[发明专利]基于LSTM网络的无线网络流量预测方法

摘要

本发明提出了一种基于LSTM网络的无线网络流量预测方法，用于解决现有技术中存在的预测精度低的技术问题。实现步骤为：构造LSTM复合网络；获取LSTM复合网络的训练集数据和测试集数据；初始化LSTM复合网络的参数；对LSTM复合网络进行训练；对训练好的LSTM复合网络进行优化；对未来数据进行流量预测。本发明充分利用了LSTM网络对流量数据的长期记忆性，可以根据当前状态自动调整历史信息对当前预测的贡献，提高了无线网络流量预测的精度，可用于车联网和金融等领域。

主权项

1.一种基于LSTM网络的无线网络流量预测方法，其特征在于包括如下步骤：(1)构造LSTM复合网络：将LSTM网络的输出作为线性回归网络的输入，得到LSTM复合网络；(2)获取LSTM复合网络的训练集数据和测试集数据：(2a)在网络服务器的数据库中获取无线网络流量数据集，将无线网络流量数据集中80％的数据作为训练样本集，其余数据作为测试样本集，并对训练样本集和测试样本集进行归一化，得到归一化训练样本集V和测试样本集T；(2b)采用滑动窗口方法，从V中提取长度为m的连续数据，并将其作为LSTM复合网络的训练集Xtrain，提取第m+1个数据作为Xtrain的标签Ytrain，同时从T中提取长度为m的连续数据，并将其作为LSTM复合网络的测试集Xtest，提取第m+1个数据作为Xtest的标签Ytest；(3)初始化LSTM复合网络的参数：(3a)初始化LSTM网络的参数：将LSTM网络的输出h<0>和元胞状态c<0>初始化为0；将LSTM网络隐藏层的权重矩阵Wc和偏置bc、输入门的权重矩阵Wi和偏置bi、输出门的权重矩阵Wo和偏置bo以及忘记门的权重矩阵Wf和偏置bf初始化为0～1之间的随机数；设置LSTM网络输入层神经元的个数为i+1，隐藏层、输入门、忘记门和输出门神经元的个数均为i；(3b)初始化线性回归网络的参数：将线性回归网络的权重矩阵Wl和偏置bl初始化为0～1之间的随机数；设置线性回归网络的输入层神经元个数为i，输出层神经元个数为1；(4)对LSTM复合网络进行训练：(4a)设置LSTM复合网络的训练迭代次数为M，误差目标值为Acc，训练误差值为err，其中M＝1，2，3…Mmax，Mmax为预设值；(4b)将训练集Xtrain和初始化的h<0>输入到LSTM复合网络中，计算LSTM网络的输出值h，再将h输入到线性回归网络中，得到归一化预测结果Ytrain‑pre；(4c)采用基于时间的反向传播算法，通过Ytrain‑pre和Ytrain对LSTM复合网络进行微调，实现对LSTM复合网络参数的更新，得到微调后的LSTM复合网络；(4d)采用平均绝对误差评估方法，通过Ytrain‑pre和Ytrain计算LSTM复合网络的预测误差Acctrain，并判断AcctrainAcc是否成立，若是，调整M，并执行步骤(4)，否则，执行步骤(6)；(6)对未来数据进行流量预测：将归一化训练样本集V和测试样本集T输入到训练好的LSTM复合网络中，得到归一化流量预测结果Ypre，并对Ypre进行反归一化，得到未来的无线网络流量预测值。