[发明专利]基于LSTM模型的网络流量资源态势预测方法

摘要

本发明属于网络流量资源态势预测技术领域，特别是一种基于LSTM模型的网络流量资源态势预测方法。本发明的目的在于提出适用于流量时空非线性特点的长短期记忆(Long Short‑Term Memory，LSTM)循环神经网络预测模型。该模型结合实际流量数据突发性较强和长程依赖的特点进行模型训练和定量预测。本发明的有益效果为，本发明通过LSTM模型实现对网络流量的预测功能，有效的提高了预测准确性，并且当数据样本差异性较大时，LSTM预测模型的优势更加显著。

主权项

1.基于LSTM模型的网络流量资源态势预测方法，其特征在于，包括以下步骤：S1、数据预处理：通过对固定频率下采样所得的通信网络ODij流数据进行处理，得到N个连续周期下的时间序列X(t)＝[x1,x2,...,xN]；其中ODij流的定义为主机i到主机j的端到端流量；S2、建立LSTM模型：确定神经网络中输入神经元个数R，输出神经元个数M以及隐层神经元数量，完成从输入空间UR到输出空间UM的映射，即根据前R个时刻流量值预测后M个时刻流量值，设定步长τ进行相空间分解与重构，建立训练样本输入X到输出Y的映射：其中y_i＝x_(m‑i)τ；其中，X中的每一行对应一个训练输入样本，长度为τ，经过LSTM模型正向传播映射得到输出样本标签值yi'，与真实流量值yi进行误差损失计算，反馈训练LSTM模型；S3、根据S1获取的数据，对S2建立的LSTM模型进训练，获得训练好的LSTM模型，具体为：S31、从S1中获得的数据中切割出训练数据n，并按S2中设定步长τ，将训练数据分为n/τ+1个样本集，进行空间重构，按列存储为输入矩阵X以及其对应矩阵Y；S32、对矩阵按列进行归一化处理，将数据转换到[0,1]范围内，建立标准化数据；所述归一化采用公式其中x_min和x_max分别为该组样本的最小值和最大值，x_i为样本组中对应每一个流量值，i取1,2,…τ；S33、设定随机初始权值对LSTM网络进行初始化，并输入样本集对网络进行训练，根据训练中最优均方误差PMSE所对应参数建立一个τ输入1输出的神经网络；S4、采用步骤S1的方法获得流量数据，利用步骤S3中训练好的LSTM模型，得出预测结果。