基于季节性-趋势分解与小波融合的SW-Informer模型在IP网络流量预测中的应用研究
一、研究团队与发表信息
本研究由来自中国电信股份有限公司研究院网络技术研究所的Haopeng Ma（通讯作者）、Xiaoying Huang、Ke Ruan及Yongqing Zhu共同完成，发表于2023年IEEE第11届信息、通信与网络国际会议（ICICN），论文标题为《SW-Informer: A Seasonal-Trend Decomposition and Wavelet Fusion Informer Approach for IP Network Traffic Prediction》。
二、学术背景与研究目标
科学领域：本研究属于网络通信与时间序列预测交叉领域，聚焦IP网络流量的高精度预测。
研究背景：随着4K、VR、5G等技术的发展，IP网络流量呈现爆发式增长，传统预测方法（如ARIMA、LSTM）因数据量小、特征复杂导致精度不足。Informer模型虽在长序列预测中表现优异，但直接应用于IP流量预测时存在频率域特征缺失和过拟合问题。
研究目标：提出SW-Informer模型，通过融合季节性-趋势分解（STL）、小波变换（Wavelet）与Informer模型，解决IP流量预测中的特征复杂性和数据稀疏性问题。
三、研究方法与流程
1. 数据收集与预处理
- 数据来源：中国电信广东研究院2013年9月至2022年8月的省级骨干网月度流量数据，覆盖31省108个节点。
- 数据特点：数据量小（108节点×108个月）、非平稳性显著（含季节性和趋势性波动）。
2. STL特征分解
- 方法：采用STL（Seasonal-Trend decomposition using Loess）将原始流量分解为季节性（Seasonal）、趋势性（Trend）和残差（Residual）三个分量。
- 季节性分量：强周期性，低自由度，适合传统统计模型。
- 趋势分量：高自由度，含丰富频率域特征，需结合时频分析。
- 残差分量：噪声干扰显著，需滤波处理。
3. 分量化预测模型构建
- 季节性预测：采用ARIMA（Autoregressive Integrated Moving Average）模型。通过ADF检验（值-4.0311）验证平稳性，基于HQIC准则选择参数（p=1, q=1），最终使用ARIMA(1,1,1)。
- 趋势预测：
- 小波变换：通过连续小波变换（Continuous Wavelet Transform, CWT）提取多尺度频率域特征，公式为：
$$W(a,b) = |a|^{-1⁄2} \int x(t)\psi\left(\frac{t-b}{a}\right)dt$$
其中$\psi(t)$为母小波函数，$a$为尺度因子，$b$为位移因子。
- Informer融合：将时域与频域特征输入改进的Informer模型，利用其稀疏自注意力机制（Sparse Self-Attention）和生成式解码器（Generative Decoder）降低计算复杂度。
- 残差预测：先通过高斯滤波（Gaussian Filtering）去噪，再输入Informer模型训练。
4. 结果集成与验证
- 集成方法：将三个分量的预测结果叠加，得到最终流量预测值。
- 评估指标：采用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）进行量化评估。
四、研究结果
1. 预测精度对比
- 可视化对比：如图5所示，SW-Informer的预测曲线与实际流量吻合度显著高于ARIMA、LSTM、TCN等基线模型。
- 统计指标：如表Ⅰ所示，SW-Informer的RMSE（0.1715）、MAE（0.1623）、MAPE（4.25%）均优于其他模型（如Informer的MAPE为6.19%，Prophet为5.54%）。
2. 模型优势分析
- 特征分解有效性：STL分解降低了数据复杂度，ARIMA与Informer的分工提升了各分量的预测效率。
- 频率域融合：小波变换弥补了Informer在频率域特征提取的不足，趋势预测误差降低22%。
五、结论与价值
科学价值：
1. 提出了一种结合传统统计方法与深度学习的混合预测框架，为小样本时间序列预测提供了新思路。
2. 验证了频率域特征融合在流量预测中的必要性，拓展了Informer模型的应用场景。
应用价值：
- 可支持电信运营商精准规划网络扩容，降低链路延迟，提升资源利用率。
- 方法论可迁移至延迟预测、带宽分配等网络优化任务。
六、研究亮点
1. 创新方法：首次将STL分解、小波变换与Informer结合，解决了IP流量预测中的特征异构性问题。
2. 工程实用性：模型在真实骨干网数据中表现优异，MAPE较现有最优模型降低1.29%。
3. 可扩展性：框架支持其他网络指标（如延迟、丢包率）的预测。
未来方向：探索多服务类型（如视频流、物联网）的流量预测，构建自动化网络规划管道。
致谢：研究由中国电信研究院网络技术研究所支持。
（注：文中专业术语如STL、Informer、ARIMA等均保留英文原名，首次出现时标注中文解释。）