朱 江，潘成胜，孔志翔，石怀峰，

(1. 南京信息工程大学电子与信息工程学院，江苏 南京210044；2. 南京理工大学自动化学院，江苏 南京210094)

1 引言

网络流量预测是网络管理和规划的重要依据。准确的流量预测能够帮助管理者提前制定网络资源分配策略，有效解决即将到来的拥塞事件[1][2]。因此，建立准确的流量预测模型具有重要的实际意义。

现有网络流量的预测方法可总结为两类：适用于线性系统预测的统计方法和非线性预测系统的机器学习方法。典型的时间序列预测模型有自回归滑动平均(ARMA)和以它为基础组合改进的模型。例如：Guo等[3]提出利用乘性季节ARIMA模型进行移动通信流量预测。但是，网络的发展导致网络流量的复杂性及突发性愈发加强，传统的泊松分布、高斯分布等线性模型已不能满足现代网络流量的特点[4]。随着人工智能的发展，出现了基于机器学习算法的支持向量回归(SVR)[5]、极限学习机(ELM)[6]、人工神经网络(ANN)等非线性模型。前两个方法虽预测效果不错，但SVR模型的好坏太依赖于核函数的选取，ELM模型训练精度的提高完全依赖于隐藏层节点数的增加、且模型稳定性差。Nipun等[7]提出利用LSTM预测网络流量，LSTM有一定解决RNN(循环神经网络)长期依赖的能力。但随着时间序列的过长，输入信息的变多，单一的LSTM模型训练难以收敛至全局最优，于是Li[8]等提出CNN融合LSTM的模型进行预测。CNN能将时间序列的高维特征提取出来，LSTM再对所提取的高维特征进行流量的预测。但是，对时间序列的特征而言，不是每个特征的重要程度都一样，网络流量突变点附近的特征可能比平稳区域的特征更加重要[9]。……