网络流量预测作为网络管理领域的研究热点,一直受到研究人员的关注。传统的单一模型不能全面刻画复杂网络流量的自相似性、长相关性等特征,分解重构、组合预测成为网络流量预测的新方向。本文基于模态分解对网络流量预测模型进行相关研究,其主要内容如下:1.针对经验模态分解得到的子序列较多,分开预测造成计算复杂度较大的问题,提出一种基于经验模态分解和聚类的实时网络流量预测模型。首先,利用经验模态分解将复杂的网络流量序列分解为成分简单、相对平稳的子序列。其次,通过改进的K均值算法将复杂度相近的子序列聚类,减少预测器的个数。然后,采用具有实时性和递归性的卡尔曼滤波模型分别对新的子序列进行预测。最后,合成各子序列的预测值。实验结果表明,该模型在保证实时性的同时,提高了流量的预测精度。2.针对经验模态分解存在模态混叠以及含有噪声的子序列会影响预测精度的问题,提出一种基于集合经验模态分解的网络流量组合预测模型。首先,利用集合经验模态分解将网络流量序列分解成频率单一的子序列,同时降低模态混叠给预测精度带来的影响。其次,通过自相关函数能量筛选出含有较多噪声的子序列,并进行去噪处理。然后,检验子序列的平稳性,分别采用Elman神经网络和自回归移动平均模型预测非平稳和平稳的子序列。最后,合成各子序列的预测值。实验结果表明,该模型在均方误差、平均绝对误差以及趋势预测准确率上均优于其他对比模型,预测精度得到了进一步提高。