基于粗粒度数据的细粒度网络流量预测

ICT系统提供关于计算机网络流量的详细信息。然而，由于存储限制，有关过去流量的一些信息通常仅以聚合形式保留。在本文中，我们表明线性高斯状态空间模型(Linear Gaussian State Space Models)产生了简单而有效的方法，以基于不同聚合级别的时间序列进行预测。这些模型将粗粒度与细粒度时间序列联系到单一模型中，该模型能够提供细粒度预测。我们的数值实验表明，当使用而非忽略额外的粗粒度观测进行预测时，期望平均绝对预测误差最多改善3.7倍。预测是在该模型的贝叶斯表述下获得的，这允许提供流量预测服务，其具有从粗粒度历史数据获得的极具信息量的先验。