[發明專利]智慧城市網絡流量預測方法及系統

有效

• 申請號: 202110926805.9
• 申請日: 2021-08-12
• 公開（公告）號: CN113783717B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 楊楊;高志鵬;芮蘭蘭;龔興樂;胡皓;呂睿;龍雨寒;劉澳倫;嚴雨;高博文
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04L41/147
• 分類號: H04L41/147;G06N3/045;G06N3/048;G06N3/0499
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 鄭朝然

1.一種智慧城市網絡流量預測方法，其特征在于，包括：

基于卡爾曼濾波器對原始時序網絡流量數據進行預處理；

基于時序卷積網絡，獲取預處理后的原始時序網絡流量數據的目標特征序列；

將所述目標特征序列輸入至LSTM長短期記憶網絡，以獲取所述原始時序網絡流量數據的預測結果；

其中，所述時序卷積網絡使用多個殘差塊，分別為第一殘差塊、第二殘差塊和第三殘差塊，所述第一殘差塊、所述第二殘差塊和所述第三殘差塊均由兩個膨脹因果卷積層組成，所述第一殘差塊的膨脹系數為1，所述第二殘差塊的膨脹系數為2，所述第三殘差塊的膨脹系數為3；

所述基于時序卷積網絡，獲取預處理后的原始時序網絡流量數據的目標特征序列，包括：

將所述預處理后的原始時序網絡流量數據輸入至所述時序卷積網絡，以獲取所述時序卷積網絡中第一殘差塊的第一特征序列；

根據所述第一特征序列，獲取所述時序卷積網絡中第二殘差塊的第二特征序列；

根據所述第二特征序列，獲取所述時序卷積網絡中第三殘差塊的第三特征序列；

根據所述第三特征序列，確定所述目標特征序列；

所述將所述預處理后的原始時序網絡流量數據輸入至所述時序卷積網絡，以獲取所述時序卷積網絡中第一殘差塊的第一特征序列，包括：

根據所述時序卷積網絡，獲取一維序列的第一輸出序列；

對所述時序卷積網絡中的權重參數進行歸一化處理，以獲取歸一化權重參數；

根據所述歸一化權重參數對所述第一輸出序列進行優化，并根據優化后的第一輸出序列，確定所述第一特征序列；

其中，所述一維序列是通過對所述預處理后的原始時序網絡流量數據進行采樣后得到的。

2.根據權利要求1所述的智慧城市網絡流量預測方法，其特征在于，所述根據所述第一特征序列，獲取所述時序卷積網絡中第二殘差塊的第二特征序列，包括：

根據所述時序卷積網絡，獲取所述第一特征序列的第二輸出序列；

根據所述歸一化權重參數對所述第二輸出序列進行優化，并根據優化后的第二輸出序列，確定所述第二特征序列。

3.根據權利要求1所述的智慧城市網絡流量預測方法，其特征在于，所述根據所述第二特征序列，獲取所述時序卷積網絡中第三殘差塊的第三特征序列，包括：

根據所述時序卷積網絡，獲取所述第二特征序列的第三輸出序列；

根據所述歸一化權重參數對所述第三輸出序列進行優化，并根據優化后的第三輸出序列，確定所述第三特征序列。

4.根據權利要求1所述的智慧城市網絡流量預測方法，其特征在于，所述根據優化后的第一輸出序列，確定所述第一特征序列，包括：

基于Relu激活函數對所述優化后的第一輸出序列進行校正，以獲取校正輸出序列；

基于dropout正則化技術對所述校正輸出序列進行正則化處理；

根據正則化結果和所述預處理后的原始時序網絡流量數據，獲取所述第一特征序列。

5.根據權利要求1所述的智慧城市網絡流量預測方法，其特征在于，所述將所述目標特征序列輸入至LSTM長短期記憶網絡，以獲取所述原始時序網絡流量數據的預測結果，包括：

將所述目標特征序列輸入至所述LSTM網絡，以獲取所述目標特征序列中的長期相關性；

將所述長期相關性作為所述LSTM網絡的全連接層的輸入，以獲取所述原始時序網絡流量數據的初始預測結果；

根據所述初始預測結果、所述全連接層的權重參數和所述偏置參數，并基于預設線性函數，獲取所述預測結果。