| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·选题背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-9页 |
| ·课题的研究内容 | 第9页 |
| ·论文组织架构 | 第9-11页 |
| 第二章 网络流量特性及传统预测模型 | 第11-23页 |
| ·网络流量特性 | 第11-15页 |
| ·网络流量的自相似性 | 第11-13页 |
| ·网络流量的长相关性 | 第13页 |
| ·网络流量的多重分形特性 | 第13-14页 |
| ·网络流量的周期性 | 第14页 |
| ·网络流量的混沌性 | 第14页 |
| ·网络流量的其它特性 | 第14-15页 |
| ·网络流量预测模型 | 第15-22页 |
| ·线性网络流量预测模型 | 第15-18页 |
| ·非线性网络流量预测模型 | 第18-21页 |
| ·组合网络流量预测模型 | 第21页 |
| ·常见网络流量预测模型评价标准 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 机器学习及基于SVR的网络流量预测 | 第23-30页 |
| ·机器学习介绍 | 第23页 |
| ·定义 | 第23页 |
| ·机器学习的方法 | 第23页 |
| ·统计学领域的机器学习理论 | 第23-24页 |
| ·机器学习方法的两类最主要的应用 | 第24-26页 |
| ·BP人工神经网络方法 | 第24-25页 |
| ·支持向量机 | 第25页 |
| ·支持向量机与人工神经网络方法的比较的优势 | 第25-26页 |
| ·支持向量回归机网络流量预测模型 | 第26-29页 |
| ·支持向量回归机算法 | 第26-27页 |
| ·核函数 | 第27-28页 |
| ·影响支持向量机回归效果的参数 | 第28页 |
| ·核函数及参数选择方法 | 第28页 |
| ·支持向量回归机网络流量预测模型 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 全局人工鱼群算法优化SVR的网络流量预测模型研究 | 第30-42页 |
| ·人工鱼群算法 | 第30-32页 |
| ·基本人工鱼群算法 | 第30-31页 |
| ·全局人工鱼群算法 | 第31-32页 |
| ·GAFSA优化SVR的网络流量模型设计 | 第32-33页 |
| ·SVR预测模型相关参数 | 第32页 |
| ·模型设计 | 第32-33页 |
| ·可预测性判定 | 第33页 |
| ·仿真实验 | 第33-40页 |
| ·流量数据的采集与样本集的建立 | 第33-34页 |
| ·对比模型及参数设定 | 第34-35页 |
| ·实验效果评价标准 | 第35页 |
| ·实验结果 | 第35-39页 |
| ·实验结果分析 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第五章 基于ARMA-SVR的网络流量预测模型 | 第42-56页 |
| ·小波分析方法 | 第42-43页 |
| ·小波分解 | 第42页 |
| ·小波重构 | 第42-43页 |
| ·ARMA-SVR网络流量预测模型 | 第43-45页 |
| ·模型流程设计 | 第43页 |
| ·短相关部分拟合与预测 | 第43-44页 |
| ·长相关部分拟合与预测 | 第44页 |
| ·算法流程 | 第44-45页 |
| ·实验效果评价标准 | 第45页 |
| ·仿真实验 | 第45-54页 |
| ·流量数据的采集与样本集的建立 | 第45-47页 |
| ·matlab小波分解 | 第47-49页 |
| ·SVR预测data1 | 第49-50页 |
| ·ARMA预测data2 | 第50-52页 |
| ·预测效果融合 | 第52页 |
| ·对比模型预测效果 | 第52-54页 |
| ·实验结果及分析 | 第54页 |
| ·本章小结 | 第54-56页 |
| 第六章 结果与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第63页 |