[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

说明书

本发明公开了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，首先构建基于注意力机制和图卷积神经网络的AT‑GCN模型；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；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；将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；将处理后的网络流量序列和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；最后经过一个全连接层得到最终的预测结果。本发明将图卷积神经网络和门控递归单元结合起来，分别获取网络流量的时间和空间特征，并且为了提高预测的精度，引入了注意力机制，在时空预测任务中表现很好。

技术领域

本发明涉及无线通信领域，特别涉及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。

背景技术

随着通信技术的快速发展，网络流量存在爆发式增长趋势，为了预防网络拥 塞，提高网络资源利用率，网络流量预测技术应运而生。网络流量的建模与预测 可以提前了解网络流量的变化趋势，依据预测值制定合理有效的流量管理策略， 以提高网络服务质量以及用户体验，因此建立具有高精度的网络流量预测模型具 有重要意义。近年来，地面网络流量预测方法得到广泛的应用和关注，依据国内 外学者的研究，网络流量预测方法主要分为如下两个方面：(1)线性预测模型； 线性预测模型主要是针对网络流量的短相关特性，处理网络流量的短期预测问题， 相关的处理模型主要包括：自回归模型(AR)，移动平均模型(MA),自回归 移动平均模型(ARMA)，自回归移动合成平均模型(ARIMA)等，这些传统 的线性预测模型大多使用多项式拟合函数对真实的网络流量数据进行无限逼近， 然后通过大量的参数设置调优使得拟合效果最好。ARMA模型，该模型原理和 计算过程简单，但是无法处理非平稳序列。ARIMA模型，相对于其它网络流量 预测方法,该模型处理非平稳序列效果更好，预测精度更高。(2)非线性预测模 型。目前，应用于网流量预测方面的非线性模型主要包括机器学习以及深度学习 相关的智能预测模型。支持向量机作为一种机器学习算法，主要是基于统计学理 论，在分类预测领域中广泛运用。其优点在于能应用于非线性可分情况，相比于 其它算法，在同样的问题复杂度下不需要太多的样本，同时引用核函数将非线性 可分的样本转化成线性可分的高维空间样本，可以取得较好的预测精度。缺点在 于收敛于局部最优，而且训练数据和自身参数对预测结果有很大影响。为了进一 步解决预测问题，深度学习方法几年来被广泛研究。深度学习相对于机器学习， 它不仅可以保持学习特征的同时还能保证其与各个任务之间的关联性，可以有效 处理时间序列问题。循环神经网络的一种特殊模型长短期记忆网络，可以学习网 络流量数据之间的长期依赖关系，解决了常规RNN训练过程中的梯度消失和梯 度爆炸问题，并且相比于机器学习算法在预测精度上有所提高。

近年来，时空方面的预测问题在很多领域有着广泛的应用，网络流量问题也 包含其中。所谓的网络流量预测，就是在已有的历史网络流量数据集情况下，以 此来预测未来时间段的网络流量。可是现实网络流量预测问题还存在一定的挑战， 首先，现实世界的通信网络区域分布是一种空间结构，具有一定的复杂性，在空 间维度上，不同区域对同一区域具有不同的影响力；在时间维度上，两个区域在 不同的时间具有不同的影响，而且在结构上，通信区域构成的网络拓扑为非欧几 里得数据；其次，网络流量大小随着时间变化是非平稳的，并且具有时间上的依 赖性，比如工作日，节假日等等都会对网络流量数据大小产生影响。随着机器学 习在当今社会各个方面和不同领域的使用，在利用机器学习方法解决网络流量预 测任务上受到了广泛的关注和研究。近年来，基于深度学习的图神经网络在空间 依赖性建模方面得到了广泛应用，由此，为网络流量预测问题提供了一种新的解 决思路。

发明内容

发明目的：本发明提出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，能克服现有的网络流量预测方法存在的预测时忽略通信区域之间存在相 互影响。

技术方案：本发明所述的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，具体包括以下步骤：