本發(fā)明屬于網(wǎng)絡(luò)流量預(yù)測(cè)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法與系統(tǒng)。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)和在線網(wǎng)絡(luò)服務(wù)的廣泛發(fā)展，網(wǎng)絡(luò)流量正呈現(xiàn)出爆炸式的增長(zhǎng)趨勢(shì)，迫切需要更精確的網(wǎng)絡(luò)資源管理和規(guī)劃。在這種背景下，準(zhǔn)確的網(wǎng)絡(luò)流量預(yù)測(cè)起著至關(guān)重要的作用，一方面，有助于優(yōu)化網(wǎng)絡(luò)性能，減少擁塞，提高數(shù)據(jù)傳輸效率，提升用戶體驗(yàn)，另一方面，有助于有效預(yù)測(cè)網(wǎng)絡(luò)資源需求，提高資源利用率，避免不必要的資源浪費(fèi)。

2、現(xiàn)有的預(yù)測(cè)方法主要包括統(tǒng)計(jì)學(xué)方法和深度學(xué)習(xí)方法。統(tǒng)計(jì)方法通常是基于時(shí)間序列分析，使用統(tǒng)計(jì)學(xué)方法進(jìn)行流量預(yù)測(cè)，如arima(自回歸求和滑動(dòng)平均模型)。該方法通常假設(shè)數(shù)據(jù)的平穩(wěn)性和獨(dú)立性，限制了它們預(yù)測(cè)復(fù)雜非線性關(guān)系的能力。相反，深度學(xué)習(xí)方法可以更好地預(yù)測(cè)非線性和復(fù)雜的數(shù)據(jù)關(guān)系。例如，rnn(循環(huán)神經(jīng)網(wǎng)絡(luò))、lstm(長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)).然而，深度學(xué)習(xí)方法往往忽略了網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)之間復(fù)雜的關(guān)系和依賴關(guān)系。

3、針對(duì)上述問題，如何考慮網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)間的時(shí)間與空間依賴關(guān)系，提升網(wǎng)絡(luò)流量預(yù)測(cè)模型的性能，提升網(wǎng)絡(luò)流量預(yù)測(cè)模型的準(zhǔn)確度，是現(xiàn)階段面臨的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有技術(shù)存在的問題，提供了一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，考慮到網(wǎng)絡(luò)通信和數(shù)據(jù)傳輸中通常涉及節(jié)點(diǎn)之間的交互和信息交換，能夠解決網(wǎng)絡(luò)流量預(yù)測(cè)精度低的問題。

2、為解決以上技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，針對(duì)網(wǎng)絡(luò)通信中的流量數(shù)據(jù)執(zhí)行以下步驟：

3、s1、對(duì)流量數(shù)據(jù)x進(jìn)行歸一化處理得到歸一化的流量數(shù)據(jù)h，依據(jù)網(wǎng)絡(luò)拓?fù)錁?gòu)建鄰接矩陣a；

4、s2、以預(yù)設(shè)的步長(zhǎng)n對(duì)所述歸一化的流量數(shù)據(jù)h進(jìn)行劃分，得到網(wǎng)絡(luò)流量數(shù)據(jù)集，并劃分為訓(xùn)練集和測(cè)試集；

5、s3、構(gòu)建基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)網(wǎng)絡(luò)，包括空間處理模塊和時(shí)間處理模塊；以訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)，得到網(wǎng)絡(luò)流量預(yù)測(cè)模型m；在訓(xùn)練過程中，空間處理模塊基于每條流量數(shù)據(jù)的前n-1步流量數(shù)據(jù)和所述鄰接矩陣a提取空間特征，然后將空間特征作為時(shí)間處理模塊的輸入，時(shí)間處理模塊輸出的第n步流量數(shù)據(jù)作為網(wǎng)絡(luò)流量預(yù)測(cè)模型的輸出；

6、s4、將測(cè)試集的前n-1步流量數(shù)據(jù)輸入至網(wǎng)絡(luò)流量預(yù)測(cè)模型m中，獲得第n步的網(wǎng)絡(luò)流量。

7、進(jìn)一步地，前述的步驟s1包括以下子步驟：

8、s11.將網(wǎng)絡(luò)通信過程中產(chǎn)生的流量數(shù)據(jù)記為x＝{xi},xi表示網(wǎng)絡(luò)中節(jié)點(diǎn)i通過的網(wǎng)絡(luò)流量，計(jì)算節(jié)點(diǎn)i流量數(shù)據(jù)的中位數(shù)并記為xi,median，計(jì)算節(jié)點(diǎn)i流量數(shù)據(jù)的四分位距并記為xi,iqr；

9、s12.根據(jù)如下公式，對(duì)流量數(shù)據(jù)x＝{xi}進(jìn)行歸一化處理，得到歸一化的流量數(shù)據(jù)h＝{hi}；

10、

11、s13.依據(jù)網(wǎng)絡(luò)拓?fù)錁?gòu)建鄰接矩陣a，若網(wǎng)絡(luò)中兩節(jié)點(diǎn)間存在連接關(guān)系，則將a中兩節(jié)點(diǎn)對(duì)應(yīng)位置標(biāo)記為1，否則用0表示。

12、進(jìn)一步地，前述的步驟s3中，空間處理模塊被配置執(zhí)行如下動(dòng)作：

13、s31、采用下列所示公式，將訓(xùn)練集中的每條數(shù)據(jù)的前n-1步數(shù)據(jù)hi＝{hi,t-n+1,…,hi,t}映射到高維空間，得到節(jié)點(diǎn)j對(duì)節(jié)點(diǎn)i的重要程度系數(shù)eij；

14、eij＝tanh(softplus(at[whi||whj]))，

15、其中||和·t分別表示向量的拼接和轉(zhuǎn)置操作，w,a均為可訓(xùn)練參數(shù)，

16、

17、s32.根據(jù)所述鄰接矩陣a調(diào)整eij，具體為：若兩個(gè)節(jié)點(diǎn)間無連接關(guān)系，eij＝-∞，若兩個(gè)節(jié)點(diǎn)間存在連接關(guān)系，eij保持不變；

18、s33.對(duì)eij進(jìn)行歸一化，得到節(jié)點(diǎn)i的注意力系數(shù)αij，通過聚合，得到節(jié)點(diǎn)i的特征h′i；

19、s34.對(duì)所述特征h′i進(jìn)行降維處理，映射到原始維度，并加入所述前n-1步數(shù)據(jù)hi作為空間模塊學(xué)習(xí)到的空間特征si。

20、4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，步驟s33中，注意力系數(shù)αij計(jì)算如下式：

21、

22、其中ni表示節(jié)點(diǎn)i的所有鄰居節(jié)點(diǎn)。

23、進(jìn)一步地，前述的步驟s33中節(jié)點(diǎn)i的特征h′i計(jì)算如下式：

24、

25、其中w為可訓(xùn)練參數(shù)。

26、進(jìn)一步地，前述的步驟s34中，空間特征si按如下公式計(jì)算得到：

27、si＝wh′i+b+hi

28、其中，w為可訓(xùn)練參數(shù)，b為偏置。

29、進(jìn)一步地，前述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，時(shí)間處理模塊使用雙層lstm堆疊和一層線性層組成，將所述空間特征si作為時(shí)間處理模塊的輸入，得到第n步流量數(shù)據(jù)作為時(shí)間模塊學(xué)習(xí)到的時(shí)間特征，即網(wǎng)絡(luò)流量預(yù)測(cè)模型的輸出。

30、進(jìn)一步地，前述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，在訓(xùn)練網(wǎng)絡(luò)流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)時(shí)，根據(jù)如下?lián)p失函數(shù)loss公式，采用梯度下降算法對(duì)基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)網(wǎng)絡(luò)的輸出與所述測(cè)試集第n步數(shù)據(jù)y進(jìn)行反向傳播訓(xùn)練，得到網(wǎng)絡(luò)流量預(yù)測(cè)模型m。

31、

32、本發(fā)明另一方面提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)本發(fā)明方法中任一項(xiàng)所述方法的步驟。

33、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明方法中任一項(xiàng)所述方法的步驟。

34、相較于現(xiàn)有技術(shù)，本發(fā)明采用以上技術(shù)方案的有益技術(shù)效果如下：

35、1、本發(fā)明對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，可保證網(wǎng)絡(luò)流量預(yù)測(cè)模型的性能.

36、2、基于網(wǎng)絡(luò)通信中節(jié)點(diǎn)間的空間信息和時(shí)間信息，使用空間處理模塊和時(shí)間處理模塊進(jìn)行特征融合，提升網(wǎng)絡(luò)流量預(yù)測(cè)模型性能。

37、3、本發(fā)明基于數(shù)據(jù)傳輸中節(jié)點(diǎn)與鄰居節(jié)點(diǎn)間的信息交互，在空間處理模塊中進(jìn)行鄰居節(jié)點(diǎn)信息的聚合，提升網(wǎng)絡(luò)流量預(yù)測(cè)模型性能。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，針對(duì)網(wǎng)絡(luò)通信中的流量數(shù)據(jù)執(zhí)行以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，步驟s1包括以下子步驟：

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，步驟s3中，空間處理模塊被配置執(zhí)行如下動(dòng)作：

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，步驟s33中，注意力系數(shù)αij計(jì)算如下式：

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，步驟s33中節(jié)點(diǎn)i的特征h′i計(jì)算如下式：

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，步驟s34中，空間特征si按如下公式計(jì)算得到：

7.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，時(shí)間處理模塊使用雙層lstm堆疊和一層線性層組成，將所述空間特征si作為時(shí)間處理模塊的輸入，得到第n步流量數(shù)據(jù)作為時(shí)間模塊學(xué)習(xí)到的時(shí)間特征，即網(wǎng)絡(luò)流量預(yù)測(cè)模型的輸出。

8.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，在訓(xùn)練網(wǎng)絡(luò)流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)時(shí)，根據(jù)如下?lián)p失函數(shù)loss公式，采用梯度下降算法對(duì)基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)網(wǎng)絡(luò)的輸出與所述測(cè)試集第n步數(shù)據(jù)y進(jìn)行反向傳播訓(xùn)練，得到網(wǎng)絡(luò)流量預(yù)測(cè)模型m:

9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至8中任一項(xiàng)所述方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至8中任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明提供一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法與系統(tǒng)，屬于網(wǎng)絡(luò)流量預(yù)測(cè)領(lǐng)域，方法包括：首先對(duì)流量數(shù)據(jù)進(jìn)行歸一化處理得到歸一化的流量數(shù)據(jù)，依據(jù)網(wǎng)絡(luò)拓?fù)錁?gòu)建鄰接矩陣。然后以預(yù)設(shè)的步長(zhǎng)對(duì)所述歸一化的流量數(shù)據(jù)進(jìn)行劃分，得到網(wǎng)絡(luò)流量數(shù)據(jù)集，并劃分為訓(xùn)練集和測(cè)試集。接著構(gòu)建基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)網(wǎng)絡(luò)，包括空間處理模塊和時(shí)間處理模塊；以訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)，得到網(wǎng)絡(luò)流量預(yù)測(cè)模型。最后將測(cè)試集的流量數(shù)據(jù)輸入至網(wǎng)絡(luò)流量預(yù)測(cè)模型中，獲得預(yù)測(cè)的網(wǎng)絡(luò)流量。本發(fā)明一方面有助于優(yōu)化網(wǎng)絡(luò)性能，減少擁塞，提高數(shù)據(jù)傳輸效率，提升用戶體驗(yàn)，另一方面，有助于有效預(yù)測(cè)網(wǎng)絡(luò)資源需求，提高資源利用率，避免不必要的資源浪費(fèi)。

技術(shù)研發(fā)人員：賈焱鑫,徐龍,彭開來,熊偉
受保護(hù)的技術(shù)使用者：深圳市三旺通信股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15