馮培坤，劉 杰，伍衛(wèi)國(guó)，柴玉香，張祥俊

(1.西安交通大學(xué) 軟件學(xué)院，陜西 西安 710000;2.上海超級(jí)計(jì)算中心，上海 201203;3.西安交通大學(xué) 計(jì)算機(jī)學(xué)院，陜西 西安 710000)

0 引 言

隨著互聯(lián)網(wǎng)的蓬勃發(fā)展，硬件成本不斷降低，網(wǎng)絡(luò)帶寬得到了大幅提升，在進(jìn)入Web2.0時(shí)代后，Web站點(diǎn)日志增長(zhǎng)，同時(shí)也伴隨著大量的用戶日志訪問(wèn)數(shù)據(jù)。站點(diǎn)流量是網(wǎng)絡(luò)維護(hù)的重要指標(biāo)，反映著站點(diǎn)運(yùn)行的狀態(tài)，對(duì)于站點(diǎn)流量進(jìn)行建模和預(yù)測(cè)成為了近幾年的研究熱點(diǎn)。

隨著站點(diǎn)業(yè)務(wù)量的增加和用戶的不斷積累，網(wǎng)站的網(wǎng)絡(luò)流量呈現(xiàn)出復(fù)雜多變的特點(diǎn)，對(duì)站點(diǎn)的流量進(jìn)行有效的統(tǒng)計(jì)和預(yù)測(cè)，能很好地優(yōu)化站點(diǎn)的運(yùn)營(yíng)和網(wǎng)絡(luò)管理。用戶訪問(wèn)站點(diǎn)的方式都是基于時(shí)間序列進(jìn)行的，根據(jù)用戶的每一個(gè)訪問(wèn)，服務(wù)器端都會(huì)記錄用戶的訪問(wèn)數(shù)據(jù)，其中包含有本次請(qǐng)求的流量大小，根據(jù)這些流量值來(lái)建立對(duì)應(yīng)的時(shí)間序列的流量預(yù)測(cè)模型?；跁r(shí)間序列的網(wǎng)絡(luò)流量預(yù)測(cè)方法有很多，主要有回歸預(yù)測(cè)模型、卡爾曼濾波模型、神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型等[1]。

回歸預(yù)測(cè)模型是一種常見(jiàn)的預(yù)測(cè)性建模技術(shù)，它研究的是因變量(目標(biāo))和自變量(預(yù)測(cè)器)之間的關(guān)系[2]。卡爾曼濾波預(yù)測(cè)模型是一種利用線性系統(tǒng)狀態(tài)方程，通過(guò)系統(tǒng)輸入輸出觀測(cè)數(shù)據(jù)，對(duì)系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計(jì)的算法[3]。神經(jīng)網(wǎng)絡(luò)是具有自組織、自適應(yīng)和自學(xué)能力的非線性動(dòng)力學(xué)習(xí)系統(tǒng)[4-5]。基于支持向量機(jī)的模型預(yù)測(cè)是監(jiān)督學(xué)習(xí)中的常見(jiàn)算法，經(jīng)過(guò)長(zhǎng)時(shí)間的發(fā)展，在預(yù)測(cè)方面引入核函數(shù)，在有限的樣本信息中，往往能得到比較好的預(yù)測(cè)效果。下面對(duì)涉及到的兩種預(yù)測(cè)模型進(jìn)行簡(jiǎn)要介紹。

1 卡爾曼濾波

卡爾曼濾波算法利用多次觀察和估計(jì)值來(lái)達(dá)到目的，整個(gè)算法是遞歸進(jìn)行的，需要多次重復(fù)調(diào)整?？柭鼮V波器用于估計(jì)離散時(shí)間過(guò)程的狀態(tài)變量，記為X(t)，該算法可用線性隨機(jī)微分方程(linear stochastic difference equation)來(lái)描述：

X(t)=AX(t-1)+BU(t)+W(t)

(1)

Z(t)=HX(t)+V(t)

(2)

其中，X(t)是t時(shí)刻的系統(tǒng)狀態(tài)，U(t)是t時(shí)刻對(duì)系統(tǒng)的控制量，A和B是系統(tǒng)參數(shù)，Z(t) 是t時(shí)刻的測(cè)量值，H是測(cè)量系統(tǒng)的參數(shù)，W(t)和V(t)分別表示過(guò)程和測(cè)量的噪聲，被假設(shè)成高斯白噪聲(white Gaussian noise)，其協(xié)方差分別是Q和R。

卡爾曼濾波算法的具體過(guò)程如下所示：

(1)計(jì)算上一狀態(tài)預(yù)測(cè)的結(jié)果X(t|t-1)。利用系統(tǒng)現(xiàn)有的狀態(tài)來(lái)預(yù)測(cè)現(xiàn)在時(shí)刻狀態(tài)，得到預(yù)測(cè)值：

X(t|t-1)=AX(t-1|t-1)+BU(t)

(3)

其中，X(t-1|t-1)是上一狀態(tài)最優(yōu)結(jié)果，U(t)為現(xiàn)在狀態(tài)控制量，如果沒(méi)有控制量即為零。

(2)計(jì)算X(t|t-1)對(duì)應(yīng)的協(xié)方差P(t|t-1)。系統(tǒng)結(jié)果已經(jīng)更新，更新X(t|t-1)時(shí)刻的協(xié)方差，用P表示：

P(t|t-1)=AP(t-1|t-1)A`+Q

(4)

其中，P(t-1|t-1)是X(t-1|t-1)對(duì)應(yīng)的協(xié)方差，A'表示A的轉(zhuǎn)置矩陣，Q是系統(tǒng)過(guò)程的協(xié)方差。

(3)計(jì)算現(xiàn)在t時(shí)刻的最優(yōu)化估算值X(t|t)。目前為止有了對(duì)系統(tǒng)的預(yù)測(cè)值X(t|t-1)，然后再收集現(xiàn)在狀態(tài)的測(cè)量值，結(jié)合預(yù)測(cè)值和測(cè)量值，根據(jù)公式計(jì)算可以得到現(xiàn)在t時(shí)刻的最優(yōu)估算值：

X(t|t)=X(t|t-1)+Kg(t)(Z(t)-

HX(t|t-1))

(5)

(4)其中Kg為卡爾曼增益(Kalman gain)，其計(jì)算公式如下：

Kg(t)=P(t|t-1)H`/[HP(t|t-1)H+R]

(6)

(5)更新t狀態(tài)下X(t|t)的協(xié)方差。到現(xiàn)在為止，得到了t狀態(tài)下最優(yōu)的估算值X(t|t)。但是為了讓卡爾曼濾波器不斷運(yùn)行下去直到系統(tǒng)過(guò)程結(jié)束，還要更新t狀態(tài)下X(t|t)的協(xié)方差，也就是對(duì)應(yīng)式(4)中t-1時(shí)刻的協(xié)方差：

P(t|t)=[ (I-Kg(t))H]P(t|t-1)

(7)

2 支持向量機(jī)(SVM)

支持向量機(jī)，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機(jī)的學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題的求解，在遇到線性不可分時(shí)，通常是把樣例映射到高維空間中，引入核函數(shù)來(lái)代替非線性函數(shù)的內(nèi)積運(yùn)算，從而在維數(shù)可能為無(wú)窮大的線性空間中構(gòu)造出最優(yōu)分類超平面，并得到分離器的決策函數(shù)[6-7]。在預(yù)測(cè)領(lǐng)域，SVM的重視程度越來(lái)越高，例如：銷售量預(yù)測(cè)、金融股票預(yù)測(cè)、電力負(fù)荷預(yù)測(cè)，網(wǎng)站業(yè)務(wù)量預(yù)測(cè)等[8]。

假定訓(xùn)練數(shù)據(jù)(x1,y1),…,(xn,yn),x∈Rn,y∈{+1,-1}(x1)可以被一個(gè)超平面g(x)=wx+b分開(kāi)，存在一個(gè)最優(yōu)超平面可以使數(shù)據(jù)分開(kāi)并且離超平面最近的向量與超平面之間的距離是最大的，在線性可分時(shí)，SVM采用以下函數(shù)：

f(x)=sgn(wx+b)

(8)

超平面的參數(shù)不唯一，參數(shù)對(duì)分類結(jié)果無(wú)影響，故將決策函數(shù)值歸一化為1，即：

yi(wxi+b)≥1,i=1,2,…,n;yi=-1,1

(9)

(10)

為了便于求解，將上述問(wèn)題轉(zhuǎn)化為：

(11)

即現(xiàn)在變成線性約束的二次規(guī)劃問(wèn)題，對(duì)上述的式子進(jìn)行最優(yōu)化求解，采用拉格朗日方法，構(gòu)造拉格朗日函數(shù)：

(12)

其中，αi≥0為拉格朗日乘子，分別對(duì)w和b求偏微并令它們等于0，可得對(duì)偶問(wèn)題：

(13)

針對(duì)上式的對(duì)偶問(wèn)題進(jìn)行求解，得到w*和b*:

其判別函數(shù)為f(x)，帶入w*和b*，就可得最終的判別函數(shù)表達(dá)式：

(14)

對(duì)于線性不可分的情況，需要將原始的特征空間映射到高維空間，即x→φ(x)，需要引入核函數(shù)K(xi,xj)=φ(xi)Tφ(xj)帶入到式(14)，則針對(duì)線性不可分的情況，最終的判別函數(shù)是：

(15)

從低維到高維所選擇的核函數(shù)很多，根據(jù)Mercer定理，只需要關(guān)注K(xi,yi)，而不用在意φ(xi)。

SVM預(yù)測(cè)模型主要有3個(gè)參數(shù)：徑向基核函數(shù)參數(shù)σ、懲罰參數(shù)C、不敏感損失參數(shù)ε[9]。

K折交叉驗(yàn)證常常用來(lái)選擇SVM合適的參數(shù)，將原始數(shù)據(jù)分成K組(一般是均分)，將每個(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，其余的K-1組子集數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到K個(gè)模型，用這K個(gè)模型最終的驗(yàn)證集的分類準(zhǔn)確率的平均數(shù)作為此K-CV下分類器的性能指標(biāo)，K-CV可以有效地避免過(guò)學(xué)習(xí)以及欠學(xué)習(xí)狀態(tài)的發(fā)生，最后得到的結(jié)果也比較具有說(shuō)服性。

3 并聯(lián)組合模型

基于時(shí)間序列，根據(jù)歷史日志數(shù)據(jù)信息，使用并聯(lián)組合模型，結(jié)合SVM和卡爾曼濾波算法來(lái)實(shí)現(xiàn)流量預(yù)測(cè)。以下對(duì)預(yù)測(cè)模型設(shè)計(jì)與實(shí)現(xiàn)以及結(jié)果分析進(jìn)行詳細(xì)介紹。

3.1 流量預(yù)測(cè)模型

SVM在時(shí)間序列預(yù)測(cè)中具有很好的效果，是優(yōu)秀的監(jiān)督學(xué)習(xí)算法，與此同時(shí)，卡爾曼濾波算法簡(jiǎn)單，可以快速迭代出下一個(gè)預(yù)測(cè)狀態(tài)值[10]?？紤]工業(yè)社區(qū)日志流量的特點(diǎn)和預(yù)測(cè)需求等因素，文中在站點(diǎn)網(wǎng)絡(luò)流量預(yù)測(cè)模塊中，采用卡爾曼濾波算法和SVM預(yù)測(cè)算法構(gòu)建并聯(lián)組合預(yù)測(cè)模型，為網(wǎng)站的流量預(yù)測(cè)提供可靠的參考數(shù)據(jù)。

文中使用RBF函數(shù)作為SVM的核函數(shù)，因?yàn)镽BF函數(shù)可以將樣本非線性規(guī)劃到更高維的空間中，且核函數(shù)的參數(shù)較少，模型簡(jiǎn)單，限制條件少，更易于預(yù)測(cè)模型的實(shí)現(xiàn)。根據(jù)第2節(jié)的理論技術(shù)介紹，使用K折交叉驗(yàn)證，得到SVM最優(yōu)參數(shù)組合：σ=1，C=10，ε=0.2。

文中的流量預(yù)測(cè)是將日志訪問(wèn)時(shí)間作為時(shí)間序列{X(t),t=1,2,…,n}，預(yù)測(cè)模型描述為：

X(t)=φ[X(t-1),X(t-2),…,X(t-p)]

(16)

其中，φ為非線性函數(shù)，p為嵌入維數(shù)。表示用t時(shí)刻的前p個(gè)值來(lái)預(yù)測(cè)第t個(gè)值。在此處時(shí)間間隔的設(shè)置不宜太小，太小對(duì)于流量預(yù)測(cè)意義不大，嵌入維度也不應(yīng)過(guò)小或者過(guò)大，要考慮實(shí)際情況設(shè)置，權(quán)衡預(yù)測(cè)的精度和計(jì)算量[11]。

對(duì)于預(yù)測(cè)的精度，采用絕對(duì)誤差(AE)、相對(duì)誤差(RE)和平均誤差率(MAPE)預(yù)測(cè)指標(biāo)[12]來(lái)衡量，表1為預(yù)測(cè)的評(píng)價(jià)指標(biāo)公式。

表1 預(yù)測(cè)評(píng)價(jià)指標(biāo)

3.2 并聯(lián)組合模型設(shè)計(jì)

采用組合算法對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)，彌補(bǔ)傳統(tǒng)時(shí)間序列模型單一預(yù)測(cè)[12]的不足。預(yù)測(cè)模型的組合方式有多種，根據(jù)實(shí)際情況，文中采用并聯(lián)組合模型，使用卡爾曼濾波算法和SVM算法來(lái)實(shí)現(xiàn)組合預(yù)測(cè)。

并聯(lián)組合預(yù)測(cè)是利用兩種不同的模型對(duì)時(shí)間序列進(jìn)行預(yù)測(cè)，得到時(shí)間序列[13]的基本特征，對(duì)各個(gè)模型分別賦予合適的權(quán)重值，進(jìn)行組合預(yù)測(cè)[14]。設(shè)計(jì)的并聯(lián)組合模型基本步驟如下：

(1)設(shè)原始時(shí)間序列為{xt,t=1,2,…,n}，其中n為預(yù)測(cè)樣本個(gè)數(shù)，第i種預(yù)測(cè)方法在第t時(shí)刻的預(yù)測(cè)值記為xit，對(duì)應(yīng)方法的預(yù)測(cè)絕對(duì)誤差記為eit=|xt-xit|，其中i=1,2，x1t和x2t分別表示卡爾曼預(yù)測(cè)值和SVM預(yù)測(cè)值，t為時(shí)間間隔，取值為1～n。

(2)令w1和w2分別為預(yù)測(cè)模型的加權(quán)系數(shù)[15]，且w1+w2=1，則在t時(shí)間的組合預(yù)測(cè)值為：

(17)

其中，x1t為卡爾曼預(yù)測(cè)值，x2t為SVM預(yù)測(cè)值，f(x)分別對(duì)應(yīng)第2節(jié)中介紹的預(yù)測(cè)模型。

minSe

s.tw1+w2=1,wi≥0,i=1,2

(18)

上式為一個(gè)二次凸優(yōu)化問(wèn)題[16]，即對(duì)偶問(wèn)題，可使用拉格朗日函數(shù)來(lái)將其轉(zhuǎn)化為線性規(guī)劃問(wèn)題，從而確定出非負(fù)組合模型最優(yōu)的權(quán)重系數(shù)。

基于并聯(lián)組合預(yù)測(cè)模型的基本思想，按照上面的步驟，首先根據(jù)日志數(shù)據(jù)中的流量序列來(lái)建立預(yù)測(cè)模型，日志數(shù)據(jù)分訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)[17]，使用訓(xùn)練數(shù)據(jù)輸入到卡爾曼和SVM預(yù)測(cè)模型中得到預(yù)測(cè)的站點(diǎn)網(wǎng)絡(luò)流量值，分別計(jì)算得到絕對(duì)誤差，針對(duì)上述步驟3進(jìn)行最優(yōu)化求解確定組合權(quán)值，使用測(cè)試數(shù)據(jù)來(lái)檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)的精度。確定了組合模型系數(shù)后，在第3節(jié)日志數(shù)據(jù)分析模塊的站點(diǎn)網(wǎng)絡(luò)流量預(yù)測(cè)中，基于時(shí)間序列[18]，設(shè)計(jì)策略模式來(lái)進(jìn)行流量預(yù)測(cè)。

4 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)使用的數(shù)據(jù)來(lái)自于上海超級(jí)計(jì)算中心的工業(yè)社區(qū)用戶訪問(wèn)數(shù)據(jù)，當(dāng)用戶訪問(wèn)工業(yè)社區(qū)站點(diǎn)時(shí)，服務(wù)器端將記錄用戶的訪問(wèn)信息，其中包含本次請(qǐng)求的流量值。實(shí)驗(yàn)選取其中一部分的訪問(wèn)數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗和數(shù)據(jù)統(tǒng)計(jì)分析，提取基于時(shí)間序列的站點(diǎn)流量數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)和測(cè)試數(shù)據(jù)。實(shí)驗(yàn)構(gòu)建Spark streaming流式處理集群來(lái)進(jìn)行日志數(shù)據(jù)的清洗和統(tǒng)計(jì)分析[19]，然后進(jìn)行并聯(lián)組合預(yù)測(cè)模型的建立和實(shí)驗(yàn)。

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境：搭建數(shù)據(jù)預(yù)處理平臺(tái)的Hadoop和Spark集群均使用Cloudera提供的cdh5.7.0版本，使用Zookeeper來(lái)進(jìn)行協(xié)調(diào)服務(wù)，提供分布式的可靠協(xié)議，構(gòu)建Hadoop分布式文件系統(tǒng)，采用Spark on Yarn進(jìn)行部署，進(jìn)行資源的統(tǒng)一管理。測(cè)試環(huán)境的操作系統(tǒng)是Windows 10，CPU是Interl(R) Core(TM)i5-7400 CPU @ 3.00 GHz，機(jī)器內(nèi)核為4核，固態(tài)硬盤為128 GB，內(nèi)存大小為8 G。

圖1是本次實(shí)驗(yàn)的日志數(shù)據(jù)處理平臺(tái)架構(gòu)，對(duì)日志數(shù)據(jù)源進(jìn)行ETL[20]，在數(shù)據(jù)處理平臺(tái)完成原始日志到結(jié)構(gòu)化日志的轉(zhuǎn)化，實(shí)現(xiàn)數(shù)據(jù)清洗和數(shù)據(jù)分析，然后在此基礎(chǔ)上使用流量預(yù)測(cè)模型實(shí)現(xiàn)流量預(yù)測(cè)。

圖1 日志數(shù)據(jù)處理平臺(tái)架構(gòu)

4.2 實(shí)驗(yàn)步驟

本實(shí)驗(yàn)首先構(gòu)建站點(diǎn)日志數(shù)據(jù)處理平臺(tái)，獲取工業(yè)社區(qū)的日志數(shù)據(jù)，在處理平臺(tái)進(jìn)行數(shù)據(jù)清洗，整理統(tǒng)計(jì)出基于時(shí)間序列的流量數(shù)據(jù)，然后基于歷史流量數(shù)據(jù)，分別根據(jù)卡爾曼濾波算法和支持向量機(jī)來(lái)計(jì)算出預(yù)測(cè)值，對(duì)比實(shí)際流量值計(jì)算權(quán)值，構(gòu)建并聯(lián)組合模型來(lái)實(shí)現(xiàn)更為準(zhǔn)確的預(yù)測(cè)[21]。

首先構(gòu)建站點(diǎn)的日志數(shù)據(jù)處理平臺(tái)，搭建分布式集群Hadoop作為底層數(shù)據(jù)存儲(chǔ)，部署Spark on Yarn來(lái)實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)數(shù)據(jù)處理，對(duì)重復(fù)的日志數(shù)據(jù)和非必要的日志數(shù)據(jù)進(jìn)行剔除[22]，對(duì)空缺的數(shù)值進(jìn)行補(bǔ)全，將原始的日志數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的日志數(shù)據(jù)，在此基礎(chǔ)上，統(tǒng)計(jì)日志數(shù)據(jù)的時(shí)間和流量字段[23]，整理后存儲(chǔ)HBase數(shù)據(jù)庫(kù)中，為下一步提供實(shí)驗(yàn)數(shù)據(jù)。

依據(jù)3.2節(jié)中的并聯(lián)組合模型的思路，讀取流量數(shù)據(jù)，分別計(jì)算得到卡爾曼濾波和SVM的預(yù)測(cè)值，對(duì)比實(shí)際流量值得到絕對(duì)誤差，建立預(yù)測(cè)模型，帶入具體的數(shù)值，通過(guò)解決式(18)的二次凸優(yōu)化的問(wèn)題，依次得到多個(gè)最優(yōu)權(quán)值，然后求均值得到最優(yōu)的權(quán)重比例系數(shù)。

圖2 并聯(lián)組合預(yù)測(cè)流量結(jié)構(gòu)

4.3 結(jié)果分析

通過(guò)對(duì)一段時(shí)間的工業(yè)社區(qū)日志數(shù)據(jù)進(jìn)行數(shù)據(jù)分析和統(tǒng)計(jì)，統(tǒng)計(jì)出一部分的日志流量值做流量預(yù)測(cè)模型分析測(cè)試數(shù)據(jù)。在基于3.1和3.2的介紹上，文中采用的是并聯(lián)組合預(yù)測(cè)方法，通過(guò)解決式(18)中的二次凸規(guī)劃問(wèn)題，得到卡爾曼和SVM預(yù)測(cè)模型的權(quán)值為：w1=0.35，w2=0.65。

將w1和w2的值代入卡爾曼和SVM預(yù)測(cè)模型(式(16))中，可得流量預(yù)測(cè)結(jié)果，選取2018年4月份的日志流量進(jìn)行預(yù)測(cè)對(duì)比，根據(jù)實(shí)際值和預(yù)測(cè)值進(jìn)行對(duì)比，然后分別得到圖3～圖5的預(yù)測(cè)折線圖。預(yù)測(cè)模型誤差對(duì)比如表2所示。

表2 預(yù)測(cè)模型誤差對(duì)比

圖3 卡爾曼預(yù)測(cè)

圖4 SVM預(yù)測(cè)

圖5 并聯(lián)組合預(yù)測(cè)模型流量預(yù)測(cè)折線

從圖3～圖5可以看出，其組合預(yù)測(cè)模型的平均誤差率更小，折線擬合效果也更合理，組合預(yù)測(cè)模型與實(shí)際流量值的誤差更小，說(shuō)明組合模型對(duì)于流量預(yù)測(cè)也是可靠有效的。實(shí)驗(yàn)表明在預(yù)測(cè)步長(zhǎng)上，隨著步長(zhǎng)的增加平均誤差率也不斷增大，相比較長(zhǎng)期的來(lái)說(shuō)，短期的誤差積累更明顯，步長(zhǎng)越大對(duì)于預(yù)測(cè)越?jīng)]有實(shí)際意義。

5 結(jié)束語(yǔ)

使用站點(diǎn)的用戶訪問(wèn)日志數(shù)據(jù)，通過(guò)數(shù)據(jù)清洗和數(shù)據(jù)分析處理[24]，利用其中的流量值來(lái)構(gòu)建并聯(lián)組合預(yù)測(cè)模型以實(shí)現(xiàn)站點(diǎn)的流量預(yù)測(cè)。使用分布式技術(shù)，集合Hadoop和Spark來(lái)實(shí)現(xiàn)日志數(shù)據(jù)的實(shí)時(shí)處理，保證歷史流量值能及時(shí)結(jié)構(gòu)化存儲(chǔ)，然后基于歷史流量數(shù)據(jù)來(lái)建立并聯(lián)組合預(yù)測(cè)模型，分別使用卡爾曼濾波算法和支持向量機(jī)進(jìn)行最優(yōu)化找到合適的權(quán)值，然后基于實(shí)時(shí)的流量處理數(shù)據(jù)進(jìn)行實(shí)時(shí)預(yù)測(cè)。

下一步將集成新的預(yù)測(cè)算法，實(shí)現(xiàn)細(xì)粒度[25]的站點(diǎn)流量預(yù)測(cè)，并考慮站點(diǎn)的環(huán)境因素來(lái)進(jìn)一步提升預(yù)測(cè)方法的準(zhǔn)確性，提升該模型的精度。