一种基于深度学习的超长期网络流量预测方法技术

本发明专利技术公开了一种基于深度学习的超长期网络流量预测方法，将周期信息增强的带宽数据输入神经网络的编码器

【技术实现步骤摘要】
一种基于深度学习的超长期网络流量预测方法


[0001]本专利技术涉及网络流量预测
，尤其涉及一种基于深度学习的超长期网络流量预测方法。

技术介绍

[0002]对于互联网应用来说，其服务器带宽费用通常按照月进行计费。因此，预测未来一个月的网络流量对于成本管理具有重要意义。
[0003]在网络流量预测领域，根据预测范围，目前的流量预测方法主要分为两类：
[0004]1、短期流量预测，该类方法聚焦于预测下一个时隙的流量，主要用于蜂窝网的实时网络能力估计。
[0005]2、长期流量预测，该方法面向小时级时间范围的流量预测。
[0006]现有的长期流量预测方法(C.Zhang and P.Patras,“Long
‑
term mobile traffic forecasting using deep spatio
‑
temporal neural networks,”in Proceedings of the Nineteenth ACM International Symposium on Mobile Ad Hoc Networking and Computing,MobiHoc 2018,Los Angeles,CA,USA,June26
‑
29,2018,2018,pp.231
–
240.)至多能准确预测数十个时隙(对应数十个小时)的流量。服务器的带宽费用通常按照当月的带宽均值或峰值进行计费，产生了对互联网应用的网络流量进行超长期预测的需求，即预测未来一个月长达720时隙(720小时)甚至更长时间的流量。通过超长期流量预测，互联网应用根据本月的预算动态调整应用流量，从而控制带宽成本使其小于预算，同时充分利用预算。
[0007]以往的长期流量预测主要聚焦于预测相对长的时间(小时级)，使用统计模型(如Prophet)和循环神经网络等技术，然而，随着预测时长的增大，预测结果会逐渐失真，远无法满足对于流量数据的整月预测，难以准确预测超长期流量。分析原因，主要是由于流量具有包含日、周、月、年的多级周期性，难以使用短期的历史数据有效建模长期时序依赖关系。最新的基于Transformer的长期时序预测方法Informer(H.Zhou,S.Zhang,J.Peng,S.Zhang,J.Li,H.Xiong,and W.Zhang,“Informer:Beyond efficient transformer for long sequence time
‑
series forecasting,”in Thirty
‑
Fifth AAAI Conference on Artificial Intelligence,AAAI 2021,Virtual Event,February 2
‑
9,2021,2021,pp.11 106
–
11 115.)和Autoformer(H.Wu,J.Xu,J.Wang,and M.Long,“Autoformer:Decomposition transformers with Auto
‑
Correlation for long
‑
term series forecasting,”in 35th Conference on Neural Information Processing Systems(NeurIPS 2021),2021.)只采用了历史96个时隙作为输入，依然难以建模重要的年级别周期性。
[0008]因此，如何提高网络流量的超长期预测准确性是亟待解决的问题。

技术实现思路

[0009]本专利技术针互联网应用的超长期流量预测问题，提出一种基于深度学习的超长期网络流量预测方法，使用短期历史数据和上一年度历史数据充分建模流量中的多级周期性，达到准确预测超长期流量的目的。
[0010]为了实现上述目的，本专利技术提供如下技术方案：
[0011]本专利技术提供一种基于深度学习的超长期网络流量预测方法，包括如下步骤：
[0012]S1、构建周期信息增强的带宽数据；
[0013]S2、将周期信息增强的带宽数据输入神经网络的编码器
‑
解码器架构中，输出未来带宽的预测结果；
[0014]其中，编码器的输入为历史周期信息增强的带宽数据，输出为从历史周期信息增强的带宽数据中提取的周期性高维特征；解码器的输入为历史和未来时隙周期信息增强的带宽数据，并融合从历史周期信息增强的带宽数据中提取的周期性高维特征，输出为未来带宽的预测结果；
[0015]编码器中包含1)带宽序列嵌入模块，和2)M个依次连接的编码模块，其中每个编码模块包含：a)自相关子模块，b)第一个序列分解子模块，c)前馈子模块，和d)第二个序列分解子模块；
[0016]解码器中包含1)带宽序列嵌入模块，和2)N个依次连接的解码模块，其中每个解码模块包含：a)第一个自相关子模块，b)第一个序列分解子模块，c)第二个自相关子模块，d)第二个序列分解子模块，e)前馈子模块，和f)第三个序列分解子模块。
[0017]进一步地，步骤S1中，对于任意时隙τ∈[t
‑
H,
…
,t+T
‑
1]，按照如下步骤构建周期信息增强的带宽数据：
[0018]S11、将某时隙的带宽d
τ
和上一年中与该时隙相同位置的时隙的带宽d
τ
‑
Y
加入带宽数据；
[0019]S12、采用一个四维时间编码e
τ
增强所有级别的周期性信息，四维时间编码e
τ
包括时隙在当天的位置时隙日期在本周的位置时隙日期在本月的位置时隙日期在本年的位置得到时隙τ的周期信息增强的带宽数据
[0020]进一步地，步骤S2中，每个编码模块定义如下：
[0021][0022][0023]其中SeriesDecomp表示序列分解子模块，Auto
‑
Correlation表示自相关子模块，FeedForward表示全连接子模块，表明第L个编码器的输入，表明第L个编码器中经过自相关子模块和第一个序列分解子模块的周期性输出，表明第L个编码器中经过全连接子模块和第二个序列分解子模块的周期性输出。
[0024]进一步地，步骤S2中，每个解码模块定义如下：
[0025][0026][0027][0028][0029]其中SeriesDecomp表示序列分解子模块，Auto
‑
Correlation表示自相关子模块，FeedForward表示全连接子模块，W
l,1
,W
l,2
,W
l,3
为可学习参数；表明第L个解码器的输入，表明第L个解码器中经过第i个自相关子模块或全连接子模块和第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的超长期网络流量预测方法，其特征在于，包括如下步骤：S1、构建周期信息增强的带宽数据；S2、将周期信息增强的带宽数据输入神经网络的编码器
‑
解码器架构中，输出未来带宽的预测结果；其中，编码器的输入为历史周期信息增强的带宽数据，输出为从历史周期信息增强的带宽数据中提取的周期性高维特征；解码器的输入为历史和未来时隙周期信息增强的带宽数据，并融合从历史周期信息增强的带宽数据中提取的周期性高维特征，输出为未来带宽的预测结果；编码器中包含1)带宽序列嵌入模块，和2)M个依次连接的编码模块，其中每个编码模块包含：a)自相关子模块，b)第一个序列分解子模块，c)前馈子模块，和d)第二个序列分解子模块；解码器中包含1)带宽序列嵌入模块，和2)N个依次连接的解码模块，其中每个解码模块包含：a)第一个自相关子模块，b)第一个序列分解子模块，c)第二个自相关子模块，d)第二个序列分解子模块，e)前馈子模块，和f)第三个序列分解子模块。2.根据权利要求1所述的基于深度学习的超长期网络流量预测方法，其特征在于，步骤S1中，对于任意时隙τ∈[t
‑
H,
…
,t+T
‑
1]，t为当前时隙，H为输入给模型的历史带宽数据长度，T为模型预测的未来带宽数据长度，按照如下步骤构建周期信息增强的带宽数据：S11、将某时隙的带宽d
τ
和上一年中与该时隙相同位置的时隙的带宽d
τ
‑
Y
加入带宽数据；S12、采用一个四维时间编码e
τ
增强所有级别的周期性信息，四维时间编码e
τ
包括时隙在当天的位置时隙日期在本周的位置时隙日期在本月的位置时隙日期在本年的位置得到时隙τ的周期信息增强的带宽数据3.根据权利要求1所述的基于深度学习的超长期网络流量预测方法，其特征在于，步骤S2中，每个编码模块定义如下：S2中，每个编码模块定义如下：其中SeriesDecomp表示序列分解子模块，Auto
‑
Correlation表示自相关子模块，FeedForward表示全连接子模块，表明第L个编码器的输入，表明第L个编码器中经过自相关子模块和第一个序列分解子模块的周期性输出，表明第L个编码器中经过全连接子模块和第二个序列分解子模块的周期性输出。4.根据权利要求1所述的基于深度学习的超长期网络流量预测方法，其特征在于，步骤S2中，每个解码模块定义如下：S2中，每个解码模块定义如下：
其中SeriesDecomp表示序列分解子模块，Auto
‑
Co...

【专利技术属性】
技术研发人员：马华东，赵东，王义总，黄成豪，高腾，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：