| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 网络流量的特征 | 第8-10页 |
| 1.2.1 自相似与长相关 | 第9页 |
| 1.2.2 多分形 | 第9-10页 |
| 1.2.3 周期性及混沌性 | 第10页 |
| 1.3 网络流量预测的研究现状 | 第10-12页 |
| 1.4 本文的主要研究工作 | 第12-13页 |
| 1.5 本文的组织结构 | 第13-14页 |
| 第二章 时间序列的相关理论 | 第14-17页 |
| 2.1 引言 | 第14页 |
| 2.2 时间序列的定义 | 第14-15页 |
| 2.3 时间序列的性质 | 第15-16页 |
| 2.3.1 相关性 | 第15页 |
| 2.3.2 平稳性 | 第15-16页 |
| 2.4 建模及预测过程 | 第16页 |
| 2.5 本章小结 | 第16-17页 |
| 第三章 网络流量预测模型 | 第17-25页 |
| 3.1 引言 | 第17-18页 |
| 3.2 传统流量模型 | 第18-19页 |
| 3.2.1 短相关模型 | 第18-19页 |
| 3.2.2 长相关模型 | 第19页 |
| 3.3 流量预测模型的新发展 | 第19-24页 |
| 3.3.1 人工神经网络预测模型 | 第19-21页 |
| 3.3.2 支持向量机预测模型 | 第21-22页 |
| 3.3.3 EMD 方法 | 第22-23页 |
| 3.3.4 组合预测模型 | 第23-24页 |
| 3.4 本章小结 | 第24-25页 |
| 第四章 基于 EMD 和粒子群优化 LS-SVM 的网络流量预测 | 第25-46页 |
| 4.1 引言 | 第25页 |
| 4.2 EMD 方法 | 第25-27页 |
| 4.2.1 瞬时频率 | 第25-26页 |
| 4.2.2 本征模函数 | 第26页 |
| 4.2.3 EMD 分解过程 | 第26-27页 |
| 4.3 统计学习理论 | 第27-30页 |
| 4.3.1 VC 维 | 第28页 |
| 4.3.2 推广性的界 | 第28-29页 |
| 4.3.3 结构风险最小化 | 第29-30页 |
| 4.4 SVM 基本原理 | 第30-34页 |
| 4.4.1 线性回归 | 第31-33页 |
| 4.4.2 非线性回归 | 第33页 |
| 4.4.3 超参数分析 | 第33-34页 |
| 4.5 LS-SVM 的基本原理 | 第34-35页 |
| 4.6 粒子群算法介绍 | 第35-39页 |
| 4.6.1 粒子群优化算法简介 | 第35-36页 |
| 4.6.2 粒子群优化算法原理 | 第36-37页 |
| 4.6.3 粒子群算法参数设置 | 第37-38页 |
| 4.6.4 粒子群优化算法流程 | 第38-39页 |
| 4.7 EMD 与粒子群优化的 LS-SVM 结合的组合预测模型 | 第39-45页 |
| 4.7.1 网络流量预测模型 | 第39-40页 |
| 4.7.2 数据采集 | 第40页 |
| 4.7.3 仿真实验 | 第40-43页 |
| 4.7.4 实验结果与分析 | 第43-45页 |
| 4.8 本章小结 | 第45-46页 |
| 第五章 EMD 与全局版人工鱼群 LS-SVM 的网络流量预测 | 第46-56页 |
| 5.1 引言 | 第46页 |
| 5.2 人工鱼群算法介绍 | 第46-49页 |
| 5.2.1 人工鱼群算法简介 | 第46-47页 |
| 5.2.2 人工鱼群算法的行为描述 | 第47-48页 |
| 5.2.3 人工鱼群算法参数设置 | 第48-49页 |
| 5.2.4 人工鱼群算法流程 | 第49页 |
| 5.3 改进的人工鱼群算法 | 第49-50页 |
| 5.3.1 基于人工鱼群行为的改进 | 第49-50页 |
| 5.3.2 基于人工鱼视野和步长的改进 | 第50页 |
| 5.4 实验结果与分析 | 第50-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 硕士研究生期间发表论文情况 | 第63-64页 |
| 致谢 | 第64页 |
