| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·课题研究的背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文的组织结构 | 第13-14页 |
| 第2章 时间序列理论的相关知识 | 第14-20页 |
| ·时间序列的定义 | 第14页 |
| ·时间序列的特性 | 第14-18页 |
| ·时间序列的平稳性 | 第14-17页 |
| ·时间序列的自相似性与长相关 | 第17-18页 |
| ·建模及预测过程 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 基于 MF-DFA 方法的 Hurst 指数估计 | 第20-30页 |
| ·网络流量的自相性检验 | 第20页 |
| ·常见 Hurst 估计法 | 第20-25页 |
| ·方差时间图法（Variance-Time plot） | 第21页 |
| ·R/S 法 | 第21-22页 |
| ·周期图法(Periodogram) | 第22-23页 |
| ·小波法 | 第23-24页 |
| ·Hurst 参数估计方法试验结果及分析 | 第24-25页 |
| ·基于 MF-DFA 方法的 Hurst 指数估计 | 第25-29页 |
| ·本章小结 | 第29-30页 |
| 第4章 传统的网络流量模型研究 | 第30-39页 |
| ·网络流量的可预测性 | 第30-31页 |
| ·常见的短相关模型 | 第31-32页 |
| ·泊松(Poisson)模型 | 第31-32页 |
| ·马尔可夫（Markov）模型 | 第32页 |
| ·常见的长相关模型 | 第32-36页 |
| ·开关（ON/OFF）模型 | 第32-34页 |
| ·分形布朗运动模型（FBM） | 第34页 |
| ·分形自回归求和滑动平均模型（FARIMA） | 第34-36页 |
| ·网络流量预测模型的新发展 | 第36-37页 |
| ·人工神经网络 | 第36-37页 |
| ·小波分析 | 第37页 |
| ·网络流量模型性能比较与评价 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第5章 基于 GeversWouters-LS 算法的 ARMA 预测模型研究 | 第39-56页 |
| ·ARMA 模型的定义及其特性 | 第39-41页 |
| ·自回归模型 | 第39-40页 |
| ·滑动平均模型 | 第40页 |
| ·ARMA(p,q)模型 | 第40-41页 |
| ·网络流量序列的自相关函数 | 第41-44页 |
| ·滑动平均模型的自相关函数 | 第41页 |
| ·自回归模型的自相关函数 | 第41-42页 |
| ·ARMA(p,q)模型的自相关函数与偏自相关函数 | 第42-44页 |
| ·模型的定阶与检验 | 第44-47页 |
| ·AIC 准则 | 第44-45页 |
| ·模型的检验 | 第45-47页 |
| ·基于 Gevers Wouters-LS 算法的 ARMA 预测模型 | 第47-49页 |
| ·基于 Gevers-Wouters 算法的 MA 模型参数估计 | 第47-48页 |
| ·用 LS 法求不相容方程组估计 ARMA 模型的参数 | 第48-49页 |
| ·实验仿真及结果分析 | 第49-55页 |
| ·利用 AIC 准则对模型定阶 | 第49-50页 |
| ·预测过程 | 第50-53页 |
| ·模型检验 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间参加的科研项目和成果 | 第62页 |
