[發(fā)明專利]一種基于GRU模型的網(wǎng)絡(luò)流量預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911343425.1
• 申請(qǐng)日: 2019-12-24
• 公開(kāi)（公告）號(hào): CN111030889B
• 公開(kāi)（公告）日: 2022-11-01
• 發(fā)明（設(shè)計(jì)）人: 趙煒;尚立;楊會(huì)峰;李井泉;江明亮;王旭蕊;劉惠;紀(jì)春華;楊楊;郭少勇;喻鵬
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)河北省電力有限公司信息通信分公司;國(guó)家電網(wǎng)有限公司;北京郵電大學(xué)
• 主分類號(hào): H04L43/0876
• 分類號(hào): H04L43/0876;G06N3/04
• 代理公司: 石家莊新世紀(jì)專利商標(biāo)事務(wù)所有限公司 13100
• 代理人: 董金國(guó);甄伊寧

1.一種基于GRU模型的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于：將網(wǎng)絡(luò)流量數(shù)據(jù)序列輸入到GRU神經(jīng)網(wǎng)絡(luò)模型中并完成預(yù)測(cè)網(wǎng)絡(luò)流量，所述GRU神經(jīng)網(wǎng)絡(luò)模型的數(shù)量為三個(gè)，分別是GRU-SGD模型、GRU-Adam模型和GRU-AdaGrad模型，所述GRU-SGD模型為使用SGD梯度下降算法的神經(jīng)網(wǎng)絡(luò)模型，所述GRU-Adam模型為使用Adam梯度下降算法的神經(jīng)網(wǎng)絡(luò)模型，所述GRU-AdaGrad模型為使用AdaGrad梯度下降算法的神經(jīng)網(wǎng)絡(luò)模型，分別利用GRU-SGD模型、GRU-Adam模型和GRU-AdaGrad模型預(yù)測(cè)，將每一模型預(yù)測(cè)的數(shù)據(jù)相加求平均值得到預(yù)測(cè)的網(wǎng)絡(luò)流量數(shù)據(jù)；具體地包括S1～S5步驟，S1、獲取歷史網(wǎng)絡(luò)流量數(shù)據(jù)；S2、確定歷史網(wǎng)絡(luò)流量數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)；S3、將訓(xùn)練數(shù)據(jù)帶入到每一GRU神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練；S4、通過(guò)三個(gè)GRU神經(jīng)網(wǎng)絡(luò)模型對(duì)驗(yàn)證數(shù)據(jù)進(jìn)行預(yù)測(cè)；S5、將預(yù)測(cè)得到的數(shù)據(jù)相加求平均得到預(yù)測(cè)的網(wǎng)絡(luò)流量數(shù)據(jù)；其中S3步驟具體包括S31～S35步驟，S31、共有三種GRU神經(jīng)網(wǎng)絡(luò)模型，分別為GRU-SGD模型、GRU-Adam模型和GRU-AdaGrad模型，所述GRU-SGD模型為使用SGD梯度下降算法的神經(jīng)網(wǎng)絡(luò)模型，所述GRU-Adam模型為使用Adam梯度下降算法的神經(jīng)網(wǎng)絡(luò)模型，所述GRU-AdaGrad模型為使用AdaGrad梯度下降算法的神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練數(shù)據(jù)分別輸入到每一GRU神經(jīng)網(wǎng)絡(luò)模型中，訓(xùn)練數(shù)據(jù)首先在GRU神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行前向傳播；S32、計(jì)算時(shí)間的損失函數(shù)；S33、使用反向鏈?zhǔn)角髮?dǎo)，依次迭代直到損失函數(shù)收斂；S34、所述GRU-SGD模型使用SGD梯度下降算法進(jìn)行更新，所述GRU-Adam模型使用Adam梯度下降算法進(jìn)行更新，所述GRU-AdaGrad模型使用AdaGrad梯度下降算法進(jìn)行更新；S34步驟具體包括S341～S343步驟，S341、GRU-SGD模型使用SGD梯度下降算法，計(jì)算出每個(gè)參數(shù)下降的量，從而更新；S342、GRU-Adam模型使用Adam梯度下降算法，計(jì)算出每個(gè)參數(shù)下降的量，從而更新；S343、GRU-AdaGrad模型使用AdaGrad梯度下降算法，計(jì)算出每個(gè)參數(shù)下降的量，從而更新；S35、重復(fù)S31～S34步驟，不斷更新，直到損失函數(shù)0.2時(shí)停止，模型訓(xùn)練完畢。

2.根據(jù)權(quán)利要求1所述的一種基于GRU模型的網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于：基于服務(wù)器運(yùn)行該方法。