时序预测（网络流量预测）方法调研总结

主要分为线性时间序列预测模型、非线性时间序列预测模型、神经网络时间序列预测模型、Boosting预测模型、GM预测模型等。

 

 

 

 

 

 

线性时间序列模型 2

 

(一)自回归模型（AR（p）） 2

 

(二)滑动平均模型（MA（q）） 2

 

(三)ARMA（p，q）模型 3

 

(四)ARIMA（p，d，q）模型 3

 

(五)线性时间序列建模过程 3

 

1)识别序列平稳性 3

 

2)对序列进行平稳化处理 4

 

3)建立对应模型 4

 

4)参数估计 5

 

5)假设检验 5

 

6)预测 6

 

(六)线性时间序列典型文章 6

 

非线性模型 6

 

(一)ARCH（p）模型 6

 

(二)GARCH（p，q）模型 6

 

(三)IGARCH（p，q）模型 7

 

(四)GARCH-M模型 7

 

(五)指数GARCH（m，s）模型 7

 

(六)TGARCH（m，s）模型 7

 

(七)非线性时间序列建模过程 8

 

1)建立均值方程 8

 

2)ARCH效应校验 8

 

3)建立波动率模型 9

 

4)模型检验 9

 

(八)非线性时间序列典型文章 9

 

神经网络模型 10

 

(一)人工神经网络的特性 10

 

1)大规模并行处理 10

 

2)分布式存储 10

 

3)自适应(学习)过程 10

 

(二)神经网络的拓扑结构 11

 

(三)反向传播算法 11

 

1)BP算法的基本思想 11

 

2)BP网络激活函数 12

 

3)BP网络学习算法 12

 

(四)使用神经网络模型预测网络流量 13

 

(五)神经网络典型文章 14

 

Boosting模型 14

 

(一)Boosting算法的基本发展过程 14

 

(二)Boosting算法的基本思想 15

 

(三)AdaBoost二元分类模型 15

 

(四)Boosting模型在流量预测的应用 16

 

(五)Boosting典型文章 17

 

灰度（GM）模型 17

 

(一)灰度模型的基本概念 18

 

(二)灰度模型的基本思想 18

 

(三)灰度模型的主要公理 18

 

(四)GM(1,1)灰度模型的建模过程 19

 

(五)灰度模型在流量预测的应用19

 

(六)灰度模型典型文章 20

 

其他模型 20

 

(一)傅里叶变换的基本概念 21

 

(二)傅里叶变换在流量预测中的应用 21

 

(三)马尔可夫过程的基本概念22

 

(四)马尔可夫过程在流量预测中的应用 22

 

结论 24

 

 

 

流量数据：

 

http://www.cs.utexas.edu/~yzhang/research/AbileneTM/

http://ita.ee.lbl.gov/

 

灰色理论：

 

http://www.docin.com/p-591543531.html

http://wenku.baidu.com/view/a6b3da9349649b6648d7477c.html

 

 

时间序列建模：

 

https://onlinecourses.science.psu.edu/stat510/

https://onlinecourses.science.psu.edu/stat510/node/78

http://arch.readthedocs.io/en/latest/index.html

http://arch.readthedocs.io/en/latest/univariate/univariate_volatility_modeling.html

http://statsmodels.sourceforge.net/devel/index.html

http://statsmodels.sourceforge.net/devel/examples/notebooks/generated/tsa_arma.html

http://statsmodels.sourceforge.net/devel/examples/notebooks/generated/tsa_arma_0.html

 

 

时间序列建模（其它）：

http://doc.mbalib.com/view/8b2f3805dd90e474a83929abcecf6472.html

 

http://www.yuecang.com/wxDataScientistUnion/5699903.html

http://support.minitab.com/zh-cn/minitab/17/topic-library/modeling-statistics/time-series/basics/methods-for-analyzing-time-series/

http://www.cnblogs.com/crossmind/p/3728302.html

http://blog.sina.com.cn/s/blog_5c2cfefb0100etlg.html（自相关、偏自相关）

http://blog.csdn.net/u010414589/article/details/49622625

http://blog.csdn.net/tuntunwang/article/details/51461563