[发明专利]基于LSTM网络的无线网络流量预测方法

说明书

本发明提出了一种基于LSTM网络的无线网络流量预测方法，用于解决现有技术中存在的预测精度低的技术问题。实现步骤为：构造LSTM复合网络；获取LSTM复合网络的训练集数据和测试集数据；初始化LSTM复合网络的参数；对LSTM复合网络进行训练；对训练好的LSTM复合网络进行优化；对未来数据进行流量预测。本发明充分利用了LSTM网络对流量数据的长期记忆性，可以根据当前状态自动调整历史信息对当前预测的贡献，提高了无线网络流量预测的精度，可用于车联网和金融等领域。

技术领域

本发明属于人工智能和通信网络技术领域，涉及一种无线网络流量预测方法，具体涉及一种基于LSTM网络的无线网络流量预测方法，可用于车联网和金融等领域。

背景技术

早期的网络数据传输量较小，应用比较单一。通常借鉴公共交换电话网络的模型，使用泊松模型来描述网络的流量，并取得了较好的效果。随着网络技术的发展，泊松过程已不能充分反映业务流量特性，研究人员逐渐引入了马尔科夫、自回归、卡尔曼滤波等模型来描述网络流量。一般这些早期模型为传统网络流量模型，优点是数学理论基础比较成熟，系统性能评价易于数学表达，缺点是所描述的业务序列具有短期相关性，而无法描述网络的长期的趋势性、波动性等信息。目前国内外的研究中使用较多的预测方法是自回归滑动平均模型。然而，该方法在参数和表达式确定上的困难，使得回归分析在某些情况下的应用受到限制，造成预测的准确度不是很高。

随着无线网络技术的不断发展和规模的日益壮大，对无线网络的安全性、可管理性等服务质量提出了更高的要求。实现网络QoS控制需要及时了解网络当前的运行状况，以便及时采取相应的措施，这就需要进行网络流量测量。根据检测到的历史数据，通过建立适当的流量模型，对将来的流量进行预测。由预测的结果，可以得到将来流量的大致趋势，可以避免网络故障的产生。随着深度学习的日渐成熟及其在各个领域的强大表现，近几年很多研究人员也把深度学习用于网络流量的预测。在深度学习中，对网络流量预测的精度有影响的因素主要有网络结构的复杂性和网络长期记忆性，对于流量数据这种时间序列，长期记忆性对于流量预测的精度有着重要的影响。基于深度学习的网络流量预测方法的思想主要是，使用一个多层感知的前馈神经网络模型，由多个编码器叠加而成，该模型使用多层神经网络对流量数据进行特征提取，最后一层利用提取的特征进行流量预测。该方法有效的提取出数据之间的特征，挖掘出数据之间的深层关系，更好的对数据进行表达，提高了流量预测的精度。但是其不足之处是因为模型的高复杂度影响了其训练效果，导致流量预测精度很低。随后研究人员提出了一些易于训练的网络模型，例如2016年，申请公布号为CN106789297A，名称为“基于神经网络的网络流量预测系统及其流量预测方法”的专利申请，公开了一种基于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。但是，该网络对流量数据的记忆性差，限制了流量预测精度的提升。

LSTM网络是一种门限RNN，LSTM网络的巧妙之处是通过增加输入门，遗忘门和输出门，设计连接间的权重系数，使得LSTM网络能够累积距离较远节点间的长期联系，实现对数据的长期记忆性。

发明内容

本发明的目的在于克服了上述现有技术存在的缺陷，提出一种基于LSTM网络的无线网络流量预测方法，用于解决现有技术中存在的流量预测精度较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)构造LSTM复合网络：

将LSTM网络的输出作为线性回归网络的输入，得到LSTM复合网络；

(2)获取LSTM复合网络的训练集数据和测试集数据：