JPH07235985A - Communication network traffic predicting device - Google Patents
Communication network traffic predicting deviceInfo
- Publication number
- JPH07235985A JPH07235985A JP2698294A JP2698294A JPH07235985A JP H07235985 A JPH07235985 A JP H07235985A JP 2698294 A JP2698294 A JP 2698294A JP 2698294 A JP2698294 A JP 2698294A JP H07235985 A JPH07235985 A JP H07235985A
- Authority
- JP
- Japan
- Prior art keywords
- time series
- attractor
- prediction
- communication network
- network traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000000739 chaotic effect Effects 0.000 description 7
- 238000005183 dynamical system Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Landscapes
- Monitoring And Testing Of Exchanges (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】この発明は、通信網におけるトラ
ヒック予測に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to traffic prediction in a communication network.
【０００２】[0002]
【従来の技術】従来のトラヒック予測法としては、例え
ば、ＮＴＴ Ｒ＆Ｄ VOL.40 No.121991に記されてい
る「日々トラヒック予測法」がある。この方法では、ト
ラヒック変動の要因をアイテム・カテゴリ−に決定し、
これを基本説明変数として数量化Ｉ類を適用してトラヒ
ックを予測している。2. Description of the Related Art As a conventional traffic prediction method, for example, there is a "daily traffic prediction method" described in NTT R & D VOL.40 No. 121991. In this method, the factors of traffic fluctuation are determined by item category,
Traffic is predicted by applying the quantification type I with this as a basic explanatory variable.
【０００３】[0003]
【発明が解決しようとする課題】上記のような従来の予
測方法では、カテゴリ−の設定の仕方によって予測値が
大きく変わる可能性があり、また、カテゴリ−数量を求
めるのが困難である。さらに予測式が固定されている為
に、高い予測精度が期待できなかった。In the conventional prediction method as described above, the predicted value may change greatly depending on how the category is set, and it is difficult to find the category-quantity. Furthermore, because the prediction formula is fixed, high prediction accuracy could not be expected.
【０００４】カオスとは、簡単な規則に支配された不規
則振動のことをいう。この発明は、上記のような問題を
解決するためになされたもので、カオス性がある時系列
に対しては、線形予測よりも非線形予測の方が予測精度
が高いことと、トラヒックにはカオス性があることを利
用して、より高い予測精度でトラヒックを予測すること
を目的としている。Chaos refers to random vibration governed by simple rules. The present invention has been made to solve the above problems. For a chaotic time series, non-linear prediction has higher prediction accuracy than linear prediction, and traffic has chaotic The purpose is to predict traffic with higher prediction accuracy by utilizing the fact that it has the property.
【０００５】[0005]
【課題を解決するための手段】この発明に係わるトラヒ
ック予測装置は、既知の通信網トラヒック時系列の入力
を行う通信網トラヒック時系列入力手段と、この通信網
トラヒック時系列入力手段に入力された時系列から、指
定された遅れ時間と次元のアトラクタを構成するアトラ
クタ再構成手段と、このアトラクタ再構成手段により構
成されたアトラクタから非線形予測計算を行う非線形予
測計算手段と、この非線形予測計算手段の計算結果から
通信網トラヒック時系列の予測計算を行う通信網トラヒ
ック時系列予測手段とを備えたものである。A traffic predicting apparatus according to the present invention includes a communication network traffic time series input means for inputting a known communication network traffic time series, and a communication network traffic time series input means. From the time series, an attractor reconstructing means that constitutes an attractor of a designated delay time and dimension, a non-linear predictive calculating means that performs a non-linear predictive calculation from the attractor configured by this attractor reconstructing means, and a non-linear predictive calculating means The communication network traffic time series predicting means for performing the prediction calculation of the communication network traffic time series from the calculation result.
【０００６】[0006]
【作用】この発明においては、トラヒックにカオス性が
あることを利用し、既知の通信網トラヒック時系列から
指定された遅れ時間と次元のアトラクタを構成し、この
アトラクタから非線形予測計算を行い通信網トラヒック
時系列の予測計算を行うことによって、精度の高い予測
が行える。According to the present invention, the chaotic nature of traffic is utilized to construct an attractor having a delay time and dimension specified from a known traffic time series of a communication network, and a nonlinear prediction calculation is performed from this attractor. Highly accurate prediction can be performed by performing traffic time series prediction calculation.
【０００７】[0007]
【実施例】カオスとは、簡単な規則に支配された不規則
振動のことをいう。カオス性がある時系列に対しては、
線形予測よりも非線形予測の方が予測精度が高いことが
知られている。(G.Sugihara & R.May ■Nonlinear fore
casting as a way ofdictinguish chaos from measurem
ent error in time series■ NATURE,344,19,734(199
0))EXAMPLES Chaos refers to irregular vibrations governed by simple rules. For chaotic time series,
It is known that non-linear prediction has higher prediction accuracy than linear prediction. (G. Sugihara & R. May ■ Nonlinear fore
casting as a way of dictinguish chaos from measurem
ent error in time series ■ NATURE, 344,19,734 (199
0))
【０００８】この発明に係るトラヒック予測方法とし
て、例えば、カオス性のある時系列の非線形予測法とし
て、電力需要の予測を行う事を目的として提案された、
岩坪・萬谷・池口・合原の「再構成軌道と単位行列・重
心座標を用いた予測法」（電気学会産業応用部門ＩＩＳ
−９３−１０再構成軌道を用いた小規模電力需要の非線
形短期予測）を適用する。A traffic prediction method according to the present invention has been proposed for the purpose of predicting power demand, for example, as a chaotic time series nonlinear prediction method.
Iwatsubo, Mantani, Ikeguchi, Aihara "Prediction Method Using Reconstructed Orbits, Unit Matrix, and Center of Gravity Coordination"
-93-10 Non-linear short-term prediction of small-scale power demand using reconstruction trajectory is applied.
【０００９】図１は、この発明による予測装置の実施例
の全体構成図である。図において１は既知の時系列の入
力を行う通信網トラヒック時系列入力手段である。FIG. 1 is an overall configuration diagram of an embodiment of a prediction device according to the present invention. In the figure, 1 is a communication network traffic time series input means for inputting a known time series.
【００１０】２はこの通信網トラヒック時系列入力手段
１で入力された時系列を記憶する記憶手段、３はこの記
憶手段２に記憶されている時系列から、指定された遅れ
時間と次元のアトラクタを描くアトラクタ再構成手段、
４はこのアトラクタ再構成手段３で描かれたアトラクタ
からフラクタル次元の計算を行い、埋め込み次元を求め
るフラクタル次元計算手段、５は上記アトラクタ再構成
手段３において指定された遅れ時間と、上記フラクタル
次元計算手段４より求められた埋め込み次元をパラメ−
タとして、上記アトラクタから非線形予測計算を行う非
線形予測計算手段である。上記記憶手段２、アトラクタ
再構成手段３、フラクタル次元計算手段４、非線形予測
計算手段５により、再構成軌道と単位行列・重心座標を
用いた予測を行う予測装置６が構成されている。Reference numeral 2 is a storage means for storing the time series input by the communication network traffic time series input means 1, and 3 is an attractor of a designated delay time and dimension from the time series stored in the storage means 2. Draw attractor reconstruction means,
Reference numeral 4 is a fractal dimension calculation means for calculating a fractal dimension from the attractor drawn by the attractor reconstruction means 3 to obtain an embedding dimension. Reference numeral 5 is a delay time designated by the attractor reconstruction means 3 and the fractal dimension calculation. The embedding dimension calculated by the means 4 is set as a parameter.
A non-linear predictive calculation means for performing a non-linear predictive calculation from the attractor. The storage unit 2, the attractor reconstruction unit 3, the fractal dimension calculation unit 4, and the non-linear prediction calculation unit 5 constitute a prediction device 6 that performs prediction using the reconstructed trajectory and the unit matrix / center of gravity coordinates.
【００１１】７はこの予測装置６の計算結果により通信
網のトラヒック時系列を予測するトラヒック時系列予測
手段である。Reference numeral 7 is a traffic time series predicting means for predicting the traffic time series of the communication network based on the calculation result of the predicting device 6.
【００１２】まず、解析対象となる時系列デ−タの単位
を選択し通信網トラヒック時系列入力手段１より入力
し、また既知（過去）の通信網のトラヒック時系列デー
タを入力する。単位は例えば、１時間あたりのパケット
数（ｐｋｔ／ｈ）、１日あたりのバイト数（Ｂｙｔｅ／
ｄａｙ）である。First, a unit of time-series data to be analyzed is selected, input from the communication network traffic time-series input means 1, and traffic time-series data of a known (past) communication network is input. The unit is, for example, the number of packets per hour (pkt / h), the number of bytes per day (Byte /
day).
【００１３】この入力されたトラヒック時系列データは
記憶手段２に記憶される。そしてこのトラヒック時系列
データに基づき、アトラクタ再構成手段３において、指
定された遅れ時間と次元のアトラクタが再構成される。The inputted traffic time series data is stored in the storage means 2. Then, based on this traffic time series data, the attractor reconstructing means 3 reconstructs the attractor of the designated delay time and dimension.
【００１４】またこのアトラクタ再構成手段３で描かれ
たアトラクタからフラクタル次元計算手段４により、フ
ラクタル次元の計算を行い、これから埋め込み次元ｍを
求める。以下にこれらの動作を示す。The fractal dimension calculating means 4 calculates the fractal dimension from the attractor drawn by the attractor reconstructing means 3 and obtains the embedding dimension m from this. These operations are shown below.
【００１５】例えば、日統計、時統計の実測されたトラ
ヒックは１変数の時系列デ−タであり、これらが解析対
象となる。For example, the actually measured traffic of daily statistics and time statistics is the time series data of one variable, and these are the objects of analysis.
【００１６】解析対象となる時系列デ−タより、タ−ケ
ンスの埋め込み定理（F.Takens:in■Dynamical Systems
and Turbulence■(ed.D.A.Rand and L.S.Young),pp.3
66-381,Springer,Berlin(1981)）を用いて、元の高次元
空間における力学系のアトラクタの軌道を再構成する。From the time-series data to be analyzed, the embedding theorem (F. Takens: in ■ Dynamical Systems)
and Turbulence ■ (ed.DAR and and LSYoung), pp.3
66-381, Springer, Berlin (1981)) is used to reconstruct the attractor trajectory of the dynamical system in the original high-dimensional space.
【００１７】図２は、ｍ次元状態空間へのデ−タの作成
法を説明したものである。時系列デ−タを ξ1、ξ2、・・・、ξt、・・・ とする。このξtから、時間遅れの大きさをτとして、
ｍ次元の再構成状態空間において次のようなｍ次元ベク
トルを作成する。FIG. 2 illustrates a method of creating data in the m-dimensional state space. Let the time series data be ξ 1 , ξ 2 , ..., ξ t ,. From this ξ t , let τ be the magnitude of the time delay,
The following m-dimensional vector is created in the m-dimensional reconstruction state space.
【００１８】[0018]
【数１】 [Equation 1]
【００１９】これは、ｍ次元状態空間の１点を与える。
Ｎを変化させると、状態空間内に１つの軌道が作られ
る。タケンスの理論は、ｍを十分大きくとればこうして
作られた状態空間内にアトラクタが現れているならば、
それは、元の力学系のアトラクタの構造を保存している
ことを証明したものである。This gives one point in the m-dimensional state space.
Varying N creates one trajectory in the state space. Takens' theory is that if m is made large enough, if the attractor appears in the state space created in this way,
It proves that the structure of the original attractor of the dynamical system is preserved.
【００２０】アトラクタを再構成する際のパラメ−タτ
（遅れ時間τ）は、主要な周期の数分の１がよいとされ
ている。またパラメ−タｍ（埋め込み次元ｍ）は、カオ
ス性を定量化するフラクタル次元Ｄが使われている。The parameter τ when reconstructing the attractor
It is said that (delay time τ) is preferably a fraction of the main period. As the parameter m (embedding dimension m), the fractal dimension D that quantifies the chaotic property is used.
【００２１】実デ−タのフラクタル次元Ｄの算出方法と
しては、相関次元が最も多く利用されている。相関次元
は相関積分Ｃm(r)を求め、半径ｒに対しＣm(r)を両対数
プロットしたグラフの局所的傾き（相関係数）が、ｍを
上げていった時飽和する値を正しい相関次元として求め
る。数学的にはｍ＞２Ｄならばアトラクタの位相的性質
が保存されることが保証されている。The correlation dimension is most often used as a method of calculating the fractal dimension D of the actual data. For the correlation dimension, the correlation integral C m (r) is obtained, and the local slope (correlation coefficient) of the graph in which C m (r) is plotted logarithmically with respect to the radius r is a value that saturates when m increases. Calculate as the correct correlation dimension. Mathematically, it is guaranteed that the topological properties of the attractor are preserved if m> 2D.
【００２２】アトラクタを再構成する際、遅れ時間τの
選び方は、対象となる時系列の特性による。図３は、サ
ンプリング周期が１時間のパケット網の時系列デ−タか
ら遅れ時間を１として、２次元上にアトラクタを再構成
して示す特性図であり、また図４は、遅れ時間を６とし
て、２次元上にアトラクタを再構成して示す特性図であ
る。When reconstructing the attractor, the choice of the delay time τ depends on the characteristics of the target time series. FIG. 3 is a characteristic diagram showing a two-dimensionally reconstructed attractor with a delay time of 1 from time-series data of a packet network with a sampling period of 1 hour, and FIG. 4 shows a delay time of 6 hours. FIG. 3 is a characteristic diagram showing a reconstructed attractor in two dimensions.
【００２３】図３では、遅れ時間が小さいために相関性
が強く、アトラクタは傾きが１の方向に潰れてしまう。
一方、図４では、１２時から１３時のトラヒックが少な
いことが正方形の右側をへこませたような軌跡として表
われ、軌道の力学構造が表われている。これは、遅れ時
間６が、サンプリング周期が１時間の場合の、トラヒッ
クの主要な周期である２４時間の１／４の値になってい
るためである。In FIG. 3, since the delay time is small, the correlation is strong and the attractor collapses in the direction of inclination 1.
On the other hand, in FIG. 4, the fact that there is little traffic from 12:00 to 13:00 is shown as a locus in which the right side of the square is dented, and the dynamic structure of the orbit is shown. This is because the delay time 6 has a value that is ¼ of 24 hours which is the main traffic cycle when the sampling cycle is 1 hour.
【００２４】このようにして求められたアトラクタ、お
よび埋め込み次元ｍ、遅れ時間τから、非線形予測計算
手段５により非線形予測を行う。From the attractor thus obtained, the embedding dimension m, and the delay time τ, nonlinear prediction calculation means 5 performs nonlinear prediction.
【００２５】図５は、上記の様にして再構成されたはア
トラクタを用いた予測手法の図解を示す説明図である。
新しい測定点ｘtが与えられた時、既知のデ−タによる
再構成軌道上でｘtのｍ×２個の近傍点ＸTiに対する重
心座標(アンタ゛ーハ゛ーＸTi)と、ＸTiの各々ｓステップ先の点
ＸTi+sに対する重心座標(アンタ゛ーハ゛ーＸTi+s)を求める。ｘ
tとＸTiとの位置関係は数時間先においても変化しない
と仮定し、変位ベクトルｘt−(アンタ゛ーハ゛ーＸTi)を平行移
動させると次の予測式が得られる。FIG. 5 is an explanatory diagram showing an illustration of the prediction method using the attractor reconstructed as described above.
When a new measurement point x t is given, the barycentric coordinates (underbar X Ti ) with respect to m × 2 neighboring points X Ti of x t on the reconstructed orbit with known data, and each s step of X Ti The barycentric coordinates (underbar X Ti + s ) for the point X Ti + s are obtained. x
Assuming that the positional relationship between t and X Ti does not change even after several hours, the displacement vector x t − (underbar X Ti ) is translated, and the following prediction formula is obtained.
【００２６】[0026]
【数２】 [Equation 2]
【００２７】この予測式によって予測を行うものであ
る。このようにして、あるパケット網の中継回線統計の
パケット数の時系列データ（サンプリング周期は１時
間、データ数１４８８点）を用いて、予測および評価を
行った結果を以下に示す。入力データを上記データ中の
１１００点とし、その先の３００点について１〜１０ス
テップ先のパケット数の予測を行った。予測精度の評価
は以下の式により、予測値ｘｐ(i)と実際の値ｘａ(i)
（ｉ＝１〜３００）の相関係数を用いた。Prediction is performed by this prediction formula. The results of the prediction and evaluation using the time-series data of the number of packets of the relay circuit statistics of a certain packet network (sampling cycle is 1 hour, the number of data is 1488 points) are shown below. The input data was set to 1100 points in the above data, and the number of packets 1 to 10 steps ahead was predicted for 300 points after that. The prediction accuracy is evaluated by the following formula using the predicted value xp (i) and the actual value xa (i)
The correlation coefficient of (i = 1-300) was used.
【００２８】[0028]
【数３】 [Equation 3]
【００２９】図６は、このようにして予測を行ったとき
の予測精度を示す特性図で、遅れ時間は６であり、埋め
込み次元ｍを２〜１０として描いたアトラクタを用いた
ときの、予測ステップ（予測時間）に対する相関係数を
示している。図中にプロットされた数字が埋め込み次元
ｍを示す。FIG. 6 is a characteristic diagram showing the prediction accuracy when the prediction is carried out in this way. The delay time is 6 and the prediction when the attractor drawn with the embedding dimension m of 2 to 10 is used. The correlation coefficient for the step (prediction time) is shown. The numbers plotted in the figure indicate the embedding dimension m.
【００３０】図６において埋め込み次元ｍが８のときが
最も精度がよく、１時間先では９４％、６時間先では９
０％、１０時間先では８３％と高い精度を示している。
なお、フラクタル次元計算手段４により、埋め込み次元
ｍが適切に求められた場合は、その埋め込み次元ｍを用
いて非線形予測計算手段５における計算を行えばよい。In FIG. 6, the highest precision is obtained when the embedding dimension m is 8, which is 94% after 1 hour and 9 after 6 hours.
It shows a high accuracy of 0% and 83% after 10 hours.
When the embedding dimension m is appropriately obtained by the fractal dimension calculating means 4, the non-linear prediction calculating means 5 may be calculated using the embedding dimension m.
【００３１】比較のために線形予測法で実験を行った結
果が図７である。予測手法としては、自己回帰モデルを
用いた。２４次の時に１時間先では９１％、６時間先で
は７６％、１０時間先では７２％と非線形予測手法を用
いた場合よりも、かなり予測精度が低い。FIG. 7 shows the result of an experiment conducted by the linear prediction method for comparison. An autoregressive model was used as the prediction method. At the 24th time, 91% at 1 hour ahead, 76% at 6 hours ahead, and 72% at 10 hours ahead, the prediction accuracy is considerably lower than in the case of using the nonlinear prediction method.
【００３２】以上より、非線形予測法を用いてトラヒッ
クの予測を行うことが有効であることが示された。大域
的な線形手法である自己回帰モデルでは予測式を固定し
ているのに対し、上記実施例のような再構成軌道を用い
た局所線形手法では、軌道上の位相毎に予測式を求めて
いるので、非線形の要素を持つトラヒックの予測では高
い精度を示す。From the above, it has been shown that it is effective to predict traffic using the non-linear prediction method. In the auto-regressive model, which is a global linear method, the prediction formula is fixed, whereas in the local linear method using the reconstructed trajectory as in the above example, the prediction formula is obtained for each phase on the trajectory. Therefore, it shows high accuracy in predicting traffic with non-linear elements.
【００３３】[0033]
【発明の効果】以上のようにこの発明によれば、既知の
通信網トラヒック時系列の入力を行う通信網トラヒック
時系列入力手段と、この通信網トラヒック時系列入力手
段に入力された時系列から、指定された遅れ時間と次元
のアトラクタを構成するアトラクタ再構成手段と、この
アトラクタ再構成手段により構成されたアトラクタから
非線形予測計算を行う非線形予測計算手段と、この非線
形予測計算手段の計算結果から通信網トラヒック時系列
の予測計算を行う通信網トラヒック時系列予測手段とを
備えたので、トラヒックにカオス性があることを利用し
て非線形予測計算を行い通信網トラヒック時系列の予測
計算を行うことができ、精度の高い通信網トラヒック時
系列予測が行える。As described above, according to the present invention, the communication network traffic time series input means for inputting the known communication network traffic time series and the time series input to this communication network traffic time series input means are used. , The attractor reconstructing means that configures the attractor of the specified delay time and dimension, the non-linear predictive calculating means that performs the non-linear predictive calculation from the attractor configured by this attractor reconstructing means, and the calculation result of this non-linear predictive calculating means Since it has a communication network traffic time series prediction means for performing prediction calculation of communication network traffic time series, non-linear prediction calculation is performed by utilizing chaotic traffic and prediction of communication network traffic time series is performed. This enables highly accurate communication network traffic time series prediction.
【図１】この発明の通信網トラヒック予測装置の一実施
例を示す全体構成図である。FIG. 1 is an overall configuration diagram showing an embodiment of a communication network traffic prediction device of the present invention.
【図２】ｍ次元状態空間のデ−タからアトラクタを再構
成する方法を説明する説明図である。FIG. 2 is an explanatory diagram illustrating a method of reconstructing an attractor from data in an m-dimensional state space.
【図３】あるパケット網の時系列デ−タから、遅れ時間
を１として２次元上にアトラクタを再構成した特性図で
ある。FIG. 3 is a characteristic diagram in which attractors are reconfigured in two dimensions based on a time-series data of a packet network with a delay time of 1.
【図４】あるパケット網の時系列デ−タから、遅れ時間
を６として２次元上にアトラクタを再構成した特性図で
ある。FIG. 4 is a characteristic diagram in which an attractor is reconfigured in two dimensions with a delay time of 6 from time-series data of a certain packet network.
【図５】予測手法の図解を示す説明図である。FIG. 5 is an explanatory diagram showing an illustration of a prediction method.
【図６】この発明の通信網トラヒック予測装置による予
測結果に基づく予測時間と予測精度との関係を示す特性
図である。FIG. 6 is a characteristic diagram showing a relationship between prediction time and prediction accuracy based on a prediction result by the communication network traffic prediction device of the present invention.
【図７】従来の自己回帰モデルを用いて予測を行った結
果に基づくの予測時間と予測精度の関係を示す特性図で
ある。FIG. 7 is a characteristic diagram showing a relationship between a prediction time and a prediction accuracy based on a result of prediction using a conventional autoregressive model.
１ 通信網トラヒック時系列入力手段 ２ アトラクタ再構成手段 ３ 記憶手段 ４ フラクタル次元計算手段 ５ 非線形予測計算手段 ６ 予測装置 ７ 通信網トラヒック時系列予測手段 1 communication network traffic time series input means 2 attractor reconstruction means 3 storage means 4 fractal dimension calculation means 5 nonlinear prediction calculation means 6 prediction device 7 communication network traffic time series prediction means
フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｌ 12/26 Continuation of front page (51) Int.Cl. 6 Identification code Office reference number FI technical display location H04L 12/26
Claims (1)
行う通信網トラヒック時系列入力手段と、この通信網ト
ラヒック時系列入力手段に入力された時系列から、指定
された遅れ時間と次元のアトラクタを構成するアトラク
タ再構成手段と、このアトラクタ再構成手段により構成
されたアトラクタから非線形予測計算を行う非線形予測
計算手段と、この非線形予測計算手段の計算結果から通
信網トラヒック時系列の予測計算を行う通信網トラヒッ
ク時系列予測手段からなることを特徴とする通信網トラ
ヒック予測装置。1. A communication network traffic time series input means for inputting a known communication network traffic time series, and an attractor having a delay time and dimension specified from the time series input to this communication network traffic time series input means. And a non-linear predictive calculation means for performing a non-linear predictive calculation from the attractor configured by the attractor re-configurable means, and a predictive calculation of the communication network traffic time series from the calculation result of the non-linear predictive calculation means. A communication network traffic prediction apparatus comprising communication network traffic time series prediction means.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2698294A JPH07235985A (en) | 1994-02-24 | 1994-02-24 | Communication network traffic predicting device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2698294A JPH07235985A (en) | 1994-02-24 | 1994-02-24 | Communication network traffic predicting device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07235985A true JPH07235985A (en) | 1995-09-05 |
Family
ID=12208373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2698294A Pending JPH07235985A (en) | 1994-02-24 | 1994-02-24 | Communication network traffic predicting device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07235985A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6353847B1 (en) | 1998-03-06 | 2002-03-05 | Fujitsu Limited | System optimization apparatus employing load prediction |
| JP2002141937A (en) * | 2000-10-31 | 2002-05-17 | Nec Corp | Coding/decoding selection method and equipment, and recording medium with control program recorded thereon |
| WO2004107682A1 (en) * | 2003-05-29 | 2004-12-09 | Fujitsu Limited | Network control program, network control device, and network control method |
-
1994
- 1994-02-24 JP JP2698294A patent/JPH07235985A/en active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6353847B1 (en) | 1998-03-06 | 2002-03-05 | Fujitsu Limited | System optimization apparatus employing load prediction |
| JP2002141937A (en) * | 2000-10-31 | 2002-05-17 | Nec Corp | Coding/decoding selection method and equipment, and recording medium with control program recorded thereon |
| WO2004107682A1 (en) * | 2003-05-29 | 2004-12-09 | Fujitsu Limited | Network control program, network control device, and network control method |
| JPWO2004107682A1 (en) * | 2003-05-29 | 2006-07-20 | 富士通株式会社 | Network control program, network control apparatus, and network control method |
| US8059529B2 (en) | 2003-05-29 | 2011-11-15 | Fujitsu Limited | Method and apparatus for controlling network traffic, and computer product |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109061776B (en) | Short-time approaching numerical weather forecasting system and method | |
| US11423325B2 (en) | Regression for metric dataset | |
| CN109873712A (en) | A kind of network flow prediction method and device | |
| JP4694984B2 (en) | Power load prediction method and power load prediction processing program | |
| Lisovskaya et al. | Study of the MMPP/GI/∞ queueing system with random customers' capacities | |
| Wan Ahmad et al. | Arima model and exponential smoothing method: A comparison | |
| CN107305583B (en) | Real-time streaming recording data analysis system and method | |
| JPH07235985A (en) | Communication network traffic predicting device | |
| Davey et al. | Time series prediction and neural networks | |
| CN108877276A (en) | Quick predict bus travel time method, apparatus and terminal | |
| CN106603336A (en) | Predication method and apparatus for the state of a machine in cloud computing environment | |
| CN110795519A (en) | Markov model and probability statistics-based position prediction method and readable storage medium | |
| CN106992901A (en) | Method and apparatus for scheduling of resource simulated pressure | |
| Arnold et al. | Inference for Pareto data subject to hidden truncation | |
| Wolter et al. | On Markov reward modelling with FSPNs | |
| CN112242959B (en) | Micro-service current-limiting control method, device, equipment and computer storage medium | |
| RU2595929C2 (en) | Method and apparatus for compressing data depending on time signal | |
| CN105701027A (en) | Prediction method and device for data memory space | |
| Divband | A comparison of particle swarm optimization and gradient descent in training wavelet neural network to predict dgps corrections | |
| Chiu | Optimal M/G/1 server location on a tree network with continuous link demands | |
| JP5238048B2 (en) | Application connection number peak value estimation apparatus, method, and program | |
| Dash | A hybrid ARMA-Legendre polynomial neural network and evolutionary H-infinity filter for the prediction of electricity market clearing price | |
| Zeid et al. | Estimating eigenvalues for a class of dynamic systems | |
| CN117909751A (en) | Method, device, computer equipment and storage medium for determining calculation load predicted value | |
| Zlochin et al. | Efficient nonparametric importance sampling for Bayesian learning |