JPH07235985A - 通信網トラヒック予測装置 - Google Patents
通信網トラヒック予測装置Info
- Publication number
- JPH07235985A JPH07235985A JP2698294A JP2698294A JPH07235985A JP H07235985 A JPH07235985 A JP H07235985A JP 2698294 A JP2698294 A JP 2698294A JP 2698294 A JP2698294 A JP 2698294A JP H07235985 A JPH07235985 A JP H07235985A
- Authority
- JP
- Japan
- Prior art keywords
- communication network
- time series
- prediction
- attractor
- network traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Monitoring And Testing Of Exchanges (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】 通信網のトラヒックを，高い精度で予測する
ことを目的とする。 【構成】 既知の通信網トラヒック時系列の入力を行う
通信網トラヒック時系列入力手段と、この入力された時
系列から、指定された遅れ時間と次元のアトラクタを構
成するアトラクタ再構成手段と、このアトラクタから非
線形予測計算を行う非線形予測計算手段と、この計算結
果から通信網トラヒック時系列の予測計算を行う通信網
トラヒック時系列予測手段を設けた。
ことを目的とする。 【構成】 既知の通信網トラヒック時系列の入力を行う
通信網トラヒック時系列入力手段と、この入力された時
系列から、指定された遅れ時間と次元のアトラクタを構
成するアトラクタ再構成手段と、このアトラクタから非
線形予測計算を行う非線形予測計算手段と、この計算結
果から通信網トラヒック時系列の予測計算を行う通信網
トラヒック時系列予測手段を設けた。
Description
【０００１】
【産業上の利用分野】この発明は、通信網におけるトラ
ヒック予測に関するものである。
ヒック予測に関するものである。
【０００２】
【従来の技術】従来のトラヒック予測法としては、例え
ば、ＮＴＴ Ｒ＆Ｄ VOL.40 No.121991に記されてい
る「日々トラヒック予測法」がある。この方法では、ト
ラヒック変動の要因をアイテム・カテゴリ−に決定し、
これを基本説明変数として数量化Ｉ類を適用してトラヒ
ックを予測している。
ば、ＮＴＴ Ｒ＆Ｄ VOL.40 No.121991に記されてい
る「日々トラヒック予測法」がある。この方法では、ト
ラヒック変動の要因をアイテム・カテゴリ−に決定し、
これを基本説明変数として数量化Ｉ類を適用してトラヒ
ックを予測している。
【０００３】
【発明が解決しようとする課題】上記のような従来の予
測方法では、カテゴリ−の設定の仕方によって予測値が
大きく変わる可能性があり、また、カテゴリ−数量を求
めるのが困難である。さらに予測式が固定されている為
に、高い予測精度が期待できなかった。
測方法では、カテゴリ−の設定の仕方によって予測値が
大きく変わる可能性があり、また、カテゴリ−数量を求
めるのが困難である。さらに予測式が固定されている為
に、高い予測精度が期待できなかった。
【０００４】カオスとは、簡単な規則に支配された不規
則振動のことをいう。この発明は、上記のような問題を
解決するためになされたもので、カオス性がある時系列
に対しては、線形予測よりも非線形予測の方が予測精度
が高いことと、トラヒックにはカオス性があることを利
用して、より高い予測精度でトラヒックを予測すること
を目的としている。
則振動のことをいう。この発明は、上記のような問題を
解決するためになされたもので、カオス性がある時系列
に対しては、線形予測よりも非線形予測の方が予測精度
が高いことと、トラヒックにはカオス性があることを利
用して、より高い予測精度でトラヒックを予測すること
を目的としている。
【０００５】
【課題を解決するための手段】この発明に係わるトラヒ
ック予測装置は、既知の通信網トラヒック時系列の入力
を行う通信網トラヒック時系列入力手段と、この通信網
トラヒック時系列入力手段に入力された時系列から、指
定された遅れ時間と次元のアトラクタを構成するアトラ
クタ再構成手段と、このアトラクタ再構成手段により構
成されたアトラクタから非線形予測計算を行う非線形予
測計算手段と、この非線形予測計算手段の計算結果から
通信網トラヒック時系列の予測計算を行う通信網トラヒ
ック時系列予測手段とを備えたものである。
ック予測装置は、既知の通信網トラヒック時系列の入力
を行う通信網トラヒック時系列入力手段と、この通信網
トラヒック時系列入力手段に入力された時系列から、指
定された遅れ時間と次元のアトラクタを構成するアトラ
クタ再構成手段と、このアトラクタ再構成手段により構
成されたアトラクタから非線形予測計算を行う非線形予
測計算手段と、この非線形予測計算手段の計算結果から
通信網トラヒック時系列の予測計算を行う通信網トラヒ
ック時系列予測手段とを備えたものである。
【０００６】
【作用】この発明においては、トラヒックにカオス性が
あることを利用し、既知の通信網トラヒック時系列から
指定された遅れ時間と次元のアトラクタを構成し、この
アトラクタから非線形予測計算を行い通信網トラヒック
時系列の予測計算を行うことによって、精度の高い予測
が行える。
あることを利用し、既知の通信網トラヒック時系列から
指定された遅れ時間と次元のアトラクタを構成し、この
アトラクタから非線形予測計算を行い通信網トラヒック
時系列の予測計算を行うことによって、精度の高い予測
が行える。
【０００７】
【実施例】カオスとは、簡単な規則に支配された不規則
振動のことをいう。カオス性がある時系列に対しては、
線形予測よりも非線形予測の方が予測精度が高いことが
知られている。(G.Sugihara & R.May ■Nonlinear fore
casting as a way ofdictinguish chaos from measurem
ent error in time series■ NATURE,344,19,734(199
0))
振動のことをいう。カオス性がある時系列に対しては、
線形予測よりも非線形予測の方が予測精度が高いことが
知られている。(G.Sugihara & R.May ■Nonlinear fore
casting as a way ofdictinguish chaos from measurem
ent error in time series■ NATURE,344,19,734(199
0))
【０００８】この発明に係るトラヒック予測方法とし
て、例えば、カオス性のある時系列の非線形予測法とし
て、電力需要の予測を行う事を目的として提案された、
岩坪・萬谷・池口・合原の「再構成軌道と単位行列・重
心座標を用いた予測法」（電気学会産業応用部門ＩＩＳ
−９３−１０再構成軌道を用いた小規模電力需要の非線
形短期予測）を適用する。
て、例えば、カオス性のある時系列の非線形予測法とし
て、電力需要の予測を行う事を目的として提案された、
岩坪・萬谷・池口・合原の「再構成軌道と単位行列・重
心座標を用いた予測法」（電気学会産業応用部門ＩＩＳ
−９３−１０再構成軌道を用いた小規模電力需要の非線
形短期予測）を適用する。
【０００９】図１は、この発明による予測装置の実施例
の全体構成図である。図において１は既知の時系列の入
力を行う通信網トラヒック時系列入力手段である。
の全体構成図である。図において１は既知の時系列の入
力を行う通信網トラヒック時系列入力手段である。
【００１０】２はこの通信網トラヒック時系列入力手段
１で入力された時系列を記憶する記憶手段、３はこの記
憶手段２に記憶されている時系列から、指定された遅れ
時間と次元のアトラクタを描くアトラクタ再構成手段、
４はこのアトラクタ再構成手段３で描かれたアトラクタ
からフラクタル次元の計算を行い、埋め込み次元を求め
るフラクタル次元計算手段、５は上記アトラクタ再構成
手段３において指定された遅れ時間と、上記フラクタル
次元計算手段４より求められた埋め込み次元をパラメ−
タとして、上記アトラクタから非線形予測計算を行う非
線形予測計算手段である。上記記憶手段２、アトラクタ
再構成手段３、フラクタル次元計算手段４、非線形予測
計算手段５により、再構成軌道と単位行列・重心座標を
用いた予測を行う予測装置６が構成されている。
１で入力された時系列を記憶する記憶手段、３はこの記
憶手段２に記憶されている時系列から、指定された遅れ
時間と次元のアトラクタを描くアトラクタ再構成手段、
４はこのアトラクタ再構成手段３で描かれたアトラクタ
からフラクタル次元の計算を行い、埋め込み次元を求め
るフラクタル次元計算手段、５は上記アトラクタ再構成
手段３において指定された遅れ時間と、上記フラクタル
次元計算手段４より求められた埋め込み次元をパラメ−
タとして、上記アトラクタから非線形予測計算を行う非
線形予測計算手段である。上記記憶手段２、アトラクタ
再構成手段３、フラクタル次元計算手段４、非線形予測
計算手段５により、再構成軌道と単位行列・重心座標を
用いた予測を行う予測装置６が構成されている。
【００１１】７はこの予測装置６の計算結果により通信
網のトラヒック時系列を予測するトラヒック時系列予測
手段である。
網のトラヒック時系列を予測するトラヒック時系列予測
手段である。
【００１２】まず、解析対象となる時系列デ−タの単位
を選択し通信網トラヒック時系列入力手段１より入力
し、また既知（過去）の通信網のトラヒック時系列デー
タを入力する。単位は例えば、１時間あたりのパケット
数（ｐｋｔ／ｈ）、１日あたりのバイト数（Ｂｙｔｅ／
ｄａｙ）である。
を選択し通信網トラヒック時系列入力手段１より入力
し、また既知（過去）の通信網のトラヒック時系列デー
タを入力する。単位は例えば、１時間あたりのパケット
数（ｐｋｔ／ｈ）、１日あたりのバイト数（Ｂｙｔｅ／
ｄａｙ）である。
【００１３】この入力されたトラヒック時系列データは
記憶手段２に記憶される。そしてこのトラヒック時系列
データに基づき、アトラクタ再構成手段３において、指
定された遅れ時間と次元のアトラクタが再構成される。
記憶手段２に記憶される。そしてこのトラヒック時系列
データに基づき、アトラクタ再構成手段３において、指
定された遅れ時間と次元のアトラクタが再構成される。
【００１４】またこのアトラクタ再構成手段３で描かれ
たアトラクタからフラクタル次元計算手段４により、フ
ラクタル次元の計算を行い、これから埋め込み次元ｍを
求める。以下にこれらの動作を示す。
たアトラクタからフラクタル次元計算手段４により、フ
ラクタル次元の計算を行い、これから埋め込み次元ｍを
求める。以下にこれらの動作を示す。
【００１５】例えば、日統計、時統計の実測されたトラ
ヒックは１変数の時系列デ−タであり、これらが解析対
象となる。
ヒックは１変数の時系列デ−タであり、これらが解析対
象となる。
【００１６】解析対象となる時系列デ−タより、タ−ケ
ンスの埋め込み定理（F.Takens:in■Dynamical Systems
and Turbulence■(ed.D.A.Rand and L.S.Young),pp.3
66-381,Springer,Berlin(1981)）を用いて、元の高次元
空間における力学系のアトラクタの軌道を再構成する。
ンスの埋め込み定理（F.Takens:in■Dynamical Systems
and Turbulence■(ed.D.A.Rand and L.S.Young),pp.3
66-381,Springer,Berlin(1981)）を用いて、元の高次元
空間における力学系のアトラクタの軌道を再構成する。
【００１７】図２は、ｍ次元状態空間へのデ−タの作成
法を説明したものである。時系列デ−タを ξ1、ξ2、・・・、ξt、・・・ とする。このξtから、時間遅れの大きさをτとして、
ｍ次元の再構成状態空間において次のようなｍ次元ベク
トルを作成する。
法を説明したものである。時系列デ−タを ξ1、ξ2、・・・、ξt、・・・ とする。このξtから、時間遅れの大きさをτとして、
ｍ次元の再構成状態空間において次のようなｍ次元ベク
トルを作成する。
【００１８】
【数１】
【００１９】これは、ｍ次元状態空間の１点を与える。
Ｎを変化させると、状態空間内に１つの軌道が作られ
る。タケンスの理論は、ｍを十分大きくとればこうして
作られた状態空間内にアトラクタが現れているならば、
それは、元の力学系のアトラクタの構造を保存している
ことを証明したものである。
Ｎを変化させると、状態空間内に１つの軌道が作られ
る。タケンスの理論は、ｍを十分大きくとればこうして
作られた状態空間内にアトラクタが現れているならば、
それは、元の力学系のアトラクタの構造を保存している
ことを証明したものである。
【００２０】アトラクタを再構成する際のパラメ−タτ
（遅れ時間τ）は、主要な周期の数分の１がよいとされ
ている。またパラメ−タｍ（埋め込み次元ｍ）は、カオ
ス性を定量化するフラクタル次元Ｄが使われている。
（遅れ時間τ）は、主要な周期の数分の１がよいとされ
ている。またパラメ−タｍ（埋め込み次元ｍ）は、カオ
ス性を定量化するフラクタル次元Ｄが使われている。
【００２１】実デ−タのフラクタル次元Ｄの算出方法と
しては、相関次元が最も多く利用されている。相関次元
は相関積分Ｃm(r)を求め、半径ｒに対しＣm(r)を両対数
プロットしたグラフの局所的傾き（相関係数）が、ｍを
上げていった時飽和する値を正しい相関次元として求め
る。数学的にはｍ＞２Ｄならばアトラクタの位相的性質
が保存されることが保証されている。
しては、相関次元が最も多く利用されている。相関次元
は相関積分Ｃm(r)を求め、半径ｒに対しＣm(r)を両対数
プロットしたグラフの局所的傾き（相関係数）が、ｍを
上げていった時飽和する値を正しい相関次元として求め
る。数学的にはｍ＞２Ｄならばアトラクタの位相的性質
が保存されることが保証されている。
【００２２】アトラクタを再構成する際、遅れ時間τの
選び方は、対象となる時系列の特性による。図３は、サ
ンプリング周期が１時間のパケット網の時系列デ−タか
ら遅れ時間を１として、２次元上にアトラクタを再構成
して示す特性図であり、また図４は、遅れ時間を６とし
て、２次元上にアトラクタを再構成して示す特性図であ
る。
選び方は、対象となる時系列の特性による。図３は、サ
ンプリング周期が１時間のパケット網の時系列デ−タか
ら遅れ時間を１として、２次元上にアトラクタを再構成
して示す特性図であり、また図４は、遅れ時間を６とし
て、２次元上にアトラクタを再構成して示す特性図であ
る。
【００２３】図３では、遅れ時間が小さいために相関性
が強く、アトラクタは傾きが１の方向に潰れてしまう。
一方、図４では、１２時から１３時のトラヒックが少な
いことが正方形の右側をへこませたような軌跡として表
われ、軌道の力学構造が表われている。これは、遅れ時
間６が、サンプリング周期が１時間の場合の、トラヒッ
クの主要な周期である２４時間の１／４の値になってい
るためである。
が強く、アトラクタは傾きが１の方向に潰れてしまう。
一方、図４では、１２時から１３時のトラヒックが少な
いことが正方形の右側をへこませたような軌跡として表
われ、軌道の力学構造が表われている。これは、遅れ時
間６が、サンプリング周期が１時間の場合の、トラヒッ
クの主要な周期である２４時間の１／４の値になってい
るためである。
【００２４】このようにして求められたアトラクタ、お
よび埋め込み次元ｍ、遅れ時間τから、非線形予測計算
手段５により非線形予測を行う。
よび埋め込み次元ｍ、遅れ時間τから、非線形予測計算
手段５により非線形予測を行う。
【００２５】図５は、上記の様にして再構成されたはア
トラクタを用いた予測手法の図解を示す説明図である。
新しい測定点ｘtが与えられた時、既知のデ−タによる
再構成軌道上でｘtのｍ×２個の近傍点ＸTiに対する重
心座標(アンタ゛ーハ゛ーＸTi)と、ＸTiの各々ｓステップ先の点
ＸTi+sに対する重心座標(アンタ゛ーハ゛ーＸTi+s)を求める。ｘ
tとＸTiとの位置関係は数時間先においても変化しない
と仮定し、変位ベクトルｘt−(アンタ゛ーハ゛ーＸTi)を平行移
動させると次の予測式が得られる。
トラクタを用いた予測手法の図解を示す説明図である。
新しい測定点ｘtが与えられた時、既知のデ−タによる
再構成軌道上でｘtのｍ×２個の近傍点ＸTiに対する重
心座標(アンタ゛ーハ゛ーＸTi)と、ＸTiの各々ｓステップ先の点
ＸTi+sに対する重心座標(アンタ゛ーハ゛ーＸTi+s)を求める。ｘ
tとＸTiとの位置関係は数時間先においても変化しない
と仮定し、変位ベクトルｘt−(アンタ゛ーハ゛ーＸTi)を平行移
動させると次の予測式が得られる。
【００２６】
【数２】
【００２７】この予測式によって予測を行うものであ
る。このようにして、あるパケット網の中継回線統計の
パケット数の時系列データ（サンプリング周期は１時
間、データ数１４８８点）を用いて、予測および評価を
行った結果を以下に示す。入力データを上記データ中の
１１００点とし、その先の３００点について１〜１０ス
テップ先のパケット数の予測を行った。予測精度の評価
は以下の式により、予測値ｘｐ(i)と実際の値ｘａ(i)
（ｉ＝１〜３００）の相関係数を用いた。
る。このようにして、あるパケット網の中継回線統計の
パケット数の時系列データ（サンプリング周期は１時
間、データ数１４８８点）を用いて、予測および評価を
行った結果を以下に示す。入力データを上記データ中の
１１００点とし、その先の３００点について１〜１０ス
テップ先のパケット数の予測を行った。予測精度の評価
は以下の式により、予測値ｘｐ(i)と実際の値ｘａ(i)
（ｉ＝１〜３００）の相関係数を用いた。
【００２８】
【数３】
【００２９】図６は、このようにして予測を行ったとき
の予測精度を示す特性図で、遅れ時間は６であり、埋め
込み次元ｍを２〜１０として描いたアトラクタを用いた
ときの、予測ステップ（予測時間）に対する相関係数を
示している。図中にプロットされた数字が埋め込み次元
ｍを示す。
の予測精度を示す特性図で、遅れ時間は６であり、埋め
込み次元ｍを２〜１０として描いたアトラクタを用いた
ときの、予測ステップ（予測時間）に対する相関係数を
示している。図中にプロットされた数字が埋め込み次元
ｍを示す。
【００３０】図６において埋め込み次元ｍが８のときが
最も精度がよく、１時間先では９４％、６時間先では９
０％、１０時間先では８３％と高い精度を示している。
なお、フラクタル次元計算手段４により、埋め込み次元
ｍが適切に求められた場合は、その埋め込み次元ｍを用
いて非線形予測計算手段５における計算を行えばよい。
最も精度がよく、１時間先では９４％、６時間先では９
０％、１０時間先では８３％と高い精度を示している。
なお、フラクタル次元計算手段４により、埋め込み次元
ｍが適切に求められた場合は、その埋め込み次元ｍを用
いて非線形予測計算手段５における計算を行えばよい。
【００３１】比較のために線形予測法で実験を行った結
果が図７である。予測手法としては、自己回帰モデルを
用いた。２４次の時に１時間先では９１％、６時間先で
は７６％、１０時間先では７２％と非線形予測手法を用
いた場合よりも、かなり予測精度が低い。
果が図７である。予測手法としては、自己回帰モデルを
用いた。２４次の時に１時間先では９１％、６時間先で
は７６％、１０時間先では７２％と非線形予測手法を用
いた場合よりも、かなり予測精度が低い。
【００３２】以上より、非線形予測法を用いてトラヒッ
クの予測を行うことが有効であることが示された。大域
的な線形手法である自己回帰モデルでは予測式を固定し
ているのに対し、上記実施例のような再構成軌道を用い
た局所線形手法では、軌道上の位相毎に予測式を求めて
いるので、非線形の要素を持つトラヒックの予測では高
い精度を示す。
クの予測を行うことが有効であることが示された。大域
的な線形手法である自己回帰モデルでは予測式を固定し
ているのに対し、上記実施例のような再構成軌道を用い
た局所線形手法では、軌道上の位相毎に予測式を求めて
いるので、非線形の要素を持つトラヒックの予測では高
い精度を示す。
【００３３】
【発明の効果】以上のようにこの発明によれば、既知の
通信網トラヒック時系列の入力を行う通信網トラヒック
時系列入力手段と、この通信網トラヒック時系列入力手
段に入力された時系列から、指定された遅れ時間と次元
のアトラクタを構成するアトラクタ再構成手段と、この
アトラクタ再構成手段により構成されたアトラクタから
非線形予測計算を行う非線形予測計算手段と、この非線
形予測計算手段の計算結果から通信網トラヒック時系列
の予測計算を行う通信網トラヒック時系列予測手段とを
備えたので、トラヒックにカオス性があることを利用し
て非線形予測計算を行い通信網トラヒック時系列の予測
計算を行うことができ、精度の高い通信網トラヒック時
系列予測が行える。
通信網トラヒック時系列の入力を行う通信網トラヒック
時系列入力手段と、この通信網トラヒック時系列入力手
段に入力された時系列から、指定された遅れ時間と次元
のアトラクタを構成するアトラクタ再構成手段と、この
アトラクタ再構成手段により構成されたアトラクタから
非線形予測計算を行う非線形予測計算手段と、この非線
形予測計算手段の計算結果から通信網トラヒック時系列
の予測計算を行う通信網トラヒック時系列予測手段とを
備えたので、トラヒックにカオス性があることを利用し
て非線形予測計算を行い通信網トラヒック時系列の予測
計算を行うことができ、精度の高い通信網トラヒック時
系列予測が行える。
【図１】この発明の通信網トラヒック予測装置の一実施
例を示す全体構成図である。
例を示す全体構成図である。
【図２】ｍ次元状態空間のデ−タからアトラクタを再構
成する方法を説明する説明図である。
成する方法を説明する説明図である。
【図３】あるパケット網の時系列デ−タから、遅れ時間
を１として２次元上にアトラクタを再構成した特性図で
ある。
を１として２次元上にアトラクタを再構成した特性図で
ある。
【図４】あるパケット網の時系列デ−タから、遅れ時間
を６として２次元上にアトラクタを再構成した特性図で
ある。
を６として２次元上にアトラクタを再構成した特性図で
ある。
【図５】予測手法の図解を示す説明図である。
【図６】この発明の通信網トラヒック予測装置による予
測結果に基づく予測時間と予測精度との関係を示す特性
図である。
測結果に基づく予測時間と予測精度との関係を示す特性
図である。
【図７】従来の自己回帰モデルを用いて予測を行った結
果に基づくの予測時間と予測精度の関係を示す特性図で
ある。
果に基づくの予測時間と予測精度の関係を示す特性図で
ある。
１ 通信網トラヒック時系列入力手段 ２ アトラクタ再構成手段 ３ 記憶手段 ４ フラクタル次元計算手段 ５ 非線形予測計算手段 ６ 予測装置 ７ 通信網トラヒック時系列予測手段
フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｌ 12/26
Claims (1)
- 【請求項１】 既知の通信網トラヒック時系列の入力を
行う通信網トラヒック時系列入力手段と、この通信網ト
ラヒック時系列入力手段に入力された時系列から、指定
された遅れ時間と次元のアトラクタを構成するアトラク
タ再構成手段と、このアトラクタ再構成手段により構成
されたアトラクタから非線形予測計算を行う非線形予測
計算手段と、この非線形予測計算手段の計算結果から通
信網トラヒック時系列の予測計算を行う通信網トラヒッ
ク時系列予測手段からなることを特徴とする通信網トラ
ヒック予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2698294A JPH07235985A (ja) | 1994-02-24 | 1994-02-24 | 通信網トラヒック予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2698294A JPH07235985A (ja) | 1994-02-24 | 1994-02-24 | 通信網トラヒック予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07235985A true JPH07235985A (ja) | 1995-09-05 |
Family
ID=12208373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2698294A Pending JPH07235985A (ja) | 1994-02-24 | 1994-02-24 | 通信網トラヒック予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07235985A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6353847B1 (en) | 1998-03-06 | 2002-03-05 | Fujitsu Limited | System optimization apparatus employing load prediction |
| JP2002141937A (ja) * | 2000-10-31 | 2002-05-17 | Nec Corp | 符号化／復号化選択方法及びその装置並びに制御プログラムを記録した記録媒体 |
| WO2004107682A1 (ja) * | 2003-05-29 | 2004-12-09 | Fujitsu Limited | ネットワーク制御プログラム、ネットワーク制御装置およびネットワーク制御方法 |
-
1994
- 1994-02-24 JP JP2698294A patent/JPH07235985A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6353847B1 (en) | 1998-03-06 | 2002-03-05 | Fujitsu Limited | System optimization apparatus employing load prediction |
| JP2002141937A (ja) * | 2000-10-31 | 2002-05-17 | Nec Corp | 符号化／復号化選択方法及びその装置並びに制御プログラムを記録した記録媒体 |
| WO2004107682A1 (ja) * | 2003-05-29 | 2004-12-09 | Fujitsu Limited | ネットワーク制御プログラム、ネットワーク制御装置およびネットワーク制御方法 |
| JPWO2004107682A1 (ja) * | 2003-05-29 | 2006-07-20 | 富士通株式会社 | ネットワーク制御プログラム、ネットワーク制御装置およびネットワーク制御方法 |
| US8059529B2 (en) | 2003-05-29 | 2011-11-15 | Fujitsu Limited | Method and apparatus for controlling network traffic, and computer product |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108628904B (zh) | 一种路径编码、相似路径检索方法及装置和电子设备 | |
| Hong et al. | Kernel smoothing for nested estimation with application to portfolio risk measurement | |
| Vrontos et al. | Full Bayesian inference for GARCH and EGARCH models | |
| Green et al. | Some effects of nonstationarity on multiserver Markovian queueing systems | |
| Yap et al. | An efficient method for the computation of Legendre moments | |
| US10402729B2 (en) | Path determination using robust optimization | |
| WO2019082009A1 (en) | REGRESSION FOR SET OF MEASUREMENT DATA | |
| CN109873712A (zh) | 一种网络流量预测方法及装置 | |
| CN106933649A (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及系统 | |
| Wan Ahmad et al. | Arima model and exponential smoothing method: A comparison | |
| CN108920498A (zh) | 数据查询方法、装置及设备 | |
| Tsekeris et al. | Real-time traffic volatility forecasting in urban arterial networks | |
| JP4694984B2 (ja) | 電力負荷予測方法、及び電力負荷予測処理プログラム | |
| JPH07235985A (ja) | 通信網トラヒック予測装置 | |
| CN111090688A (zh) | 一种时序数据的平滑处理方法和装置 | |
| CN110795519A (zh) | 基于Markov模型和概率统计的位置预测方法及可读存储介质 | |
| Sun et al. | Short-term traffic flow forecasting using sampling Markov Chain method with incomplete data | |
| Li et al. | A correlation-based computational model for synthesizing long-range dependent data | |
| CN106557842A (zh) | 预测k线的方法及装置 | |
| Tsekeris et al. | Real-time dynamic origin-destination matrix adjustment with simulated and actual link flows in urban networks | |
| Schuëller et al. | Benchmark study on non-linear stochastic structural dynamics | |
| CN106603336A (zh) | 一种云计算环境的机器状态预测方法及装置 | |
| Dudin et al. | A retrial BMAP/PH/N queueing system with Markov modulated retrials | |
| Casale | Building accurate workload models using markovian arrival processes | |
| Chiu | Optimal M/G/1 server location on a tree network with continuous link demands |