基于模糊控制与多特征融合的承载网流量预测方法及系统技术方案

本发明专利技术属于通信技术领域，提供了一种基于模糊控制与多特征融合的承载网流量预测方法及系统，包括：获取历史承载网网络流量序列数据；采用滑动窗口技术，将数据划分为多个子窗口，对每个子窗口的序列数据进行转换，得到多种类型的网络流量时间序列；采用格拉米差分角场序列成像技术，将多种类型的网络流量时间序列转换为二维图片，将多种类型的二维图片融合得到格拉米差分角场图片集；根据格拉米差分角场图片集和训练后的预测模型得到下一时刻的网络的承载量，通过叠加节假日的因素与考虑网络流量序列之间的相关性提高预测精度。络流量序列之间的相关性提高预测精度。络流量序列之间的相关性提高预测精度。

【技术实现步骤摘要】
基于模糊控制与多特征融合的承载网流量预测方法及系统


[0001]本专利技术属于通信
，尤其涉及基于模糊控制与多特征融合的承载网流量预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]运营商对用户推出不限量的流量套餐，做出这样举措的一个结果就会对现有网络造成一定的冲击，为了防止冲击造成的不良影响，网络运营商需要进行流量预测，从而指导承载网络的调整和扩容。众所周知，黄金周和春节等节假日的保障一直是运营商运维的重点工作，而且用户在节假日与非节假日所使用的流量的多少的是不同的，而且这种差异与地域、用户习惯以及消费水平等都有所联系。这就造成了网络流量数据之间的数据相关性程度并不密切，如何通过叠加节假日的因素与考虑网络流量序列之间的相关性，进而提高网络流量预测精度是本方法所研究的重要问题。

技术实现思路

[0004]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供基于格拉米角场的承载网流量预测方法及系统，为保证网络流量序列之间的相关性，采用格拉米角场成像技术将一维时间序列转换为二维图片，考虑到节假日等特定时期用户的流量使用情况，采用了增长熵和标准差分别去衡量在特定期间的用户流量使用情况的复杂性程度和用户流量使用的波动程度，将这两个衡量指标作为一种控制参考因素，添加到ConvLSTM网络中，进而构成了对流量的历史数据进行模糊控制，在考虑了这两种的参考因素下，进一步的提升了网络流量的预测精度。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术的第一个方面提供基于模糊控制与多特征融合的承载网流量预测方法，包括如下步骤：
[0007]获取历史承载网网络流量序列数据；
[0008]采用滑动窗口技术，将历史承载网网络流量序列数据进行划分为多个子窗口，对每个子窗口的序列数据进行转换，得到多种类型的网络流量时间序列；
[0009]采用格拉米差分角场序列成像技术，将多种类型的网络流量时间序列转换为二维图片，将多种类型的二维图片融合得到格拉米差分角场图片集；
[0010]根据格拉米差分角场图片集和训练后的预测模型得到下一时刻的网络的承载量，其中，在预测模型的单元向单元流动中添加模糊控制机制，根据模糊控制信息对预测模型进行子空间重构。
[0011]本专利技术的第二个方面提供基于模糊控制与多特征融合的承载网流量预测系统。
[0012]数据获取模块，被配置为：获取历史承载网网络流量序列数据；
[0013]数据预处理模块，被配置为：采用滑动窗口技术，将历史承载网网络流量序列数据进行划分为多个子窗口，对每个子窗口的序列数据进行转换，得到多种类型的网络流量时间序列；
[0014]采用格拉米差分角场序列成像技术，将多种类型的网络流量时间序列转换为二维图片，将多种类型的二维图片融合得到格拉米差分角场图片集；
[0015]网络流量预测模块，被配置为：根据格拉米差分角场图片集和训练后的预测模型得到下一时刻的网络的承载量，其中，在预测模型的单元向单元流动中添加模糊控制机制，根据模糊控制信息对预测模型进行子空间重构。
[0016]本专利技术的第三个方面提供一种计算机可读存储介质。
[0017]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于模糊控制与多特征融合的承载网流量预测方法中的步骤。
[0018]本专利技术的第四个方面提供一种计算机设备。
[0019]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于模糊控制与多特征融合的承载网流量预测方法中的步骤。
[0020]与现有技术相比，本专利技术的有益效果是：
[0021]考虑到节假日流量使用与非假期期间用户流量使用的不同，采用了两个衡量指标增长熵和标准差来对这种差异进行衡量，利用格拉米角场序列成像技术，将一维网络流量序列进行升维处理，处理之后的图片作为输入进入到预测模型的ConvLSTM
‑
F层，进而可以提取到原始序列的时间和空间方面的特征，实现对承载网智能流量的预测。
[0022]将这两个衡量指标作为控制参考因素，添加到原始的ConvLSTM网络中，进而构成了对流量的历史数据进行的模糊控制模块(ConvLSTM
‑
F)，在考虑了这两种的参考因素下，不仅可以提取到序列的时间方面的信息还能进一步提取空间的信息，进而在丰富输入信息的同时，提升了模型的预测精度。
[0023]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0024]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0025]图1是基于格拉米角场的承载网流量预测方法的整体流程图；
[0026]图2是采用滑动窗口技术采集序列数据图；
[0027]图3是增长熵序列生成过程；
[0028]图4是序列数据转换为图片的过程图。
具体实施方式
[0029]下面结合附图与实施例对本专利技术作进一步说明。
[0030]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常
理解的相同含义。
[0031]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0032]实施例一
[0033]本专利技术为了衡量在节假日和非节假日的流量使用的情况，使用了增长熵和标准差两种衡量数据的方法，分别衡量了这一阶段数据的复杂性程度和波动程度，采用的预测模型的主体是ConvLSTM
‑
F,模型的输入数据是二维图片，因此采用使用格拉米角场成像技术，将多特征的序列进行转换成图片，从图片的角度进行分析预测，图片的像素与像素之间具有空间性的联系，而图片和图片之间也存在存在一个长期的时序关系，为提取特征，一层ConvLSTM
‑
F用作特征提取，第二层ConvLSTM
‑
F用作数据预测。
[0034]如图1所示，本实施例提供了一种基于格拉米角场的承载网流量预测方法，包括如下步骤：
[0035]S1:获取历史承载网网络流量序列数据；
[0036]给定一个D维总长度为N的历史承载网网络流量序列X,{1,2,3,
…
,N}∈t，其中t为时间戳，表示在第t时刻D本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，包括如下步骤：获取历史承载网流量序列数据；采用滑动窗口技术，将历史承载网流量序列数据进行划分为多个子窗口，对每个子窗口的序列数据进行转换，得到多种类型的网络流量时间序列；采用格拉米差分角场序列成像技术，将多种类型的网络流量时间序列转换为二维图片，将多种类型的二维图片融合得到格拉米差分角场图片集；根据格拉米差分角场图片集和训练后的预测模型得到下一时刻的网络的承载量，其中，在预测模型的单元向单元流动中添加模糊控制机制，根据模糊控制信息对预测模型进行子空间重构。2.如权利要求1所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述网络流量时间序列的类别包括原始值序列、差值序列、增长熵序列以及标准差序列。3.如权利要求2所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述增长熵序列的获取过程包括：选取子窗口的序列，对子窗口序列进行增长重构，对子窗口序列进行一节差分，得到差分序列数据；确定子窗口序列长度和嵌入维度对差分序列数据进行重构，生成多个子序列；根据每个子序列求得其对应的模式向量，根据模式向量出现的频率计算窗口序列的增长熵。4.如权利要求1所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，将网络流量标准差序列的转换为二维图片的过程包括：根据缩放公式将差值序列中的每个元素缩放；将缩放后的差值数据编码为角余弦，并将序列中的每个元素的时间戳除以正则化常数因子的值作为半径，经过转换将直角坐标系下的差值数据转换为极坐标下的差值序列；根据在极坐标下的差值序列，结合差值序列中每个点的三角和或三角差的关系，采用角度透视定义来得到格拉米差分角场图片。5.如权利要求1所述的基于模糊控制与多特征融合的承载网流量预测方法，其特征在于，所述预测模型采用ConvLSTM神...

【专利技术属性】
技术研发人员：骆超，孔鑫，邵锐，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：