[发明专利]一种基于GRU模型的网络流量预测方法

说明书

本发明公开了一种基于GRU模型的网络流量预测方法，涉及信息通信技术领域；其为将网络流量数据序列输入到GRU神经网络模型中并完成预测网络流量；其通过将网络流量数据序列输入到GRU神经网络模型中并完成预测网络流量等，实现提高了网络流量预测的准确度和效果。

技术领域

本发明涉及信息通信技术领域，尤其涉及一种基于GRU模型的网络流量预测方法。

背景技术

电力数据通信网是综合性的广域网络传输平台，也是电力信息基础设施的重要组成部分。随着电力数据网的迅速发展，网络规模不断扩大，越来越需要有足够的、可靠的信息支撑来保障电力数据网安全可靠的运行。对电力数据网的网络流量进行预测能够为电力数据网的安全运行提供重要信息，特别是对于实现提前感知电力数据网的流量异常和运行状态异常，从而保障电力数据网的运行，因此具有重要的研究价值和应用前景。在通常情况下，网络流量数据受着多种复杂且随机的因素的影响，但本质上网络流量数据是非线性的时间序列数据。

现代互联网的特性使得网络流量预测在提高网络效率、可靠性以及适应性方面显得尤为重要。近年来，已有很多学者在网络流量预测方面做出研究，提出了许多网络流量预测方法。目前，用于网络流量预测的预测模型包括时间序列模型、神经网络模型等。但是由于网络流量数据序列受着多种不确定因素的影响，影响因素数据难以表达，因此网络流量序列具有的高度非线性和非平稳性的复杂特性，采用传统的时间序列模型、神经网络模型都很难进行处理，因此采用简单的预测模型对网络流量预测的准确度较低，从而影响对网络的合理规划和分配。

因此，如何提高对网络流量预测的准确度以提高网络的可靠性是本领域技术人员需要解决的问题。

为了解现有技术的发展状况，对已有的专利和文献进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：

专利方案1：201510793377.1基于流量趋势的网络流量预测方法

该发明针对采用集中式故障处理方式的无线传感器网络存在占用网络资源的问题，以及采用分布式故障处理方式的无线传感器网络存在消耗传感器资源和能量的问题，提出一种无线传感器网络故障的处理方法。包括以下步骤进行：提取当前时间周期之前的时间周期下的网络流量趋势；根据提取的网络流量趋势，预测未来时刻的网络流量趋势；计算提取的网络流量值和其网络流量趋势之间的误差，预测流量误差；根据预测的网络流量趋势和预测的流量误差，预测未来时刻的网络流量预测值。本发明大大减少了流量误差预测和流量估计所需要的训练样本数，节省了训练时间；并且提取的网络流量趋势不仅突出了流量在各时间周期下的周期特征，也保持了流量的局部结构特征。

专利方案2：201611249158.8基于神经网络的网络流量预测系统及其流量预测方法

该发明提出了一种基于BP神经网络的网络流量预测方法，其原理是首先对数据进行归一化处理，使得样本数据值在0～1之间，其次对BP神经网络参数进行初始化，然后对BP神经网络进行预训练并使用BP算法对BP神经网络进行优化，最后利用训练好的BP神经网络进行预测，得出预测结果。该方法不仅可以对数据进行特征提取，还使用BP算法对网络进行优化，解决了网络结构复杂难训练的问题，在一定程度上提高了流量预测的精度。本发明可对各种骨干网络进行监控检测和分析，实时监控、检测骨干网络中的网络异常事件，实现对网络异常情况的提前预警。

专利方案3：201810011664.6一种基于神经网络的流量预测方法