[发明专利]一种利用注意力机制的网络流量预测方法

说明书

本发明公开了一种利用注意力机制的网络流量预测方法，主要解决现有网络流量预测方法未考虑网络流量动态空间依赖性导致预测准确度较低的问题。其实现方案为：对原始网络流量数据进行处理变换，并使用滑动窗口方法对处理后的流量数据进行采样，划分训练集、验证集和测试集；构建动态空间依赖性表征模块，并将其与现有的时间依赖性表征模块和预测模块级联构成时空相对动态预测模型；根据训练集和验证集，使用自适应矩估计法对时空相对动态预测模型进行训练；将测试集输入到训练好的时空相对动态预测模型进行预测，得到预测的时空序列。本发明有效提高了预测准确度，能为通信资源的合理分配提供依据，可用于频谱资源的有效分配和网络拥塞的合理控制。

技术领域

本发明属于通信技术领域，具体为一种网络流量预测方法，可用于频谱资源的有效分配和网络拥塞的合理控制。

背景技术

移动终端智能设备的普及和移动通信技术的发展导致用户产生的数据业务流量成倍翻升，庞大的流量使得频谱资源的有效分配和能源效率的提高成为运营商亟待解决的问题。研究表明大部分基站在全天候时间处于较低的负载情况，但却仍按照设计功率工作，从而造成了巨大的能源浪费。如果能够事先预知网络流量在下一时刻的流量值，则通信网络就可以根据用户的实际需求实现网络的柔性覆盖和资源的弹性分配，进而提高用户体验度。

城市范围内网络流量的精准预测一直以来都是一个富有挑战性的问题。其主要原因是：1)高度时空复杂性。如今人们大多使用无线网络，而无线网络流量的产生具有移动性，这使得多个小区之间的流量具有时空相关性。2)短期突变信息影响。在生活中，常常会有很多短期突发状况发生，例如交通事故、天气条件等，这些突发状况会对网络流量预测产生一定影响。现有的网络流量预测方法主要分为朴素法、参数化模型、以及非参数化模型三种方法。其中：

朴素法是最简单的时间序列预测方法，该类方法只依赖于基本统计假设，不需要复杂的计算。其中最常用的是历史平均值法，它将过去所有时刻的平均值当作下一时刻的预测值。但这种朴素法由于只适合稳定性很高的数据集，而不适合变化很大的数据集，故在大多数情况下，朴素法的预测性能较差。

参数化模型主要依据统计学和概率分布等数学理论知识对无线网络流量进行建模和预测。该类方法假设要建模的流量数据可以用有限的参数来表达。最经典的参数化模型方法为ARIMA模型。该模型可以表示为ARIMA(p,d,q)，其中，p为自回归项数，q为滑动平均项数，d为使之成为平稳序列所做的差分阶数。ARIMA模型善于表征网络流量的行为特征，后续衍生出很多ARIMA模型的变形体并广泛应用。然而，由于该ARIMA模型的本质是线性模型，因而不能较好地预测非线性关系。

近年来，非参数化模型已经在流量预测中得到了广泛的应用。Qiu等人提出循环神经网络RNN来表征相邻基站之间时空相关性，采用多任务学习方法探究小区之间的共性与差异，从时空两个维度表征流量数据，提高了预测准确度。山东大学Zhang等人通过将流量数据视为一帧一帧的图像，使用密集连接的CNN表征小区流量的时空依赖性，并且提出一种基于参数矩阵的融合方案来学习时空依赖性的影响程度，有效地从时间和空间两个维度探究流量数据的时空依赖性。

上述非参数化模型尽管同时考虑了网络流量的时空依赖性，但是由于在空间依赖性的表征上均使用传统CNN。而传统CNN表征空间依赖性只取决于历史流量的相似性，忽视了小区之间的动态空间依赖关系，导致网络流量的预测准确度较低。例如早上住宅区与工业区之间的相互依赖性很强，而晚上可能会很微弱。因此探究网络流量的动态空间依赖性是进一步提高预测准确度的重要内容。

发明内容

本发明的目的在于针对上述问题，提出一种利用注意力机制的网络流量预测方法，已动态地表征网络流量的空间依赖性，提高网络流量预测的准确度。

为实现上述目的，本发明的技术方案包括如下：

(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：