CN113316163B - 基于深度学习的长期网络流量预测方法 - Google Patents
基于深度学习的长期网络流量预测方法 Download PDFInfo
- Publication number
- CN113316163B CN113316163B CN202110676466.3A CN202110676466A CN113316163B CN 113316163 B CN113316163 B CN 113316163B CN 202110676466 A CN202110676466 A CN 202110676466A CN 113316163 B CN113316163 B CN 113316163B
- Authority
- CN
- China
- Prior art keywords
- flow
- training
- data
- attention
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007774 longterm Effects 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- KWIUHFFTVRNATP-UHFFFAOYSA-N glycine betaine Chemical group C[N+](C)(C)CC([O-])=O KWIUHFFTVRNATP-UHFFFAOYSA-N 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/52—Allocation or scheduling criteria for wireless resources based on load
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学习的长期网络流量预测方法,包括:首先获取区域网络流量序列,统计其在每个时刻内使用的流量值;然后对流量矩阵序列进行预处理,得到Transformer模型的输入数据;其次,建立Transformer模型,对于二维矩阵数据采用Transformer模型进行时间相关性和空间相关性的自适应提取;最后,采用自适应的训练机制进行模型训练。本发明提高了网络流量多步长期预测的准确性,以便于运营商对未来的网络资源提前进行规划,有利于无线资源的合理分配。
Description
技术领域
本发明属于无线通信技术领域,具体涉及了基于深度学习的长期网络流量预测方法。
背景技术
近年来,第五代移动通信技术(5th Generation,5G)得到了迅速的发展,代表着未来网络发展的主要方向,将驱动社会从人与人之间的宽带互联逐步扩展到万物互联,从而更加深刻地影响人类社会的生活和工作方式。移动网络的飞速发展,流量数据的倍增不断影响着网络性能和用户体验,并且对运营商合理配置基站资源,有效保障网络稳定性和用户体验等提出了新的挑战。为了满足巨大的流量需求,网络运营商和管理者必须花费更多的时间和资本来分配管理网络资源,以防止资源供应不足或供应过剩,资源配置不足可能会导致移动用户的不满,而资源过剩会导致频谱等昂贵网络资源的浪费,因此对网络流量预测的研究显得越发重要。得益于机器学习和深度学习技术的飞速发展,深度学习能够自动学习数据内部潜在特征的能力,对于流量数据难以预测的突发性、随机性和非线性天然适用,使得网络流量预测领域取得了突破性的进展。但现有的流量预测模型虽然在短期预测时取得了不错的效果,但是在长期预测时效果欠佳。由于流量序列的突发性,随机性等导致其时空相关性难以动态捕捉,并且误差积累的存在,使得长期预测准确性随着时间的增加急剧下降。
发明内容
发明目的:针对现有技术存在的问题,本发明提出基于深度学***衡,提高长期流量预测的准确性。
技术方案:为了达到上述目的,本发明的基于深度学习的长期网络流量预测方法,包括以下步骤:
步骤1:获取区域网络流量序列,统计区域在每个时刻内使用的流量值:
步骤1.1、将网络覆盖面积划分成n×m个1km×1km的网格区域,记左上角区域坐标为(0,0),右下角区域坐标为(n-1,m-1),n和m的取值由网络覆盖面积决定;对每个区域内的各用户网络流量值以时间间隔lT分钟进行采样,并对各时刻下各用户的采样进行求和,得到每个区域对应的区域流量序列:
步骤2:对流量矩阵序列F(x,y)进行处理,得到二维矩阵数据X,具体过程如下:
流量矩阵序列F(x,y)∈RH×W×T,其中H和W为空间维度,H和W等于2r+1,首先以P×P大小的窗口进行分割,得到N个数据块,记为αi,其中i=1,...,N;其中N=(H×W)/(P×P),每个数据块αi的维度为P×P×T;其次,将分割得到的数据块αi转换成向量βi即βi=vector(αi),其中vector(αi)表示按列排序,将αi展开成列矢量;然后将N个向量βi,i=1,...,N组成二维矩阵数据其中二维矩阵数据X的第i行为向量βi的转置;
步骤3:建立Transformer模型,利用Transformer模型对输入的二维矩阵数据X进行时间相关性和空间相关性的自适应提取,具体包括以下步骤:
步骤3.1、对二维矩阵数据X进行线性映射,并与可学习的位置编码向量相加,如下式所示:
其中,Xi为二维矩阵数据X的第i行,表示P×P的小区域内的历史流量信息;E是线性矩阵,通过随机初始化确定,并在训练过程中学习得到;Bpos为位置编码向量,用于表示各个数据块在整个空间区域的位置信息,在模型的训练过程中自动进行位置的学习;dmodel为线性映射维度;
整理得到流量特征Z0:
步骤3.2、采用Transformer编码器对流量特征Z0进行时空相关性的提取;Transformer编码器由L层相同的注意力模块组成,每层计算方式如下:
Zl′=MSA(LN(Zl-1))+Zl-1,l=1...L
Zl+1=MLP(LN(Zl′))+Zl,l=1...L
其中,MSA表示多头注意力机制模型,LN表示层标准化,MLP表示全连接前馈神经网络,Zl表示Transformer编码器第l层所提取的特征;
最终Transformer编码器输出提取到的流量序列特征S为:
S=LN(ZL)
步骤3.3、采用Transformer解码器对Transformer编码器提取到的流量序列特征S进行解码,得到最终的流量长期预测输出结果y={y1,y2,…,ylength},length表示长期预测的步长;预测时采用自回归的方式,即下一时刻的输入流量值依赖于上一时刻的输出流量值;
步骤4:Transformer模型训练:采用自适应的训练机制进行模型训练,模型训练时采用Adam优化器,具体训练过程如下:
步骤4.1、以步骤2得到的二维矩阵数据X作为训练数据,输入到Transformer模型,得到t时刻的预测流量值yt;
步骤4.3、根据绝对百分误差error的大小决定下一时刻的输入数据:如果误差值大于阈值θ,则采用真实训练数据yt′;如果误差值小于θ,则采用预测流量值yt;
步骤4.4、重复以上步骤4.1、步骤4.2、步骤4.3的训练过程,直到Transformer模型收敛。
进一步的,步骤1.2所述μ用下式计算:
所述σ用下式计算:
进一步的,步骤3.2所述注意力模块具体包括:
步骤3.2.1、注意力模块的第一层结构为MSA,包括以下过程:
然后,使用多个不同的线性映射将Q、K和V映射到不同的高维子空间中进行注意力Attention计算,如下式所示:
最后,多头注意力函数合并不同子空间中的注意力信息,获得多头注意力输出,最终使得MSA模型能够在多个特征空间中进行时空相关性的提取,具体如下:
MultiHead(Q,K,V)=Concat(head1,…,headj,…,headh)WO
步骤3.2.2、注意力模块的第二层结构为全连接前馈神经网络MLP,由两层线性映射以及ReLU激活函数组成,如下:
MLP(Z′l)=max(0,Z′lC1+b1)C2+b2
其中,C1和C2为网络权重,b1和b2为网络偏置,均通过训练得到。
进一步的,步骤3.3所述Transformer解码器是由多层注意力模块堆叠构成。
有益效果:与现有技术相比,本发明具有以下有益效果:
本发明基于深度学习技术,采用Transformer模型来提取网络流量序列的时间和空间相关性,并提出了一种自适应的训练机制,减轻了模型在训练和测试过程中数据不一致的问题,提高了网络流量多步长期预测的准确性,以便于运营商对未来的网络资源提前进行规划,做好准备,有利于无线资源的合理分配。
附图说明
图1是本发明流量矩阵的示意图;
图2是本发明所述方法的网络结构示意图;
图3是本发明的流量矩阵分割示意图。
具体实施例
为了详细说明本发明所公开的技术方案,下面结合说明书附图以及具体实施例做进一步的阐述。
本发明提供一种基于深度学***衡,提高长期流量预测的准确性。
步骤1:获取区域网络流量序列,统计区域在每个时刻内使用的流量值:
步骤1.1、将网络覆盖面积划分成n×m个1km×1km的网格区域,记左上角区域坐标为(0,0),右下角区域坐标为(n-1,m-1),n和m的取值由网络覆盖面积决定。对每个区域内的各用户网络流量值以时间间隔lT分钟(具体取值由各运营商根据预测需求确定)进行采样,并对各用户的采样求和得到每个区域对应的区域流量序列
步骤1.3、构建流量矩阵序列。任一坐标为(x,y)区域的流量值不仅与该区域过去时刻的流量值相关,还与附近r个区域的流量值也存在相关,即区域流量之间存在空间相关性,其中r的取值与模型复杂度和预测精度有关,可根据预测需求确定。为预测t+1时刻区域(x,y)的流量值选取不同时刻目标区域(x,y)的归一化流量与其周围共(2r+1)×(2r+1)个区域的归一化流量,组成流量矩阵序列其中任一时刻t的流量矩阵,如图1所示,表达式如下
步骤2:对流量矩阵序列F(x,y)进行处理,得到二维矩阵数据X,具体过程如下:
对于步骤1得到的流量矩阵序列F(x,y)∈RH×W×T,其中H和W为空间维度(H和W等于2r+1),T为时间维度(即流量序列的长度),以P×P大小的窗口进行分割(P的取值可根据仿真确定),得到N个数据块,记为αi,其中i=1,...,N,如图3所示,其中N=(H×W)/(P×P),每个数据块αi的维度为P×P×T。其次,将分割得到的数据块αi转换成向量βi,即βi=vector(αi),vector(αi)表示按列排序,将αi展开成列矢量,然后将N个向量βi(i=1,...,N)组成二维矩阵数据其中矩阵的第i行为向量βi的转置。二维矩阵数据X符合常用于自然语言处理领域的Transformer模型的输入要求,其中数据块个数N即类同于自然语言处理任务中的词序列长度,P2T则类同于每个词的词向量长度。本实施例中P取3。
步骤3:Transformer模型建立,如图2所示。对于二维矩阵数据X采用Transformer模型进行时间相关性和空间相关性的自适应提取。
由于Transformer模型完全依赖于自注意力(Self-Attention)机制对全局依赖关系进行建模,因此在长期网络流量预测中能够提高模型对历史流量序列的长期记忆能力,解决输入流量序列之间的长期依赖关系。
具体的运算过程见下面步骤。
步骤3.1、对输入的二维矩阵数据X进行线性映射,并与可学习的位置编码编码向量相加,如下式所示:
其中,Xi为输入二维矩阵数据X的第i行,表示P×P的小区域内的历史流量信息,E是线性矩阵,通过随机初始化确定,并在训练过程中学习得到,Bpos为位置编码向量,用于表示各个数据块在整个空间区域的位置信息,在模型的训练过程中自动进行位置的学习,dmodel为线性映射维度,可通过仿真择优确定;本实施例中dmodel取16。
整理得到输出流量特征:
步骤3.2、采用Transformer编码器对输入的流量特征Z0进行时空相关性的提取,其中Transformer编码器由L层相同的注意力模块组成,其中注意力模块结构包括第一层多头注意力机制模型和第二层全连接前馈神经网络,L的取值可根据模型的复杂度以及精度,由仿真确定,每层计算方式如下:
Zl ′=MSA(LN(Zl-1))+Zl-1,l=1...L
Zl+1=MLP(LN(Zl′))+Zl,l=1...L
其中MSA表示多头注意力机制模型,LN表示层标准化,MLP表示全连接前馈神经网络。本实施例中层数L取3。
最终Transformer编码器的输出流量序列特征S为
S=LN(ZL),
其中,Transformer编码器每层的注意力模块具体包括以下步骤:
步骤3.2.1、注意力模块的第一层结构为MSA,包括以下过程:
然后,使用多个不同的线性映射将Q,K和V映射到不同的高维子空间中进行注意力Attention计算,如下式所示:
最后,多头注意力函数合并不同子空间中的注意力信息,获得多头注意力机制输出,最终使得MSA模型能够在多个特征空间中进行时空相关性的提取,具体如下:
MultiHead(Q,K,V)=Concat(head1,…,headj,…,headh)WO
本实施例中,dk和dv取64,h取8。
步骤3.2.2、注意力模块的第二层结构为全连接前馈神经网络,它由两层线性映射以及ReLU激活函数组成,如下:
MLP(Z′l)=max(0,Z′lC1+b1)C2+b2
其中,C1和C2为网络权重,b1和b2为网络偏置,均通过训练得到。
步骤3.3、采用Transformer解码器对编码器提取到的流量序列特征S进行解码,得到最终的流量长期预测输出结果y={y1,y2,…,ylength},length表示长期预测的步长。其中解码器的结构与编码器一致,都是多层注意力模块的堆叠。预测时采用自回归的方式,即下一时刻的输入流量值依赖于上一时刻的输出流量值。
步骤4:Transformer模型训练。为了缓解预测时采用自回归方式带来的训练数据与测试数据不一致的问题,采用自适应的训练机制进行模型训练。
自适应训练机制通过一个阈值θ(θ的取值可由仿真确定)来决定模型的当前输入,当模型的预测值与真实值的绝对百分误差超过阈值θ时,采用真实训练数据作为输入,而小于阈值θ时,则采用模型预测流量值作为输入。因为,即使模型训练到后期逐渐收敛时,也仍然会存在预测准确度不高的时刻,因此直接根据预测准确度作为输入选取的衡量标准,自适应地进行输入选择。模型训练时采用Adam优化器,具体训练过程如下:
步骤4.1、以步骤2得到的二维矩阵数据X作为训练数据,输入到Transformer模型,得到t时刻的预测流量值yt;
步骤4.3、根据绝对百分误差error的大小决定下一时刻的输入数据。如果误差值大于θ,则采用真实训练数据y′t;如果误差值小于θ,则采用预测流量值yt;
步骤4.4、重复以上步骤4.1、步骤4.2、步骤4.3的训练过程,直到Transformer模型收敛。
本实施例中阈值θ取0.2。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方案为限,但凡本领域普通技术人员根据发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围。
Claims (4)
1.一种基于深度学习的长期网络流量预测方法,其特征在于,包括以下步骤:
步骤1:获取区域网络流量序列,统计区域在每个时刻内使用的流量值:
步骤1.1、将网络覆盖面积划分成n×m个1km×1km的网格区域,记左上角区域坐标为(0,0),右下角区域坐标为(n-1,m-1),n和m的取值由网络覆盖面积决定;对每个区域内的各用户网络流量值以时间间隔lT分钟进行采样,并对各时刻下各用户的采样进行求和,得到每个区域对应的区域流量序列:
步骤2:对流量矩阵序列F(x,y)进行处理,得到二维矩阵数据X,具体过程如下:
流量矩阵序列F(x,y)∈RH×W×T,其中H和W为空间维度,H和W等于2r+1,首先以P×P大小的窗口进行分割,得到N个数据块,记为αi,其中i=1,...,N;其中N=(H×W)/(P×P),每个数据块αi的维度为P×P×T;其次,将分割得到的数据块αi转换成向量βi即βi=vector(αi),其中vector(αi)表示按列排序,将αi展开成列矢量;然后将N个向量βi,i=1,...,N组成二维矩阵数据其中二维矩阵数据X的第i行为向量βi的转置;
步骤3:建立Transformer模型,利用Transformer模型对输入的二维矩阵数据X进行时间相关性和空间相关性的自适应提取,具体包括以下步骤:
步骤3.1、对二维矩阵数据X进行线性映射,并与可学习的位置编码向量相加,如下式所示:
其中,Xi为二维矩阵数据X的第i行,表示P×P的小区域内的历史流量信息;E是线性矩阵,通过随机初始化确定,并在训练过程中学习得到;Bpos为位置编码向量,用于表示各个数据块在整个空间区域的位置信息,在模型的训练过程中自动进行位置的学习;dmodel为线性映射维度;
整理得到流量特征Z0:
步骤3.2、采用Transformer编码器对流量特征Z0进行时空相关性的提取;Transformer编码器由L层相同的注意力模块组成,每层计算方式如下:
Z′l=MSA(LN(Zl-1))+Zl-1,l=1...L
Zl+1=MLP(LN(Z′l))+Zl,l=1...L
其中,MSA表示多头注意力机制模型,LN表示层标准化,MLP表示全连接前馈神经网络,Zl表示Transformer编码器第l层所提取的特征;
最终Transformer编码器输出提取到的流量序列特征S为:
S=LN(ZL)
步骤3.3、采用Transformer解码器对Transformer编码器提取到的流量序列特征S进行解码,得到最终的流量长期预测输出结果y={y1,y2,...,ylength},length表示长期预测的步长;预测时采用自回归的方式,即下一时刻的输入流量值依赖于上一时刻的输出流量值;
步骤4:Transformer模型训练:采用自适应的训练机制进行模型训练,模型训练时采用Adam优化器,具体训练过程如下:
步骤4.1、以步骤2得到的二维矩阵数据X作为训练数据,输入到Transformer模型,得到t时刻的预测流量值yt;
步骤4.3、根据绝对百分误差error的大小决定下一时刻的输入数据:如果误差值大于阈值θ,则采用真实训练数据y′t;如果误差值小于θ,则采用预测流量值yt;
步骤4.4、重复以上步骤4.1、步骤4.2、步骤4.3的训练过程,直到Transformer模型收敛。
3.根据权利要求1所述的基于深度学习的长期网络流量预测方法,其特征在于,步骤3.2所述注意力模块具体包括:
步骤3.2.1、注意力模块的第一层结构为MSA,包括以下过程:
然后,使用多个不同的线性映射将Q、K和V映射到不同的高维子空间中进行注意力Attention计算,如下式所示:
最后,多头注意力函数合并不同子空间中的注意力信息,获得多头注意力输出,最终使得MSA模型能够在多个特征空间中进行时空相关性的提取,具体如下:
MultiHead(Q,K,V)=Concat(head1,…,headj,…,headh)WO
步骤3.2.2、注意力模块的第二层结构为全连接前馈神经网络MLP,由两层线性映射以及ReLU激活函数组成,如下:
MLP(Z′l)=max(0,Z′lC1+b1)C2+b2
其中,C1和C2为网络权重,b1和b2为网络偏置,均通过训练得到。
4.根据权利要求1所述的基于深度学习的长期网络流量预测方法,其特征在于,步骤3.3所述Transformer解码器是由多层注意力模块堆叠构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676466.3A CN113316163B (zh) | 2021-06-18 | 2021-06-18 | 基于深度学习的长期网络流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676466.3A CN113316163B (zh) | 2021-06-18 | 2021-06-18 | 基于深度学习的长期网络流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113316163A CN113316163A (zh) | 2021-08-27 |
CN113316163B true CN113316163B (zh) | 2022-04-15 |
Family
ID=77379394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110676466.3A Active CN113316163B (zh) | 2021-06-18 | 2021-06-18 | 基于深度学习的长期网络流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113316163B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113726374B (zh) * | 2021-09-18 | 2022-07-12 | 北方工业大学 | 一种长短周期互补的多波束卫星带宽分配方法 |
CN113905391B (zh) * | 2021-09-27 | 2023-05-23 | 湖北工业大学 | 集成学习网络流量预测方法、***、设备、终端、介质 |
CN113923042B (zh) * | 2021-10-26 | 2023-09-15 | 南京邮电大学 | 一种恶意软件滥用DoH的检测识别***及方法 |
CN114221876B (zh) * | 2021-11-16 | 2024-03-12 | 山东师范大学 | 基于模糊控制与多特征融合的承载网流量预测方法及*** |
CN114285775A (zh) * | 2021-12-10 | 2022-04-05 | 电子科技大学中山学院 | 一种网络流量预测方法、装置、计算机设备和存储介质 |
CN114118630B (zh) * | 2022-01-24 | 2022-05-17 | 中汽数据(天津)有限公司 | 一种基于气象事件的需求量预测方法和*** |
CN114553718B (zh) * | 2022-02-20 | 2023-04-18 | 武汉大学 | 一种基于自注意力机制的网络流量矩阵预测方法 |
CN114791993B (zh) * | 2022-05-16 | 2022-11-11 | 江苏大学 | 一种动力电池组soh预测方法及*** |
CN115150840B (zh) * | 2022-05-18 | 2024-03-12 | 西安交通大学 | 一种基于深度学习的移动网络流量预测方法 |
CN116016219A (zh) * | 2022-12-20 | 2023-04-25 | 缀初网络技术(上海)有限公司 | 边缘云服务器流失预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
CN111651504A (zh) * | 2020-06-03 | 2020-09-11 | 湖南大学 | 基于深度学习的多元时间序列多层时空依赖建模方法 |
CN111935766A (zh) * | 2020-09-15 | 2020-11-13 | 之江实验室 | 一种基于全局空间依赖性的无线网络流量预测方法 |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
-
2021
- 2021-06-18 CN CN202110676466.3A patent/CN113316163B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
CN111651504A (zh) * | 2020-06-03 | 2020-09-11 | 湖南大学 | 基于深度学习的多元时间序列多层时空依赖建模方法 |
CN111935766A (zh) * | 2020-09-15 | 2020-11-13 | 之江实验室 | 一种基于全局空间依赖性的无线网络流量预测方法 |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
Non-Patent Citations (3)
Title |
---|
Pre-Trained Bidirectional Temporal Representation for Crowd Flows Prediction in Regular Region;WENYING DUAN等;《IEEE Access》;20191002;全文 * |
基于Transformer模型和Kalman滤波预测船舶航迹;徐瑞龙等;《计算机应用与软件》;20210531;全文 * |
基于全注意力机制的多步网络流量预测;郭佳等;《信号处理》;20190531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113316163A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113316163B (zh) | 基于深度学习的长期网络流量预测方法 | |
Hu et al. | Very short-term spatial and temporal wind power forecasting: A deep learning approach | |
CN112291808B (zh) | 基于深度学习的区域网络流量预测方法 | |
EP2688015A1 (en) | Method and system for adaptive forecast of energy resources | |
CN110363360A (zh) | 一种短期风电功率预测方法、装置及设备 | |
CN115080801B (zh) | 基于联邦学习和数据二进制表示的跨模态检索方法及*** | |
CN105024886B (zh) | 一种基于用户元数据的快速Web服务QoS预测方法 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN112464981B (zh) | 基于空间注意力机制的自适应知识蒸馏方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
Chen et al. | Deep-broad learning system for traffic flow prediction toward 5G cellular wireless network | |
CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
Peng et al. | Hmm-lstm for proactive traffic prediction in 6g wireless networks | |
CN115730716A (zh) | 基于改进Transformer模型通信基站中长期用电量预测方法 | |
Rosato et al. | A Combined Deep Learning Approach for Time Series Prediction in Energy Environments | |
CN108388673A (zh) | 一种用于经济管理分析数据的计算机*** | |
CN117713238B (zh) | 光伏发电和储能微电网结合的随机优化运行策略 | |
CN114154749B (zh) | 一种考虑实时行为电价分区多模态变形负荷预测方法 | |
CN112560946B (zh) | 一种线上线下关联推理的边缘服务器热点预测方法 | |
CN117833243B (zh) | 一种电力短期需求预测方法、***、设备及介质 | |
CN115913989B (zh) | 一种云管理平台的资源保护方法 | |
CN112231933B (zh) | 一种面向雷达电磁干扰效应分析的特征选择方法 | |
CN114912577A (zh) | 一种结合vmd和注意力机制的风电场短期风速预测方法 | |
Song et al. | ARM: an accelerator for resource allocation in mobile edge computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |