基于统计滚动模型的互联网流量预测实证研究
网络与互联网体系结构
2022-08-12 v1 机器学习
摘要
现实世界中的 IP 网络流量易受新互联网业务集成、流量迁移、互联网应用等外部与内部因素的影响。由于这些因素，实际互联网流量呈非线性，难以使用统计模型进行分析以进行未来预测。本文中，我们研究并评估了不同统计预测模型在真实 IP 网络流量上的性能，并展示了使用滚动预测技术的显著改进。首先，通过分析流量特征并基于最小 Akaike 信息准则（AIC）实现网格搜索算法，确定相应预测模型的一组最佳超参数。随后，我们对 AutoRegressive Integrated Moving Average（ARIMA）、Seasonal ARIMA（SARIMA）、带外生因素的 SARIMA（SARIMAX）以及 Holt-Winter 在单步预测上进行了比较性能分析。我们使用 SARIMA 对流量的季节性进行显式建模，与无法处理季节性的 ARIMA 相比，将滚动预测平均绝对百分比误差（MAPE）降低了 4% 以上。我们进一步使用 SARIMAX 学习从原始流量提取的不同外生因素来改进流量预测，取得了最佳的滚动预测结果，MAPE 为 6.83%。最后，我们应用指数平滑技术处理遵循 Holt-Winter 模型的流量变异性，其预测优于 ARIMA（MAPE 约低 1.5%）。与标准预测方法相比，滚动预测技术使用真实互联网服务提供商（ISP）流量数据将预测误差降低了 50% 以上。
引用
@article{arxiv.2205.01590,
title = {An Empirical Study on Internet Traffic Prediction Using Statistical Rolling Model},
author = {Sajal Saha and Anwar Haque and Greg Sidebottom},
journal= {arXiv preprint arXiv:2205.01590},
year = {2022}
}
备注
6 pages, 2 figures, To appear in the Proceedings of the International Wireless Communications and Mobile Computing Conference in Dubrovnik, Croatia, 2022