鄢树

(成都大学信息科学与技术学院，四川成都 610106)

0 引言

传统的网络流量被认为是服从Possion分布或近似为Markov过程，所以大都是基于线性模型来近似处理流量的发展趋势，其代表算法主要有基于自回归(AR)或自回归滑动平均(ARMA)，这些算法比较简单，对短期预测有较高的精度，但不适用于长期预测.1975年，Bar-Shalom［1］提出概率数据关联(probability data association，PDA)滤波，它是一种实时性较好的关联算法.此后，有学者提出联合概率数据关联滤波(joint probability data association filter，JPDAF)［2－4］，其被公认为是解决密集回波下多目标数据关联最有效的算法之一，此外，还有学者提出交互式多模型概率数据关联［5，6］，并将其用于跟踪杂波环境中的单个机动目标.基于此，本文提出一种基于交互式多模型(interacting multiple model probability data association filter，IMM-PDA)的实际业务流预测算法，其基本思路是通过各个接收终端作为传感器获取数据，利用各个PDA模型在不同时刻对各接收端的数据进行融合，这种融合较单纯PDA算法有了进一步提高，可以根据业务流的轨迹变换不同的模型，能够更加精确地预测下一步业务流的到达情况.

1 IMM-PDA算法描述

目前，相关研究已经证明实际业务流具有分形特性，并且是长相关的.因AR、ARMA等模型不适用于长相关数据的准确预测，故本研究采用IMMPDA算法提高对实际业务流的预测精度.IMM-PDA算法思想(见图1)为:首先，获取相关量测;然后，在各个PDA模型的相互作用下，进行模型的概率更新操作;最后，进行滤波操作，输出预测结果.

图1 IMM-PDA算法模型

IMM-PDA算法的滤波综合公式为:

结合IMM-PDA算法与实际情况，对仿真……