【技术实现步骤摘要】
本专利技术涉及电信通信领域，具体是一种基于vmd(变分模态分解)与改进lstm(长短期记忆神经网络)模型的网络流量预测方法。
技术介绍
1、在网络数据量较小且应用范围较为有限的早期阶段，学者们倾向于借鉴公共交换电话网的模型，用马尔科夫过程来描述这种网络结构，并使用自回归、自回归移动平均等模型进行序列预测，这些模型参数简单，适用于处理平稳时间序列。随着互联网的不断发展，网络流量特征也变得更为复杂和多样，如混沌特性、长相关性，非线性等，仅用线性模型难以精确拟合预测。一些传统的非线性模型如小波模型、支持向量机、灰色模型等虽然一定程度上能够对复杂非平稳的流量进行预测，但其精度仍需进一步改进。
2、众多研究表明深度学习在时间序列预测中颇具成效，尤其是基于循环神经网络的变体，如长短期记忆单元、门控循环单元等，已经成为典型的时间序列预测模型。这些模型在解决时间序列预测问题时展现出较高的准确性。rnn(循环神经网络)及其变体在时间序列预测中的成功，一方面取决于它们能够学习到时间序列中长时间尺度上的相关性，另一方面在于它们能够捕获比传统线性统...
【技术保护点】
1.一种基于VMD的改进LSTM模型的网络流量预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述一种基于VMD的改进LSTM模型的网络流量预测方法，其特征在于：步骤B所述改进LSTM网络流量预测模型的预测方法包括以下步骤：
3.根据权利要求2所述一种基于VMD的改进LSTM模型的网络流量预测方法，其特征在于：步骤B3所述GA模块负责记录迭代的LSTM模块结构参数，具体方法如下：
【技术特征摘要】
1.一种基于vmd的改进lstm模型的网络流量预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述一种基于vmd的改进lstm模型的网络流量预测方法，其特征在于：步骤b所述改进lstm网络...
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。