【技术实现步骤摘要】
一种基于VMD和LSTM的网络流量多步预测方法
本专利技术涉及网络流量预测
，具体涉及一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)的网络流量多步预测方法。
技术介绍
依据时间进行的测量存在于大部分科学领域中，由观测值组织而成的数据，称之为时间序列数据。挖掘时间序列数据的目的是通过找出样本内时间序列的统计特性和发展规律性，构建时间序列模型，进行样本外预测。时间序列数据是统一指标按时间顺序记录的数据列，在同一数据列中的各个数据必须是同口径的，要求具有可比性。时序数据可以是时期数，也可以是时点数。针对非线性预测方法中，人工神经网络(ANN)、自适应神经模糊推理系统(ANFIS)和支持向量回归(SVR)可用于时间序列预测研究。近年来，受深度学习的成功推动，具有深度架构的神经网络在图像、视频、音频和语言学习任务中都取得了成功。在时间序列预测领域，也发现了几种深度学习方法，并引起了人们极大的兴趣。深度信念网络(Deepbeliefnetworks,DBN)常被应用于短期交通预测中，利用非监督学习算法(Re-s...
【技术保护点】
1.一种基于VMD和LSTM的网络流量多步预测方法，其特征在于，包括：/n生成训练样本；其中，所述训练样本为不同类型的网络流量时间序列数据；/n利用VMD对所述训练样本进行处理，得到八个模态分量；/n利用LSTM对所述模态分量进行多步预测模型建模，并利用BN进行网络结构优化，得到八个模态分量的预测模型以及八个包含下几个时刻特征的新序列；/n对八个包含下几个时刻特征的新序列进行变分模态分解还原处理，得到一条包含下几个时刻的网络流量时间序列预测结果；/n判断所述网络流量时间序列多步预测结果是否满足准确度要求；/n若不满足要求，则获取新的训练样本，利用新的训练样本对LSTM预测模...
【技术特征摘要】
1.一种基于VMD和LSTM的网络流量多步预测方法，其特征在于，包括：
生成训练样本；其中，所述训练样本为不同类型的网络流量时间序列数据；
利用VMD对所述训练样本进行处理，得到八个模态分量；
利用LSTM对所述模态分量进行多步预测模型建模，并利用BN进行网络结构优化，得到八个模态分量的预测模型以及八个包含下几个时刻特征的新序列；
对八个包含下几个时刻特征的新序列进行变分模态分解还原处理，得到一条包含下几个时刻的网络流量时间序列预测结果；
判断所述网络流量时间序列多步预测结果是否满足准确度要求；
若不满足要求，则获取新的训练样本，利用新的训练样本对LSTM预测模型进行补充训练，对LSTM预测模型进行更新。
2.如权利要求1所述的网络流量多步预测方法，其特征在于，所述生成训练样本包括：
根据多种不同类型的网络流量时间序列输入数据生成训练样本，并对样本进行分类得到不同类型的网络流量时间序列数据。
3.如权利要求1所述的网络流量多步预测方法，其特征在于，所述利用VMD对所述训练样本进行处理，得到八个模态分量；包括：
利用VMD对所述训练样本进行固有模态分量的分解、信号的频域划分，得到八个模态分量。
4.如权利要求3所述的网络流量多步预测方法，其特征在于，利用VMD对所述训练样本进行固有模态分量的分解方法，包括：
初始化模态分量的带宽μk、中心频率ωk以及循环次数n；
当ω大于等于0时，不断循环更新每个模态分量的带宽μk和中心频率ωk，自适应分解成以中心频率ωk为中心扩散的模态分量：
式中，
μk为分解后的模态分量；
ωk为模态分量对应中心频率；
λ为拉格朗日乘子；
直到满足下述条件时，退出循环：
式中，
∈为常数；
VMD计算每个分量时，将信号分布到变分模型中进行分解，使用希尔伯特变换和高斯平滑，通过寻找约束变分模型的最优解实现复杂信号的分解；
求解每一个模态的希尔伯特变换，然后把每一个模态的频谱移动到基带上，最后使用解调信号的H高斯平滑，最小化模态带宽的总和；
引入二次惩罚因子α和拉格朗日乘法算子λ，将约束问题转化成非约束问题；
式中，
α为二次惩罚因子
λ为拉格朗日乘法算子。
5.如权利要求1所述的网络流量多步预测方法，其特征在于，在利用LSTM对所述模态分量进行多步预测模型建模之前，还包括：
对所述模态分量的网络流量时间序列进行样本min-max归一化，并进行数据集切分，得到符合LSTM网络输入的结构模式。
6.如权利要求5所述的网络流量多步预测方法，其特征在于，样本min-max归一化，包括：
式...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。