[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

本發明提供一種智慧城市網絡流量預測方法及系統，方法包括：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。所述系統執行所述方法。本發明將卡爾曼濾波器、TCN和LSTM網絡協同結合在一起，通過確定卡爾曼濾波器來消除原始時序網絡流量數據中存在的噪聲，以減少其干擾，從而實現高精度的預測，然后采用TCN從這些數據中提取潛在特征，最后，采用LSTM實現對原始時序網絡流量數據的預測。

技術領域

本發明涉及數字信號處理技術領域，尤其涉及一種智慧城市網絡流量預測方法及系統。

背景技術

隨著信息技術的不斷進步，智慧城市成為了目前重點建設的任務。而在智慧城市各項設施中網絡為重中之重，巨大的城市基礎設施會帶來數量及其龐大的網絡流量數據，因此處理好網絡流量并對其進行高精度的預測是目前的當務之急。一種準確、實時的網絡流量預測方法，不僅可以幫助網絡運營商來更好地分配資源，保證服務質量，還可以通過比較真實流量和預測流量來檢測網絡上的惡意攻擊。基本上，網絡流量預測是一個時間序列預測問題，大多數傳統方法是基于統計線性預測模型設計的，包括指數平滑、自回歸移動平均模型和自回歸集成移動平均模型。

然而，隨著網絡規模的不斷擴大和新業務的快速涌現，網絡流量往往呈現出以強非線性為代表的更加不穩定的特征。傳統的預測方法過于簡化的線性理論假設，不能有效捕捉大規模網絡中時間序列的非線性特征。

現有技術中采用基于圖神經網絡(Graph Neural Networks，GNN)與長短期記憶網絡(Long Short Term Memory networks，LSTM)結合的方法，沒有對數據集進行去除噪聲的處理。由此數據產生的噪聲會非常明顯，并可能會影響初始數據的處理，從而可能影響網絡流量預測的準確度。

基于LSTM方法來對網絡流量進行預測，在一定程度上可以對網絡流量數據進行預測，但是在處理原始數據方面以及數據特征的進一步提取上難以進一步提升網絡流量預測的準確度。

如何實現對原始網絡流量數據的高精度預測，是目前亟需解決的問題。

發明內容

本發明提供的智慧城市網絡流量預測方法及系統，用于現有技術中存在的上述問題，將卡爾曼濾波器、TCN和LSTM網絡協同結合在一起，通過確定卡爾曼濾波器來消除原始時序網絡流量數據中存在的噪聲，以減少其干擾，從而實現高精度的預測，然后采用TCN從這些數據中提取潛在特征，最后，采用LSTM實現對原始時序網絡流量數據的預測。

本發明提供的一種智慧城市網絡流量預測方法，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。

根據本發明提供的一種智慧城市網絡流量預測方法，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。