[发明专利]基于CNN卷积神经网络学习的IDCIP地址分配方法

权利要求书

1.基于CNN卷积神经网络学习的IDCIP地址分配方法，其特征在于：

步骤S001数据准备步骤，获取与IDC机房使用相关的数据；

S002数据整理步骤，对/所述IDC机房使用相关的数据进行清洗并将清洗后的所述IDC机房使用相关的数据基于时间单元进行数据构建；

S003数据特征化步骤，将通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据；

S004目标确定步骤；

S005数据计算步骤，基于特征化后的数据建立IDC机房增量预测的模型；

S006训练验证步骤，对模型进行训练和验证以优化该自适应模型；

S007算法评估步骤，评估数据在不同算法下的预测结果，基于评估选择最优的算法；

S008算法模拟，将最优算法封装并提供友好的用户界面。

2.根据权利要求1所述的基于CNN卷积神经网络学习的IDCIP地址分配方法，其特征在于：在本步骤中，所述IDC机房使用的数据包括IDC机房的监控数据和环境数据，监控数据每70毫秒采集一次，所述IDC机房的监控数据包括在正常使用时与IDC机房相关的自身数据以及状态数据，一共超过200个数据变量。

3.根据权利要求2所述的基于CNN卷积神经网络学习的IDCIP地址分配方法，其特征在于：清理规则：

空余赋值：IDC机房数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值。

错值去除：通过设定IDC机房使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正；

交叉检验：通过设定IDC机房使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；

清洗数据之后，基于时间单元进行数据构建，即按照时间的顺序将搜集到的数据进行整合。时间单元可以基于毫秒、秒、分钟等，时间单元可以和收集的频率可以不一致；

完成数据构建之后，需要对基于时间单元进行构建的数据进行评估以及修正；所述评估包括筛选出错误数据，即数据本身存在错误的那些数据。

4.根据权利要求3所述的基于CNN卷积神经网络学习的IDCIP地址分配方法，其特征在于：训练神经网络：使用上一步骤构建的人流数据训练生成对抗网络，模型设置两个部分，分别为生成部和判别部，他们的输入分别是历史数据张量矩阵X1：n和真实人流张量矩阵Xn+1：n+k，G(X1：n)是生成部通过学习样本分布所产生的样本，判别部输入源于真实数据，那么它的输出值为真，如果来源于G(X1：n)，那么它的输出值为假，神经网络模型采用WGAN生成对抗网络，Xi代表真实数据，X^_i代表生成的虚假数据，给定N对真假数据张量，结合均方差损失，对抗网络的目标函数为：

利用Seq2Seq模型作为生成部，在生成对抗网络的训练中，训练判别部最大化对其数据来源的判别精度，同时通过训练生成部来最小化判别部的精度，通过使用RMSProp算法和反向传播算法分别对两者进行优化，最终当算法收敛时，得到最优解；

S3生成预测结果。

5.根据权利要求4所述的基于CNN卷积神经网络学习的IDCIP地址分配方法，其特征在于：在建立上述模型的基础上，进行训练和验证的工作来优化模型；所述训练验证步骤优选包括交叉验证和少数类采样；

首先把原始的数据随机分成K个部分。在这K个部分中，选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据，以此类推，重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。在本应用中，可以将获得电动汽车的数据随即分成K个部分，首先将其中K-1个部分的数据用于建立增量预测模型，然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。以此类推。

6.根据权利要求5所述的基于CNN卷积神经网络学习的IDCIP地址分配方法，其特征在于：在IDC机房增量预测中，使用预测值和S004中的校验值的差值，评估预测结果，比较在不同情况下采用不同的算法所得到的结果是否最优，从而选择最优的算法。