基于Stacking集成模型的网络流量预测研究*

朱国森，郑晓亮

(安徽理工大学 电气与信息工程学院，安徽 淮南 232000)

0 引 言

随着当前网络技术的迅猛发展，为了对网络流量进行有效的控制以及防止网络拥塞，需要对网络流量有较为准确的预测[1]。

当前针对网络流量的预测大部分基于网络流量本身的预测。如时间序列模型的预测研究，包括短相关ARIMA模型[2]、长相关FARIMA模型[3]以及ARMA同其他算法结合的预测方法，如神经网络方法。单一模型已经无法满足现代流量增长的预测，基于各种优化算法的预测模型如PF优化LSTM[4]、改进黑洞算法优化ESN的预测研究[5]等，还有利用算法在不同数据类型上的优势而得到更好结果的组合预测模型、基于小波分解的网络流量预测[6]等。

近年来，随着人工智能在各行各业的发展，相关技术已经被应用于生活的各个方面，如无人驾驶汽车的开发等。基于此，本文基于人工智能机器学习，也即集成学习的角度进行网络流量的预测。集成学习(EnsembleLearning)分为3种，包括Bagging(Bootstrap Aggregating)、Boosting和Stacking。前两者是同一个模型集成的算法，本文采用的是第三种Stacking，它是一种集成不同学习模型的算法，在各个子模型表现较为不错的情况下将其通过一定的方法结合起来。由于不同的模型是从不同角度对数据进行分析的，因此，不同模型集成的算法在一定程度上可以改善预测的表现。

Stacking作为一种新兴的算法，在不同领域均有应用，并且取得了较为不错的结果。文献[7]通过二维向量的Pearson相关系数进行模型的筛选，选取相关性较弱的XGBoost，LSTM，SVM以及KNN算法作为集成学习初级算法进行负荷的预测；……