[发明专利]基于数据重建和混合预测的网络流量预测方法及装置

说明书

本发明公开了一种基于数据重建和混合预测的网络流量预测方法及装置，该方法包括：获取网络流量值数据；对网络流量值数据进行重建，得到重建的网络流量值数据；利用EMD算法对重建的网络流量值数据进行分解处理，得到若干网络流量值分量；利用若干网络流量值分量对GRU‑VTD神经网络进行训练，得到训练好的GRU‑VTD神经网络；利用训练好的GRU‑VTD神经网络进行预测，并根据得到的预测值和网络流量值数据计算预测误差，以对模型进行性能评估。本发明提供的基于数据重建和混合预测的网络流量预测方法，具有更高的预测精度和稳定性。

技术领域

本发明属于网络通信技术领域，具体涉及一种基于数据重建和混合预测的网络流量预测方法及装置。

背景技术

人们近年来对即时通信、搜索引擎、社交娱乐、远程办公、在线交易和公共服务等网络业务的需求日益增加，导致网络业务规模爆炸性增长，技术进步与用户需求致使网络类型也更加多样化。但是由于网络资源有限，网络需求量的不断增加必然会造成网络拥塞和服务质量降低的情况出现。因此需要对网络的行为与状态进行掌握以增强网络管理的有效性和及时性。而网络流量是监测网络行为状态、研究网络行为的基础，因而有关网络流量预测的研究愈发受到国内外研究学者和工业界的广泛关注。然而，现代网络流量具有的自相似性、周期性、混沌性和多尺度等特征使得预测网络行为颇具挑战性。

为了能够充分利用流量数据间的时间相关性，实现对具有复杂特性的网络流量的预测，Tokuyama Y等人在论文The Effect of Using Attribute Information in NetworkTraffic Prediction with Deep Learning[C]//2018International Conference onInformation and Communication Technology Convergence(ICTC).IEEE,2018:521-525中提出了一种RNN-VTD模型，它通过向RNN添加流量的一些属性信息来利用流量数据的周期性，将网络流量的流量值、时间戳和周几分别送入神经网络中进行训练和预测，有效地提高了预测的精度。但是，当数据集规模较大或数据波动较大时，单纯使用神经网络进行预测存在收敛速度较慢、容易陷入局部最优等问题。

目前，一些研究人员使用傅里叶分解或小波分解来平滑时间序列，用以解决上述问题。但这些方法依赖于先验谐波基函数或小波基函数，不适用于处理非平稳非线性数据。同时，由于网络流量具有较多突变数据，使得预测模型规模更加庞大，既增加预测复杂度，又降低预测精度。此外，现有的预测算法大都需要真实有效的数据集作为输入，但由于网络拓扑的复杂性、网络设备的资源限制和监视高速网络的高开销，在实际网络中收集所有真实流量数据是不切实际的，这也影响了预测模型的鲁棒性，从而影响系统的稳定性。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于数据重建和混合预测的网络流量预测方法及装置。本发明要解决的技术问题通过以下技术方案实现：

一种基于数据重建和混合预测的网络流量预测方法，包括：

获取网络流量值数据；

对所述网络流量值数据进行重建，得到重建的网络流量值数据；

利用EMD算法对所述重建的网络流量值数据进行分解处理，得到若干网络流量值分量；

利用所述若干网络流量值分量对GRU-VTD神经网络进行训练，得到训练好的GRU-VTD神经网络；

利用训练好的GRU-VTD神经网络进行预测，并根据得到的预测值和网络流量值数据计算预测误差，以对模型进行性能评估。

在本发明的一个实施例中，对所述网络流量值数据进行重建，得到重建的网络流量值数据，包括：

对所述网络流量值数据进行初始化，得到多信息的网络流量值数据；