【技术实现步骤摘要】
一种基于深度状态空间模型的网络流量预测方法
[0001]本专利技术涉及网络流量预测
，尤其是涉及一种基于深度状态空间模型的网络流量预测方法。
技术介绍
[0002]随着蜂窝移动通信技术的发展，各类移动设备和应用程序更加广泛的被大家使用。与此同时，互联网规模和复杂程度也在不断增加，给网络管理带来了严峻的挑战。如何做好网络规划和资源配置成为网络管理中面临的一个重要难题。利用人工智能算法构建网络流量预测模型，准确预估未来一段时间内网络流量的使用情况，可以有效提升用户服务质量，帮助管理人员应对网络拥堵问题，节约网络运营成本，实现网络资源的高效配置。
[0003]现有的蜂窝网络流量预测方法主要分为两类：统计学方法和机器学习方法。统计学方法的优点是结构简单，缺点是难以捕捉蜂窝网络流量的高时变动态，预测性能差。而机器学习方法可以划分为传统机器学习方法和深度学习方法。其中，传统机器学习方法的预测性能优于统计学方法，在蜂窝流量预测任务中应用广泛。但是该方法的缺点是难以实现面向百万级甚至百亿级流量数据的准确预测。深度学习方法主要是...
【技术保护点】
【技术特征摘要】
1.一种基于深度状态空间模型的网络流量预测方法，其特征在于，具体包括以下步骤：S1、获取网络流量数据，对网络流量数据中的数值型数据进行归一化处理，并将网络流量数据划分为训练数据和测试数据；S2、构建基于注意力机制的深度状态空间模型，所述深度状态空间模型包括卡尔曼滤波，所述卡尔曼滤波分别采用线性卡尔曼滤波和扩展卡尔曼滤波，提取网络流量数据的高时变动态；S3、训练数据输入到深度状态空间模型中，基于TensorFlow框架，采用端到端的方式进行迭代训练，判断深度状态空间模型是否收敛，若是则转至步骤S4；S4、将测试数据输入已训练好的深度状态空间模型，根据预设的评价指标对深度状态空间模型的性能进行评估。2.根据权利要求1所述的一种基于深度状态空间模型的网络流量预测方法，其特征在于，所述步骤S1中采用最大
‑
最小归一化方法对数值型数据进行归一化处理，并对元数据进行独热编码，所述元数据包括假期和星期数。3.根据权利要求1所述的一种基于深度状态空间模型的网络流量预测方法，其特征在于，所述基于注意力机制的深度状态空间模型的公式如下所示：其中，为网络流量的预测值，T为当前时刻，X
t
表示历史时刻的流量矩阵，表示t时刻维度为d
e
的外部特征向量，h表示预测区间，L表示用于流量预测的近期历史数据的长度，g0表示深度状态空间模型的公式化表达。4.根据权利要求3所述的一种基于深度状态空间模型的网络流量预测方法，其特征在于，所述深度状态空间模型还包括空间特征提取器、外部特征提取器和自回归模块。5.根据权利要求4所述的一种基于深度状态空间模型的网络流量预测方法，其特征在于，所述空间特征提取器是由卷积神经网络和注意力机制模块组成的，具体公式如下所示：O
cnn
＝g
cnn
(X1,X2,...,X
T
)其中，d
c
表示的维度，g
cnn
(
·
)表示“卷积+正则化+激活函数”的两次组合，具体采用层标准化和Relu激活函数。6.根据权利要求5所述的一种基于深度状态空间模型的网络流量预测方法，其特征在于，所述空间特征提取器的注意力机制模块的具体公式如下所示：Q＝O
cnn
×
W
Q
K＝O
cnn
×
W
K
V＝O
cnn
×
W
V
其中，Q为注意力权重矩阵，K为注意力键矩阵，V为注意力值矩阵，W
Q
、W
K
和W
V
为相应矩阵的权重，d表示矩阵的维度，所述注意力机制模块的输出值如下所示：其中，输出值的维度为d
a
。
7.根据权利要求6所述的一种基于深度状态空间模型的网络流量预测方法，其特征在于，所述基于注意力机制的卡尔曼滤波模块包括2个全连接层，所述全连接层计算观测值和观测向量，具体公式如下所示：所示：其中，z
t
为观测值...
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。