本發(fā)明屬于網(wǎng)絡(luò)流量預(yù)測(cè)領(lǐng)域，具體涉及一種基于時(shí)空特征融合的tsn流量預(yù)測(cè)方法與系統(tǒng)。

背景技術(shù)：

1、隨著網(wǎng)絡(luò)流量的增長(zhǎng)和對(duì)實(shí)時(shí)性能需求的提高，傳統(tǒng)網(wǎng)絡(luò)難以滿足現(xiàn)代時(shí)間敏感數(shù)據(jù)傳輸?shù)膰?yán)格要求。為解決這一挑戰(zhàn)，時(shí)間敏感網(wǎng)絡(luò)(tsn,time-sensitive?networking)被引入工業(yè)網(wǎng)絡(luò)，通過(guò)ieee?802.1as、ieee?802.1qbv等標(biāo)準(zhǔn)，提供有界延遲，滿足工業(yè)網(wǎng)絡(luò)對(duì)高實(shí)時(shí)性和高可靠性的需求。

2、tsn控制器用于管理和分配流量，實(shí)時(shí)監(jiān)測(cè)關(guān)鍵參數(shù)，如網(wǎng)絡(luò)拓?fù)?、帶寬使用和交換機(jī)狀態(tài)。準(zhǔn)確預(yù)測(cè)節(jié)點(diǎn)的tsn流量可為網(wǎng)絡(luò)管理提供依據(jù)，有助于避免網(wǎng)絡(luò)擁塞并提高管理效率。通過(guò)流量預(yù)測(cè)，管理員可掌握交換機(jī)流量趨勢(shì)，使控制器更精準(zhǔn)地進(jìn)行流量配置和帶寬分配，從而保障網(wǎng)絡(luò)的高效穩(wěn)定運(yùn)行。

3、網(wǎng)絡(luò)流量預(yù)測(cè)方法通常分為兩類：傳統(tǒng)方法和深度學(xué)習(xí)方法。傳統(tǒng)方法(如統(tǒng)計(jì)學(xué)方法和機(jī)器學(xué)習(xí)方法)因依賴強(qiáng)假設(shè)且難以建模復(fù)雜依賴關(guān)系而受到限制。深度學(xué)習(xí)方法(如遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò))多采用單一時(shí)間特征和空間特征建模，忽視了不同時(shí)間維度下節(jié)點(diǎn)的時(shí)間特征。

4、如何學(xué)習(xí)不同粒度的時(shí)間特征并提升tsn流量預(yù)測(cè)性能，是本發(fā)明面臨的問(wèn)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(wèn)題，提供了一種基于時(shí)空特征融合的tsn流量預(yù)測(cè)方法，能夠提升tsn流量預(yù)測(cè)的準(zhǔn)確性，顯著增強(qiáng)網(wǎng)絡(luò)管理智能化水平，還能精準(zhǔn)預(yù)測(cè)流量趨勢(shì)使控制器能夠優(yōu)化流量配置與帶寬分配，避免潛在網(wǎng)絡(luò)擁塞，提升網(wǎng)絡(luò)效率與穩(wěn)定性。

2、為解決以上技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：.一種基于時(shí)空特征融合的tsn流量預(yù)測(cè)方法，基于若干tsn交換機(jī)組成環(huán)網(wǎng)，各tsn交換機(jī)連接各終端，包括以下步驟：

3、s1、以交換機(jī)為網(wǎng)絡(luò)節(jié)點(diǎn)構(gòu)建鄰接矩陣a，并采集預(yù)設(shè)時(shí)間段內(nèi)的網(wǎng)絡(luò)流量；

4、s2、以預(yù)設(shè)步長(zhǎng)s對(duì)所述網(wǎng)絡(luò)流量進(jìn)行預(yù)處理，得到數(shù)據(jù)集，對(duì)所述數(shù)據(jù)集進(jìn)行劃分，得到訓(xùn)練集x和測(cè)試集t；

5、s3、以鄰接矩陣a、以及訓(xùn)練集x的網(wǎng)絡(luò)流量為輸入，時(shí)空特征為輸出構(gòu)建時(shí)空融合模塊，

6、以訓(xùn)練集x的網(wǎng)絡(luò)流量為輸入、粗粒度時(shí)間特征為輸出，構(gòu)建粗粒度時(shí)間模塊，以訓(xùn)練集x的網(wǎng)絡(luò)流量為輸入、細(xì)粒度時(shí)間特征為輸出，構(gòu)建細(xì)粒度時(shí)間模塊，以訓(xùn)練集x的網(wǎng)絡(luò)流量、時(shí)空特征、粗粒度時(shí)間特征、細(xì)粒度時(shí)間特征為輸入，未來(lái)f步網(wǎng)絡(luò)流量為輸出，構(gòu)建預(yù)測(cè)模塊；

7、基于上述時(shí)空融合模塊、粗粒度時(shí)間模塊、細(xì)粒度時(shí)間模塊、以及預(yù)測(cè)模塊構(gòu)建時(shí)空特征融合的tsn流量預(yù)測(cè)網(wǎng)絡(luò)；

8、以訓(xùn)練集x的當(dāng)前網(wǎng)絡(luò)流量、以及鄰接矩陣a為輸入，未來(lái)f步網(wǎng)絡(luò)流量為輸出，訓(xùn)練時(shí)空特征融合的tsn流量預(yù)測(cè)網(wǎng)絡(luò)，獲得網(wǎng)絡(luò)流量預(yù)測(cè)模型m；

9、s4、將測(cè)試集t中當(dāng)前時(shí)刻網(wǎng)絡(luò)流量、以及鄰接矩陣a輸入至網(wǎng)絡(luò)流量預(yù)測(cè)模型m，得到預(yù)測(cè)的下一時(shí)刻網(wǎng)絡(luò)流量。

10、進(jìn)一步地，前述的步驟s2包括以下子步驟：

11、s2.1、采用魯棒標(biāo)準(zhǔn)化方法對(duì)網(wǎng)絡(luò)流量進(jìn)行處理，得到標(biāo)準(zhǔn)化數(shù)據(jù)集xt，標(biāo)準(zhǔn)化方法如下式：

12、

13、其中，xo表示節(jié)點(diǎn)的原始數(shù)據(jù)，xm表示節(jié)點(diǎn)的中位數(shù)，xiqr表示節(jié)點(diǎn)的四分位距，是第三四分位數(shù)與第一四分位數(shù)的差；

14、s2.2、將所述標(biāo)準(zhǔn)化數(shù)據(jù)集xt以預(yù)設(shè)步長(zhǎng)s為窗口進(jìn)行滑動(dòng)，其中歷史s步作為數(shù)據(jù)集的數(shù)據(jù)部分，第s+1步作為數(shù)據(jù)集的標(biāo)簽部分，得到數(shù)據(jù)集；

15、s2.3、對(duì)所述數(shù)據(jù)集以8：2的比例劃分為訓(xùn)練集x和測(cè)試集t。

16、進(jìn)一步地，前述的步驟s3中，構(gòu)建時(shí)空特征融合的tsn流量預(yù)測(cè)網(wǎng)絡(luò)時(shí)，以訓(xùn)練集x的網(wǎng)絡(luò)流量、時(shí)空特征xst、粗粒度時(shí)間特征xct、細(xì)粒度時(shí)間特征xft輸入，進(jìn)行加權(quán)融合，未來(lái)f步網(wǎng)絡(luò)流量為輸出，構(gòu)建預(yù)測(cè)模塊，加權(quán)融合公式如下：

17、xwf＝0.5·ffn(x)+0.5·xst+0.5·xct+0.7·xft

18、其中，fnn表示線性轉(zhuǎn)換。

19、進(jìn)一步地，前述的步驟s3中，時(shí)空融合模塊被配置執(zhí)行如下動(dòng)作：a-3.1采用如下公式實(shí)現(xiàn)節(jié)點(diǎn)i和節(jié)點(diǎn)j間相關(guān)系數(shù)的計(jì)算：

20、coeij＝mish(w2[w1xi||w1xj])

21、其中，w1和w2是權(quán)重矩陣，xi和xj是節(jié)點(diǎn)數(shù)據(jù)，||表示拼接操作。mish(·)是激活函數(shù)，mish(z)＝z·tanh(softplus(z)),其中z表示輸入數(shù)據(jù)，softplus(z)＝log(1+ez)；

22、a-3.2、利用所述鄰接矩陣a對(duì)所述相關(guān)系進(jìn)行調(diào)整，具體是：當(dāng)兩節(jié)點(diǎn)間無(wú)連接，所述相關(guān)系數(shù)賦值為負(fù)無(wú)窮大，否則，所述相關(guān)系數(shù)不變；

23、a-3.3、基于如下公式，實(shí)現(xiàn)網(wǎng)絡(luò)拓?fù)渲兴泄?jié)點(diǎn)相關(guān)系數(shù)的歸一化：

24、h＝mish(softmax(coe·w1x))

25、a-3.4、采用多頭注意力機(jī)制，合并多個(gè)維度上節(jié)點(diǎn)的相關(guān)系數(shù)，實(shí)現(xiàn)多維度特征的學(xué)習(xí)，得到時(shí)空特征xst。

26、進(jìn)一步地，前述的步驟s3中，基于空洞卷積構(gòu)建粗粒度時(shí)間模塊、細(xì)粒度時(shí)間模塊；

27、粗粒度時(shí)間模塊，先基于線性轉(zhuǎn)換實(shí)現(xiàn)特定維度映射，然后，基于膨脹因子為1，2，4的3層空洞卷積，實(shí)現(xiàn)更廣空間上的學(xué)習(xí)，然后通過(guò)線性轉(zhuǎn)換，進(jìn)行維度映射，得到粗粒度時(shí)間特征xct。

28、進(jìn)一步地，前述的步驟s3中，細(xì)粒度時(shí)間模塊，先基于線性轉(zhuǎn)換實(shí)現(xiàn)維度映射，然后，基于膨脹因子為1，2的2層空洞卷積，實(shí)現(xiàn)更細(xì)粒度的特征學(xué)習(xí)，最后，通過(guò)線性轉(zhuǎn)換，relu激活函數(shù)，得到細(xì)粒度時(shí)間特征xft。

29、進(jìn)一步地，前述的步驟s3訓(xùn)練時(shí)空特征融合的tsn流量預(yù)測(cè)網(wǎng)絡(luò)時(shí)，根據(jù)如下?lián)p失函數(shù)，采用梯度下降算法對(duì)所述模型的預(yù)測(cè)輸出與標(biāo)簽進(jìn)行反向傳播訓(xùn)練，得到最終預(yù)測(cè)模型m：

30、loss＝lossh+lossl

31、其中：

32、

33、公式中，y表示所述數(shù)據(jù)集的標(biāo)簽，表示所述模型的預(yù)測(cè)輸出，δ是超參數(shù)；

34、

35、公式中wstf是所述時(shí)空融合模塊的相關(guān)系數(shù)，wcft和wpm分別是所述粗細(xì)時(shí)間模塊和所述預(yù)測(cè)模塊的線性轉(zhuǎn)換權(quán)重系數(shù)，為權(quán)重系數(shù)l2范數(shù)的平方。

36、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)明中任一項(xiàng)所述方法的步驟。

37、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)明中任一項(xiàng)所述方法的步驟。

38、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：

39、1.考慮粗、細(xì)兩種粒度的時(shí)間特征，能學(xué)習(xí)不同維度的時(shí)間特征，進(jìn)一步提升預(yù)測(cè)模型的性能。

40、2.提出時(shí)空特征融合架構(gòu)，有效融合時(shí)空特征，顯著提高預(yù)測(cè)模型的整體性能。

41、3.在損失函數(shù)中引入l2正則化，防止模型訓(xùn)練過(guò)擬合，增強(qiáng)模型的泛化能力和預(yù)測(cè)性能。