[发明专利]基于注意力机制和图卷积神经网络的网络流量预测方法

权利要求书

1.一种基于注意力机制和图卷积神经网络的网络流量预测方法，其特征在于，包括以下步骤：

(1)构建基于注意力机制和图卷积神经网络的AT-GCN模型；所述AT-GCN模型包括两个图卷积层、一个全连接层和一个引入注意力机制的门控递归单元；

(2)对原始的网络流量进行数据预处理，得到符合AT-GCN模型输入的数据序列；

(3)将(2)中处理后的网络流量序列输入图卷积层，获取网络流量数据序列的空间特征；

(4)将处理后的网络流量序列和步骤(3)中得到的空间特征向量输入到门控递归单元中，获取网络流量序列的时间特征；

(5)经过步骤(3)和步骤(4)得到网络流量的空间特征和时间特征，经过一个全连接层得到最终的预测结果。

2.根据权利要求1所述的基于注意力机制和图卷积神经网络的网络流量预测方法，其特征在于，所述步骤(1)通过以下公式实现：

u_t＝σ(W_u[GC(A,X_t),h_t-1]+b_u)

r_t＝σ(W_r[GC(A,X_t),h_t-1]+b_r)

c_t＝tanh(W_c[GC(A,X_t),(r_t*h_t-1)]+b_c)

h_t＝u_t*h_t-1+(1-u_t)*c_t

其中，u_t是更新门，用于控制上一时刻的状态信息进入当前状态的程度；σ(·)为非线性模型的激活函数；W_u、W_r、W_c为权重参数；GC(·)为图卷积过程；A为邻接矩阵；X_t为模型当前时刻的输入；h_t-1、h_t为不同时刻的隐藏状态；b_u、b_r、b_c为偏差参数；r_t是重置门，控制前一时刻信息保留或者遗弃的程度；c_t为时刻t存储的信息。

3.根据权利要求1所述的基于注意力机制和图卷积神经网络的网络流量预测方法，其特征在于，步骤(2)所述的数据预处理包括数据填充、归一化处理以及邻接矩阵的计算；所述邻接矩阵A中每个元素的值利用皮尔森相关系数计算获得，邻接矩阵A中第X行X′列的元素的值为：

其中，X和Y代表随机变量，即数据集中的区域，h和w代表区域网格的大小，cov(X,Y)代表X和Y的协方差，σX和σY为各自标准差的乘积。