基于混合时空深度学习模型的电力光通信链路流量预测方法技术

基于混合时空深度学习模型的电力光通信链路流量预测方法，涉及电力光通信网络技术领域，解决现有电力通信网预测方法难以适应网络结构动态的拓扑结构关系问题，本发明专利技术基于一种深度卷积神经网络和门控循环单元的动态DCNN‑GRU预测模型，该模型不仅捕捉时间序列信息，还综合分析网络拓扑结构，全面描绘了网络的时空特征。并将提出的DCNN‑GRU模型与独立的长短期记忆模型进行集成，结合前者的动态捕捉能力和后者的长期依赖处理能力对流量进行预测，提高了预测的准确性和鲁棒性。实验结果表明，相较于其他预测模型，本发明专利技术的模型在流量预测方面降低了误差，展现了更高的预测准确性。

【技术实现步骤摘要】

本专利技术涉及电力光通信网络，具体涉及一种基于混合时空深度学习模型的电力光通信链路流量预测方法。

技术介绍

1、随着电力通信网络的迅速发展和扩张，电力行业面临着越来越复杂的数据处理挑战。电力通信网络是电力系统的神经中枢，它不仅支撑着电力系统的日常运行，而且对保障电力系统的安全、稳定和高效运行至关重要。随着电力系统向智能化、数字化转型，电力通信网逐步向带宽化、智能化和业务ip(internet protocol)化的方向发展，这一变化伴随着电力业务类型和业务量的迅速增长，以及由突发性和不确定性业务引起的网络流量分布不均等问题，对保障电力业务的优质传输服务提出了更高的要求。

2、在这种背景下，准确且及时的链路流量预测变得尤为重要。链路流量预测对于优化网络资源配置、确保网络的高效运行和预防潜在的网络拥塞至关重要。传统的流量预测方法主要依赖于时间序列分析，如arima(自回归积分滑动平均模型，auto-regressivemovingaverage model)和季节性分解等技术。然而，这些方法往往忽略了电力通信网络中节点间复杂的空间关系，在对电力网络本文档来自技高网...

【技术保护点】

1.基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征是：该方法由以下步骤实现：

2.根据权利要求1所述的基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征在于：步骤一中，所述流量数据集包括链路流量数据、网络拓扑结构数据、历史流量数据、设备状态数据以及外部因素数据。

3.根据权利要求1所述的基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征在于：对步骤一所述的流量数据集进行处理后，构建邻接矩阵和时间特征矩阵；

4.根据权利要求1所述的基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征在于：步骤二中，构建时空图的具...

【技术特征摘要】

1.基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征是：该方法由以下步骤实现：

2.根据权利要求1所述的基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征在于：步骤一中，所述流量数据集包括链路流量数据、网络拓扑结构数据、历史流量数据、设备状态数据以及外部因素数据。

3.根据权利要求1所述的基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征在于：对步骤一所述的流量数据集进行处理后，构建邻接矩阵和时间特征矩阵；

4.根据权利要求1所述的基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征在于：步骤二中，构建时空图的具体过程为：

5.根据权利要求1所述的基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征在于：步骤三中，对所述邻接矩阵进行权重化后作为dcnn-gru预测模型中dcnn模块的输入，经过dcnn模块中多层图卷积层扩散提取空间特征；

6.根据权利要求5所述的基...

【专利技术属性】
技术研发人员：丛犁，邹爽，窦增，黄成斌，曲畅，赵亮，张艳，胡杨，苏丛哲，
申请(专利权)人：国网吉林省电力有限公司，
类型：发明
国别省市：