System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力通信网络,尤其涉及一种电力通信网络流量的预测方法、装置及电子设备。
技术介绍
1、电力通信网络结构复杂、设备繁多、技术庞杂,具有典型的非线性随机特征与多尺度动态特征,传统机理模型分析和优化控制方法已经难以满足电力通信网络规划设计、监测分析和运行优化的要求。
2、近年来,针对电力通信网络,提出了许多网络流量预测模型和方法,但这些预测模型和方法大多只针对网络流量时间序列本身进行特征提取和模型优化,根据这些预测模型和方法得到的网络流量预测结果不够准确。
技术实现思路
1、本专利技术提供一种电力通信网络流量的预测方法、装置及电子设备,用以解决现有技术中网络流量预测结果不够准确的缺陷,实现电力通信网络的流量预测准确率的提高。
2、本专利技术提供一种电力通信网络流量的预测方法,应用于电力通信网络的数字孪生空间,包括:
3、基于所述数字孪生空间的存储数据和训练好的网络流量预测模型,得到第一流量预测结果;
4、将所述第一流量预测结果下发至所述电力通信网络的物理空间,得到第二流量预测结果;
5、其中,所述数字孪生空间是根据所述物理空间的网络信息构建的;所述网络流量预测模型是基于带有真实流量标签的样本数据集,对基于图长短期记忆graphlstm神经网络训练得到的;所述graphlstm神经网络是基于图神经层和长短期记忆lstm网络构建的。
6、根据本专利技术提供的一种电力通信网络流量的预测方法,所述网络流量预测模
7、将时空序列通过graphlstm神经网络后,再输入至添加了自注意力机制的全连接层中,得到流量预测结果;
8、基于所述流量预测结果、所述真实流量标签、训练集、验证集、损失函数和adam优化器,对所述graphlstm神经网络进行训练;
9、其中,所述时空序列是基于所述样本数据集得到的,所述时空序列中的每一帧表示一个时间点的网络流量空间分布矩阵;所述训练集和验证集是通过滑动窗口算法对所述时空序列进行采样得到的。
10、根据本专利技术提供的一种电力通信网络流量的预测方法,所述graphlstm神经网络还包括变分自编码器vae模型;
11、所述将时空序列通过graphlstm神经网络后,再输入至添加了自注意力机制的全连接层中,得到流量预测结果,具体包括:
12、将所述时空序列依次通过所述图神经层和所述lstm网络,得到提取特征;
13、将所述提取特征输入所述vae模型进行编码得到潜在空间,并从所述潜在空间中采样并解码得到重构流量数据;
14、将所述重构流量数据输入至添加了自注意力机制的全连接层中,得到流量预测结果。
15、根据本专利技术提供的一种电力通信网络流量的预测方法,所述方法还包括:
16、获取并存储所述物理空间实时上传的物理网络数据。
17、根据本专利技术提供的一种电力通信网络流量的预测方法,所述方法还包括:
18、基于所述第一流量预测结果,生成所述电力通信网络的服务决策;
19、将所述服务决策下发到物理空间,对所述物理空间进行控制。
20、根据本专利技术提供的一种电力通信网络流量的预测方法,所述损失函数是根据所述流量预测结果和所述流量预测结果对应的真实流量标签的均方根误差确定的。
21、本专利技术还提供一种电力通信网络流量的预测装置,应用于电力通信网络的数字孪生空间,包括:
22、预测模块,用于基于所述数字孪生空间的存储数据和训练好的网络流量预测模型,得到第一流量预测结果;
23、下发模块,用于将所述第一流量预测结果下发至所述电力通信网络的物理空间,得到第二流量预测结果;
24、其中,所述数字孪生空间是根据所述物理空间的网络信息构建的;所述网络流量预测模型是基于带有真实流量标签的样本数据集,对基于图长短期记忆graphlstm神经网络训练得到的;所述graphlstm神经网络是基于图神经层和长短期记忆lstm网络构建的。
25、本专利技术还提供一种电子设备,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任一种所述电力通信网络流量的预测方法。
26、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述电力通信网络流量的预测方法。
27、本专利技术还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述电力通信网络流量的预测方法。
28、本专利技术提供的电力通信网络流量的预测方法、装置及电子设备,通过根据电力通信网络的物理空间的网络信息构建数字孪生空间,并根据带有真实流量标签的样本数据集,对基于图神经层和lstm网络构建的graphlstm神经网络训练得到网络流量预测模型,再根据数字孪生空间的存储数据和训练好的网络流量预测模型,得到流量预测结果,可以同时提取存储数据的空间特征和时间特征,从而得到的流量预测结果更加准确。
本文档来自技高网...【技术保护点】
1.一种电力通信网络流量的预测方法,其特征在于,应用于电力通信网络的数字孪生空间,包括:
2.根据权利要求1所述的电力通信网络流量的预测方法,其特征在于,所述网络流量预测模型的训练方式包括:
3.根据权利要求2所述的电力通信网络流量的预测方法,其特征在于,所述GraphLSTM神经网络还包括变分自编码器VAE模型;
4.根据权利要求1所述的电力通信网络流量的预测方法,其特征在于,所述方法还包括:
5.根据权利要求1所述的电力通信网络流量的预测方法,其特征在于,所述方法还包括:
6.根据权利要求2所述的电力通信网络流量的预测方法,其特征在于,所述损失函数是根据所述流量预测结果和所述流量预测结果对应的真实流量标签的均方根误差确定的。
7.一种电力通信网络流量的预测装置,其特征在于,应用于电力通信网络的数字孪生空间,包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述电力通信网络流量的预测方法
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电力通信网络流量的预测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电力通信网络流量的预测方法。
...【技术特征摘要】
1.一种电力通信网络流量的预测方法,其特征在于,应用于电力通信网络的数字孪生空间,包括:
2.根据权利要求1所述的电力通信网络流量的预测方法,其特征在于,所述网络流量预测模型的训练方式包括:
3.根据权利要求2所述的电力通信网络流量的预测方法,其特征在于,所述graphlstm神经网络还包括变分自编码器vae模型;
4.根据权利要求1所述的电力通信网络流量的预测方法,其特征在于,所述方法还包括:
5.根据权利要求1所述的电力通信网络流量的预测方法,其特征在于,所述方法还包括:
6.根据权利要求2所述的电力通信网络流量的预测方法,其特征在于,所述损失函数是根据所述流量预测结果和所述流量预测结果对...
【专利技术属性】
技术研发人员:李永杰,陆继钊,侯焕鹏,李功明,赵景隆,刘亚南,党丽薇,郑升,魏向欣,吴阳阳,
申请(专利权)人:国网河南省电力公司信息通信分公司,
类型:发明
国别省市:
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。