[发明专利]一种利用注意力机制的网络流量预测方法

权利要求书

1.一种利用注意力机制的网络流量预测方法，其特征在于：包括如下：

(1)获取原始网络流量数据，并对进行处理变换，将其表示为一帧一帧的时空序列：

其中是第t时隙的网络流量空间分布矩阵，表示坐标为(h,w)小区在第t时隙的网络流量值；T为网络流量的时间记录总数,H为空间分布矩阵的长，W表示空间分布矩阵的宽；

(2)使用滑动窗口算法对时空序列采样，并以7:1.5:1.5的比例划分为训练集、验证集和测试集；

(3)搭建时空相对动态预测模型STDRN：

(3a)构建包括两个卷积神经网络CNN、一个全连接层和三个不同的激活函数组成的动态空间依赖性表征模块,结构关系如下：

在第一个卷积神经网络CNN后连接Absolute激活函数，该Absolute激活函数后连接Sigmoid激活函数；

在第二个卷积神经网络CNN后连接ReLU激活函数，

将该Sigmoid激活函数和ReLU激活函数通过乘法算子连接后，再与全连接层连接；

(3b)选用现有的时间依赖性表征模块，并将其连接在动态空间依赖性表征模块之后；

(3c)选用现有的预测模块，并将其连接在时间依赖性表征模块之后，构成时空相对动态预测模型STDRN；

(4)采用训练集和验证集，使用自适应矩估计方法对时空相对动态预测模型进行训练，得到训练好的时空相对动态预测模型STDRN；

(5)将测试集输入到训练好的时空相对动态预测模型STDRN，得到预测的时空序列其中表示对测试集第e个样本特征预测的网络流量空间分布矩阵，E表示测试集中数据样本的数目。

2.如权利要求1所述的方法，其特征在于：(2)中使用滑动窗口算法对时空序列采样，实现如下：

(2a)提取当前时隙t之前第p天中对应时隙的前后共q时隙的流量空间分布矩阵和当前时隙t之前共t-(t-1)％Π时隙的流量空间分布矩阵,得到当前时隙t的数据样本Θ_t：

Θ_t＝{[D_t-PΠ-Q/2,...,D_t-PΠ-Q/2+q,...,D_t-PΠ+Q/2,...,D_{t-(P-p)Π-Q/2},...,D_{t-(P-p)Π-Q/2+q},...,D_{t-(P-p)Π+Q/2},...,D_t-Π-Q/2,...,D_t-Π-Q/2+q,...,D_t-Π+Q/2,D_t-(t-1)％Π,...,D_{t-(t-1)％Π+j},...,D_t-1],D_t}

其中，Π为周期数，取值为24，(PΠ-Q/2+1)≤t≤T；D_{t-(P-p)Π-Q/2+q}为第(t-(P-p)Π-Q/2+q)时隙的网络流量空间分布矩阵，q＝0,2,...,(Q-1)，p＝0,1,...,(P-1)；D_{t-(t-1)％Π+j}为第(t-(t-1)％Π+j)时隙的网络流量空间分布矩阵，j＝0,1,...,(t-1)％Π-1；T为网络流量的时间记录总数，P为网络流量的时间周期数，Q为网络流量在每个时间周期中的偏移量；

(2b)不断移动滑动窗口重复(2a)，得到用于模型学习的数据集V：

V＝{Θ_PΠ-Q/2+1,Θ_PΠ-Q/2+2,...,Θ_PΠ-Q/2+i,...,Θ_T}；

其中，Θ_PΠ-Q/2+i表示第(PΠ-Q/2+i)时隙的数据样本，i＝1,2,...,(T-PΠ+Q/2)。

3.如权利要求1所述的方法，其特征在于：(3b)中选用的时间依赖性表征模块，其包含P+2个长短期记忆网络LSTM和1个周期偏移注意力模块PSAM，该P+2个长短期记忆网络LSTM与该周期偏移注意力机制模块PSAM并行连接，P为网络流量的时间周期数。