[发明专利]一种流量需求矩阵预测方法及其系统

权利要求书

1.一种流量需求矩阵预测方法，其特征在于，包括：

获取连续的历史流量矩阵构建预测数据集；

将所述预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵；

所述训练好的流量需求矩阵预测模型是通过以下步骤获取的：

将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；

基于历史流量矩阵样本以及与所述历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对所述流量需求矩阵预测模型进行训练，获取所述训练好的流量需求矩阵预测模型；其中，

所述流量相关性网络为卷积神经网络；

所述流量时序性网络为长短期记忆网络；

所述将所述预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，还包括：

将所述历史流量矩阵输入至所述卷积神经网络，获取与所述历史流量矩阵相对应的流量相关性矩阵；

将所述历史流量矩阵与所述流量相关性矩阵构接成一个预测向量；

将所述预测向量输入至所述长短期记忆网络，获取所述流量需求预测矩阵；

所述将所述预测向量输入至所述长短期记忆网络，获取所述流量需求预测矩阵，包括：

将所述预测向量输入至所述长短期记忆网络，并获取所述长短期记忆网络的最后一个LSTM层输出的中间矩阵；

对所述中间矩阵进行流内注意机制运算，输出所述流量需求预测矩阵；

其中，所述流内注意机制运算的计算公式为：

其中，σ指激活函数，H为所述中间矩阵，V₁和V₂为所述流内注意机制运算中可学习的权重，b_e为偏置参数，E_i，j为W个时刻中的任意两个时刻i和时刻j之间依赖关系强度矩阵，E’_i，j为利用softmax函数对所述E_i，j进行归一化处理，exp为指数函数，f为矩阵相乘函数，TM为所述中间矩阵所对应的流量需求预测矩阵。

2.根据权利要求1所述的流量需求矩阵预测方法，其特征在于，所述将所述预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，包括：

将所述预测数据集中的W个连续的历史流量矩阵输入至所述训练好的流量需求矩阵预测模型中，获取q个连续的流量需求预测矩阵。

3.根据权利要求1所述的流量需求矩阵预测方法，其特征在于，在所述将所述历史流量矩阵输入至所述卷积神经网络之前，包括：

根据所述历史流量矩阵的大小确定所述卷积神经网络中卷积层的层数。

4.根据权利要求1所述的流量需求矩阵预测方法，其特征在于，所述基于历史流量矩阵样本以及与所述历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对所述流量需求矩阵预测模型进行训练，获取所述训练好的流量需求矩阵预测模型，包括：

S41、将所述预测数据集中多个连续的历史流量矩阵依次排列构建成训练样本集；

S42、将所述训练样本集中的任一个所述历史流量矩阵输入至所述流量需求矩阵预测模型，获取由所述流量需求矩阵预测模型输出的预测矩阵；

S43、将所述预测矩阵与所述预测时刻真实流量矩阵作差，作为本次训练的预测误差；

S44、利用所述预测误差对所述流量需求矩阵预测模型中的所有参数进行梯度方向更新，并将所述任一个所述历史流量矩阵从所述预测数据集中剔除；

S 45、依次迭代执行步骤S42-步骤S44，直至所述预测误差趋于不变。