基于改进指数平滑模型的拥塞网络时延预测研究

摘要

由于网络拥塞环境的时延序列非平稳,传统时延预测方法大多使用历史值加权建立预测模型,此类模型存在滞后偏差、参数固定、预测精度低等缺陷。针对上述问题,提出了基于改进指数平滑模型的拥塞网络时延预测方法,即SV-ES(Shifting Velocity-Exponential Smoothing method)。该方法在传统指数平滑模型基础上,根据序列趋势变化特征生成指数式加权的偏移速度因子,采用二次指数平滑法修正结果,生成预测模型。基于预测模型的残差序列,使用误差函数提取序列回归信息,动态调整衰减因子,实现模型参数自适应更新。实验结果表明,在拥塞网络环境中,SV-ES时延预测结果的精度比ES提升了9.01%,比ARIMA提升了1.28%。