两种基于支持向量机的时间序列数据建模摘要：在统计网络传输数据建模上，平稳化的数据有利于预报建模。由于传输数据是非平稳时间序列，具有非线性、多尺度等特点，就如何削弱数据的随机性并构造计算模型进行仿真计算，本文实验建模了经验模式分解与小波分解组合支持向量机的两种计算模型。第一种建模方法是小波组合向量机建模，做法是先将数据流分解为长期趋势和随机扰动项，然后采纳支持向量机对分解后的各重量预测，最后将各预测值相加得到最终预测结果；第二种建模方法是经验模式分解组合向量机建模，先将流量分解成不同频带本征重量，常规的做法是用向量机逐一对各重量进行预测，然后对预测值等权求和得到预测结果作为验证结果；新提出的做法是直接把各模式重量作为输入向量，与真实值建立预测模型。结果表明基于经验模式分解建模构造的新实验模型，相比小波组合模型在传输数据预报上更稳定可靠。关键词：支持向量机；经验模式分解；小波分解；异常监测TwoSVMHybridModelsonTimeSeriesDataYUNYong-sheng1，MATian2，ZHANGLi-jun1，ZHANGFei-ma1，WANGXin-hui1（1.94175Troops，Urumqi830006，China；2.LawSchoolofXinjiangUniversityofFinanceandEconomics，Urumqi830012，China）异常数据流量检测通常是保障网络空间安全的重要技术手段之一，充当着数字空间“预警机”的角色，如何通过对网络流量统计模型进行有效“异常”检测，从而区分出非正常的、潜在的入侵行为是网络安全领域一个十分重要而迫切的问题[1]。通过对传输数据的分析和预测，为网络的流量控制、故障管理、特别是对网络入侵检测预报等提供有效依据。这样在网络异常发生之前，可以预先实行防范预案，来确保网络传输的正常进行。在网络传输数据预测统计模型方面，简单使用一种预测模型已远远不能准确地刻画复杂性高的传输变化规律[2，3]。组合预测模型方面[4，5]，以小波变换特征分解组合支持向量机模型应用效果好且应用较多[6，7]。缺点是小波变换在确定分解层数以及选择小波基有个难以选择的问题，同一个问题用不同的小波函数进行分析时，有时结果相差很大。目前大多通过经验或是不断实验来选择小波函数。支持向量机基于结构风险最小化理论预测能力较强[8-10]。具有结构简单，能较好地解决数据的小样本、非线性、高维数等问题，优化的 SVM 泛化推广能力强，更适合做长期预测[11]。而在时间序列数据的特征分解上，经验模式分解模型（EMD）将非平稳时间序列数据分解为不同频带的...
