoving Average)和ARIMA(Auto Regressive Integrated Moving Average)过程等，并不能处理网络业务的长相关性(long-range dependence)，即自相似性(selfsimilarity)。

但是，随着网络测量技术的发展，为了解决高速网络业务的长相关性，出现了FARIMA模型，该现有的FARIMA模型是可以处理高速网络业务的长相关和短相关特性的网络业务模型。

在对现有技术的研究和实践过程中，本发明的发明人发现，现有的实现方式中，传统的FARIMA模型没有刻画流量的趋势特征，同时估计模型参数不是最优参数，预测平稳流量时准确度不够高，特别是对非平稳(长期)的流量预测效果更差，这是因为，长期流量预测中，容易出现因现网网络路由变化或拓扑变化会带来流量变化。

发明内容

本发明实施例提供一种网络流量的长期预测方法及装置，考虑流量的趋势特性和优化波动序列的模型参数，以提高非平稳(长期)流量的预测精度。

基于此，本发明实施例提供一种网络流量的长期预测方法，所述方法包括：

初始设定动态滑动窗口的长度；

按照初始设定动态滑动窗口长度对给定历史数据进行循环学习，选择最优的滑动窗口、线性趋势属性系数和波动系列参数集；

根据所述最优的滑动窗口、线性趋势属性系数和波动系列参数集对未来给定步数的数据流量进行预测。

相应的，本发明实施例还提供一种网络流量的长期预测装置，包括：

窗口初始化单元，用于初始设定动态滑动窗口的长度；

选择单元，用于按照初始设定动态滑动窗口的长度对给定历史数据进行循环学习，选择最优的滑动窗口、线性趋势属性系数和波动系列参数集；

第一预测单元，用于根据所述最优的滑动窗口对未来给定步数的数据流量进行预测。

由上述技术方案可知，本发明实施例中，通过自适应滑动窗口机制，根据历史数据流量的趋势特性，实现了对非平稳(长期)的流量做精确预测。也就是说，本发明对比现网真实非稳态数据测试，预测未来任意定期内的数据流量，提高了预测数据流量的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种网络流量的长期预测方法的流程图；

图2为本发明实施例提供的一种网络流量的长期预测方法的应用实例的流程图；

图3为本发明提供一种对Kuwait现网数据的显示结果的示意图；

图4为本发明提供一种对现有网络数据的预测结果的示意图；

图5为本发明提供一种对Kuwait现网数据的显示结果的示意图；

图6为本发明提供一种对现有网络数据的预测结果的示意图；

图7为本发明实施例还提供一种网络流量的长期预测装置的结构示意图；

图8为本发明实施例还提供一种网络流量的长期预测装置的结构示意图；

图9为本发明实施例提供的另一种网络流量的长期预测装置的应用实例图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，为本发明实施例提供的一种网络流量的长期预测方法的流程图，所述方法包括：

步骤101：初始化设定的动态滑动窗口长度；

其中，所述滑动窗口长度为以往统计某段时间的历史网络流量，比如5天的网络流量，1个月的网络流量等。比如，已知前3天的数据(即历史数据)，要预测第4天的数据。首先，先将这3天分成2个时间段，第1天和第2天为第一时间段，第3天为第二时间段，其中第一时间段和第二时间段就是设定的滑动窗口长度。也就是说，所述滑动窗口长度就是历史数据的时间段。

步骤102：按照所述设定的动态滑动窗口长度对给定历史数据进行循环学习，选择最优的滑动窗口、线性趋势属性系数和波动系列参数集；

一种实现方式为：先按照设定初始动态滑动窗口长度估计给定历史数据的线性趋势参数值；然后根据所述线性趋势参数值预测出给定历史步数的线性趋势序列；计算给定历史步数的线性趋势序列与对应的给定历史步数的数据的差值，得到波动序列；估计出所述波动序列的参数集，根据所述参数集预测出给定历史步数的波动序列；计算所述给定历史数据的线性趋势参数值与给定历史步数的波动序列之和，得到对应的序列；重复上述所有步骤，并从所得到的对应的序列中选择与历史真实数据差值最小的序列，所述序列中包括最优的滑动窗口、线性趋势属性系数和波动系列参数集。

其中，所述估计所述波动序列的参数集可以包括：对波动序列进行零均值化预处理，得到新的原始数据序列；然后计算该原始数据序列的差分数据序列；对所述差分数据序列进行计算，计算得到AR模型的噪声序列；根据所述噪声序列估计AR/MA模型的系数及阶数。

可选的，所述对所述差分数据序列进行计算，得到AR模型的计算噪声序列包括：可以通过AIC和最小二乘解算法对所述差分数据序列进行计算，得到AR模型的计算噪声序列。

比如，在上述划分时间段的基础上，先对第一时间的网络流量进行学习，得到这两天线性趋势参数(比如，第1天参数和流量都为，第2天参数和流量都为2)，根据所述性趋势参数估计第3天的网络流量，比如，1×2+2×2＝6，之后，可将估计的第3天的网络流量(6)与第3天的实际网络流量(比如是8)进行比较，得到预测流量的准确度1-(8-6)/8＝6/8＝75％；

步骤103：根据所述最优的滑动窗口、线性趋势属性系数和波动系列参数集对未来给定步数的网络流量进行预测。

在上述步骤的基础上，所述给定步数就是第4天，该步骤可以是根据预测准确度来预测第4天的网络流量，即对上述3天过程进行递归处理，可以预测第4天的网络流量。

需要说明的是，在实际的网络流量的预测过程，远远比上述所举的实例复杂的多，本实例只是用作便于理解，并不能代表实际的预测过程。

本发明实施例中，通过自适应滑动窗口机制，根据历史数据流量的趋势特性，实现了对非平稳(长期)的流量做精确预测。也就是说，本发明对比现网真实非稳态数据测试，预测未来任意定期内的数据流量，提高了预测数据流量的准确率。

为了便于本领域技术人员的理解，下面以具体实施例来说明。

还请参阅图2，为本发明实施例提供的一种网络流量的长期预测方法的应用实例的流程图。该实施例中，在MBB网络可视化中，基于历史数据和预测给定步数h，提供了一种网络流量长期预测方法，如图2所示，包括：

步骤201：初始设定动态滑动窗口的长度，该长度记为W，比如W∈[round(N*0.1)，round(N*0.9)]，其中N表示历史数据的个数，比方有前三天的历史数据，N＝3)其中，可以通过下述步骤循环选择最优的滑动窗口。

步骤202：按照初始设定动态滑动窗口的长度估计给定历史数据的线性趋势参数值，根据所述线性趋势参数值预测出给定历史步数的线性趋势序列；

一种估计的方式，可以使用一种算法(如但不限于最小二乘解)循环估计一类于线性趋势(Trend)属性(但不限于线性趋势)参数值，并根据估计的线性趋势属性参数值预测给定步数h的趋势值，具体可以按照下述公式来实现：

X_t＝TR_t+ε_t $s_{t+1}^t,s_{t+2}^t,...s_{t+h}^t$

其中，X_t表示：历史数据序列的值即流量；TR_t表示：趋势参数；ε_t表示：噪声，t表示：预测的前一个时刻，例如第二天；S_t ^t+1表示：表示基于前面公式估计出的Trend参数，预测出下一天的流量值，例如第三天。

步骤203：计算给定历史步数的线性趋势序列与对应的给定历史步数的数据的差值，得到波动序列；

即根据真实数据和Trend部分的差值，得到波动序列：

e₁，e₂，...e_t-1；

$e_t=y_t-s_t^{t-1}$

其中，Yt表示历史数据的值，如第一，二天的流量，St^(t-1)表示根据上步趋势属性的估计参数得到历史趋势序列的估计值(如第一，二天的趋势估计流量而不是预测流量)，e_t表示波动序列。

步骤204：估计所述波动序列的参数集；即对波动序列做优化参数估计：

一种实现方式包括：

①零均值化预处理原始数据序列，即对波动序列进行零均值化预处理，得到原始数据序列；

X_i＝X_i-mean(X_i)

其中，该公式中的X_i表示波动序列；mean(X_i)表示求平均值

②差分数据序列，计算原始数据序列的差分数据序列，具体可以通过下述公式计算，其中H是自相似Hurst指数，可通过RS算法得到，

$X_i={\mathrm{\Δ}}^d*X_i={(1-B)}^d*X_i=\underset{j=0}{\overset{\∞}{\mathrm{\Σ}}}\left(\begin{array}{c}d\\ j\end{array}\right){(-B)}^j*X_i,$ d＝H-0.5

其中，Xi表示差分后的历史序列；B表示向后转移因子；(1-B)d的转化公式为通过泰勒公式计算。

③对所述差分数据序列进行计算，得到AR模型的噪声序列；

比如，可以根据AIC(Akaike Information Criterion)与最小二乘解算法来计算噪声序列ε_n：

AIC(p)＝N*Inε²+2*p

${\mathrm{\ϵ}}_n=x_n-\underset{r=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\α}}_r{x}_{n-r},$ n＝p+1，...，N

其中，③中的Xn是基于②中的处理结果。

在该过程中，现有技术中的ε_n是通过高斯算法随机生成，而本发明中是通过回归生成。

④使用AIC(Akaike Information Criterion)+最小二乘解算法估计AR/MA模型的系数及阶数α_p，p，β_q，q，σ，具体如下公式所示：

$\mathrm{AIC}(p,q)=N*\mathrm{In}{\mathrm{\σ}}_{(p,q)}^2+2*(p+q)\→\left(1\right)$

${\mathrm{\σ}}_{(p.q)}^2=\frac{1}{N-M}\underset{r=M+1}{\overset{N}{\mathrm{\Σ}}}{(x_r-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\α}}_i*x_{r-i}-\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\β}}_j*{\mathrm{\ϵ}}_{r-j})}^2\→\left(2\right)$

M＝Max(p，q)→(3)

联立以上三式由最小二乘解可解得α和β，即

$0\mathrm{bj}(\mathrm{\α},\mathrm{\β})={|Y-X*\mathrm{\α}-\mathrm{\ϵ}*\mathrm{\β}|}^2={|Y-(x,\mathrm{\ϵ})\left(\begin{array}{c}\mathrm{\α}\\ \mathrm{\β}\end{array}\right)|}^2$

其中，α_p，p，β_q，q均变量，σ为中间变量；p，q为AR/MA模型的阶数；a，b为AR/MA模型的系数。

步骤205：根据所述参数集预测出给定历史步数的波动序列；也就是说，根据步骤204估计的参数，对波动序列做预测：具体如下公式所示：

${\hat{e}}_{t+1},{\hat{e}}_{t+2},{\hat{e}}_{t+3},...,{\hat{e}}_{t+h}$

步骤206：计算所述给定历史数据的线性趋势参数值与给定历史步数的波动序列之和，得到对应的预测值，即将步骤202预测的给定历史步数的线性趋势序列和步骤205中预测的给定历史步数的波动序列相加，得到预测值；

步骤207：从预测值中选择和真实数据差值最小序列，即选择最优的滑动窗口，Trend参数及波动序列参数。

步骤208：根据所述最优的滑动窗口、线性趋势属性系数和波动系列参数集对未来给定步数的数据流量进行预测。

即根据步骤207获得的最优参数，对未来数据做预测：其具体如下述公式所示：

$f_{t+h+h}^{t+h}=s_{t+h+h}^{s+h}+{\hat{e}}_{t+h+h}$

本发明实施例提出一种网络流量的长期预测算法，比如TSFARIMA算法，在考虑流量的趋势特性，优化估计波动序列的模型参数，同时添加了自适应滑动窗口机制，能够对非平稳(长期)的流量做精确预测。

为了便于技术人员的理解，下面以本发明所述方法与现有方法进行仿真的结果对比。

1、使用180点(6个月)至300点(10个月)历史数据预测未来5个月的流量，如图3和图4所示，图3为本发明提供一种对Kuwait现网数据的显示结果的示意图，图4为本发明提供一种对现有网络数据的预测结果的示意图；对稳定网络流量的预测，从该图3和图4中可知看出，本发明提供的网络流量(比如TSFARIMA算法)的预测准确度现有(比如比Yule-Walker算法)要高4％。

其中，在该图4中，标号1表示本发明预测的网络流量，标号2表示现有预测的网络流量。

2.使用210点(7个月)至300点(10个月)历史数据预测未来5个月的流量，如图5-6所示，图5为本发明提供一种对Kuwait现网数据的显示结果的示意图，图6为本发明提供一种对现有网络数据的预测结果的示意图；从该图5和图6中可知看出，当网络出现异常流量，本发明提供的TSFARIMA和现有技术提供的Yule-Walker算法预测的准确度都降低，但，本发明提供的TSFARIMA具有自适应调整的滑动窗口机制，稳定后较Yule-Walker算法高约12％。

其中，在该图6中，标号1表示本发明预测的网络流量，标号2表示现有预测的网络流量。

通过上述仿真结果可知，本发明提供的一种网络流量长期预测算法(比如优化的TSFARIMA算法)，通过现网真实稳态数据测试，预测未来5个月的数据序列准确率达95％，比Yule-Walker算法要高4％。但并不限于此5个月，可以是任意给定的步数，比如2个月、3个月或7个月、8个月等，本实施例不做限制。

同时，本发明在预测算法中增加一种滑动窗口机制，能根据流量特征自适应的调整算法参数，通过现网真实非稳态数据测试，预测未来几个月的数据序列准确率较高，比如预测未来5个月的数据序列准确率较Yule-Walker算法高约12％。

基于上述方法的实现过程，本发明实施例还提供一种网络流量的长期预测装置，其结构示意图详见图7，所述装置包括：窗口初始化单元71，选择单元72，第一预测单元73，其中，所述窗口初始化单元71，用于初始设定动态滑动窗口的长度；所述选择单元72，用于按照初始设定动态滑动窗口的长度对给定历史数据进行循环学习，选择最优的滑动窗口、线性趋势属性系数和波动系列参数集；所述第一预测单元73，用于根据所述最优的滑动窗口对未来给定步数的数据流量进行预测。

其中，所述选择单元72包括：第一估计单元721，第二预测单元722，第一计算单元723，第二估计单元724、第三预测单元725、第二计算单元726，记录单元727和序列选择单元728，其中，所述第一估计单元721，用于按照初始设定动态滑动窗口的长度分别估计不同给定历史数据的线性趋势参数值；所述第二预测单元722，用于根据所述线性趋势参数值分别预测出不同给定历史步数的线性趋势序列；所述第一计算单元723，用于分别计算不同给定历史步数的线性趋势序列与对应的给定历史步数的数据的差值，得到不同的波动序列；所述第二估计单元724，用于估计不同波动序列对应的参数集；所述第三预测单元725，用于根据所述参数集预测出不同给定历史步数的波动序列；所述第二计算单元726，用于计算所述不同给定历史数据的线性趋势参数值与对应的给定历史步数的波动序列之和，得到不同的序列；所述记录单元727，用于记录第二计算单元得到的所有序列；所述序列选择单元728，用于从所述记录单元记录的所有序列中选出与历史真实数据差值最小的序列，所述序列中包括最优的滑动窗口、线性趋势属性系数和波动系列参数集。具体如图8所示，图8为本发明实施例提供另一种网络流量的长期预测装置的结构示意图。

其中，所述第二估计单元包括：零均值化处理单元，差分计算单元，噪声序列计算单元和参数估计单元，其中，所述零均值化处理单元，用于对波动序列进行零均值化预处理，得到原始数据序列；所述差分计算单元，用于计算原始数据序列的差分数据序列；所述噪声序列计算单元，用于对所述差分数据序列进行计算，得到AR模型的计算噪声序列；所述参数估计单元，用于根据所述噪声序列估计AR/MA模型的系数及阶数。

其中，所述差分计算单元，具体用于通过AIC和最小二乘解算法对所述差分数据序列进行计算，得到AR模型的计算噪声序列。

优选的，所述网络流量的长期预测装置可以是流量测试设备，也可以是集成在流量测试设备中，也可以独立不是，本实施例不作限制。

所述装置中各个单元的功能和作用的实现过程详见上述方法中对应步骤的实现过程，在此不再赘述。

还请参阅图9，为本发明实施例提供的一种网络流量的长期预测装置的应用实例图。

在该实施例中，主要包括两个阶段，即拟合阶段和预测阶段，其中，拟合阶段主要包括：先设定历史数据和预测步数，之后，导入单元将历史数据和预测步数导入到滑动窗口初始化单元，通过滑动窗口初始化单元选取一定长度(滑动窗口)的历史数据，将选取的历数数据输入至线性趋势trend单元，通过trend单元估计出trend属性参数，并将trend属性参数输出至FARIMA单元，FARIMA单元中的数据差分单元根据估计trend属性参数估计历史流量并预测未来给定步数的流量，估计出的历史流量与给定步数的真实流量的差值得到波动序列，之后，AR参数估计单元使用一种改进的FARIMA算法对波动序列进行估计，得出的AR/MA参数，ARMA参数估计单元根据该AR或MA参数预测未来波动序列的流量；选择下一个长度(如：前一个滑动窗口加或者减1)的历史数据，迭代执行trend和FARIMA估计，选出最优的滑动窗口、trend参数和FARIMA参数；并将trend参数和FARIMA参数依次通过trend单元和滑动窗口初始化单元输出至预测单元。后续进入预测阶段。

预测阶段：预测单元将Trend的预测值和FARIMA的预测值之和与真实流量比较，选择最接近的值对应的Trend和FARIMA估计参数作为预测参数，对未来给定步数的流量进行预测。

本发明实施例中的单元或模块可以是处理器或特定用途电路等硬件。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以可借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以保存在一个非易失性保存介质(例如，可以是只读存储器(ROM)，U盘，移动硬盘，随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，在没有超过本申请的精神和范围内，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，所描述系统，装置和方法以及不同实施例的示意图，在不超出本申请的范围内，可以与其它系统，模块，技术或方法结合或集成。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

Claims (10)

1.一种网络流量的长期预测方法，其特征在于，包括：

初始设定动态滑动窗口的长度；

按照初始设定动态滑动窗口长度对给定历史数据进行循环学习，选择最优的滑动窗口、线性趋势属性系数和波动系列参数集；

根据所述最优的滑动窗口、线性趋势属性系数和波动系列参数集对未来给定步数的数据流量进行预测。

2.如权利要求1所述的方法，其特征在于，所述按照初始设定动态滑动窗口的长度对给定历史数据进行循环学习，选择最优的滑动窗口包括：

按照初始设定动态滑动窗口的长度估计给定历史数据的线性趋势参数值；

根据所述线性趋势参数值预测出给定历史步数的线性趋势序列；

计算给定历史步数的线性趋势序列与对应的给定历史步数的数据的差值，得到波动序列；

估计所述波动序列的参数集，根据所述参数集预测出给定历史步数的波动序列；

计算所述给定历史数据的线性趋势参数值与给定历史步数的波动序列之和，得到对应的预测值；

重复上述所有步骤，并从所得到的对应的预测值中选择与历史真实数据差值最小的序列，所述预测值包括最优的滑动窗口、线性趋势属性系数和波动系列参数集。

3.如权利要求2所述的方法，其特征在于，所述估计所述波动序列的参数集包括：

对波动序列进行零均值化预处理，得到原始数据序列；

计算原始数据序列的差分数据序列；

对所述差分数据序列进行计算，得到噪声序列；

根据所述噪声序列进行估计，得到AR/MA模型的系数及阶数。

4.如权利要求3所述的方法，其特征在于，所述对所述差分数据序列进行计算，得到AR模型的计算噪声序列包括：

通过AIC和最小二乘解算法对所述差分数据序列进行计算，得到AR模型的计算噪声序列。

5.如权利要求1至4任一项所述的方法，其特征在于，所述滑动窗口长度具体为：历史数据的时间段。

6.一种网络流量的长期预测装置，其特征在于，包括：

窗口初始化单元，用于初始设定动态滑动窗口的长度；

选择单元，用于按照初始设定动态滑动窗口的长度对给定历史数据进行循环学习，选择最优的滑动窗口、线性趋势属性系数和波动系列参数集；

第一预测单元，用于根据所述最优的滑动窗口对未来给定步数的数据流量进行预测。

7.如权利要求6所述的装置，其特征在于，所述选择单元包括：

第一估计单元，用于按照所述窗口初始化单元初始设定动态滑动窗口的长度分别估计不同给定历史数据的线性趋势参数值；

第二预测单元，用于根据所述线性趋势参数值分别预测出不同给定历史步数的线性趋势序列；

第一计算单元，用于分别计算不同给定历史步数的线性趋势序列与对应的给定历史步数的数据的差值，得到不同的波动序列；

第二估计单元，用于估计不同波动序列对应的参数集；

第三预测单元，用于根据所述参数集预测出不同给定历史步数的波动序列；

第二计算单元，用于计算所述不同给定历史数据的线性趋势参数值与对应的给定历史步数的波动序列之和，得到不同的序列；

记录单元，用于记录第二计算单元得到的所有序列；

序列选择单元，用于从所述记录单元记录的所有序列中选出与历史真实数据差值最小的序列，所述序列中包括最优的滑动窗口、线性趋势属性系数和波动系列参数集。

8.如权利要求7所述的装置，其特征在于，所述第二估计单元包括：

零均值化处理单元，用于对波动序列进行零均值化预处理，得到原始数据序列；

差分计算单元，用于计算原始数据序列的差分数据序列；

噪声序列计算单元，用于对所述差分数据序列进行计算，得到AR模型的计算噪声序列；

参数估计单元，用于根据所述噪声序列估计AR/MA模型的系数及阶数。

9.如权利要求8所述的装置，其特征在于，所述差分计算单元，具体用于通过AIC和最小二乘解算法对所述差分数据序列进行计算，得到AR模型的计算噪声序列。

10.如权利要求6至9任一项所述的装置，其特征在于，所述网络流量的长期预测装置为流量测试设备，或集成在流量测试设备中。

Images