CN111130839A - 一种流量需求矩阵预测方法及其系统 - Google Patents

一种流量需求矩阵预测方法及其系统 Download PDF

Info

Publication number
CN111130839A
CN111130839A CN201911066121.5A CN201911066121A CN111130839A CN 111130839 A CN111130839 A CN 111130839A CN 201911066121 A CN201911066121 A CN 201911066121A CN 111130839 A CN111130839 A CN 111130839A
Authority
CN
China
Prior art keywords
matrix
prediction
traffic
historical
demand
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911066121.5A
Other languages
English (en)
Other versions
CN111130839B (zh
Inventor
李丹
高凯辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201911066121.5A priority Critical patent/CN111130839B/zh
Publication of CN111130839A publication Critical patent/CN111130839A/zh
Priority to US17/088,258 priority patent/US11301755B2/en
Application granted granted Critical
Publication of CN111130839B publication Critical patent/CN111130839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种流量需求矩阵预测方法及其系统，该方法包括：获取连续的历史流量矩阵构建预测数据集；将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵；训练好的流量需求矩阵预测模型是通过将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；基于历史流量矩阵样本和预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练获取的。本实施例提供的流量需求矩阵预测方法及其系统，通过建立包含卷积神经网络和循环神经网络的流量需求矩阵预测模型，综合流量本身的时序性和流量之间的相关性，提高了对流量需求矩阵的预测精度。

Description

一种流量需求矩阵预测方法及其系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种流量需求矩阵预测方法及其系统。
背景技术
流量需求矩阵(TM)描述了一段时间内所有的源目的节点对的流量需求。流量需求矩阵预测是一个时间序列预测任务，即利用收集到的历史的流量矩阵来预测未来一段时间的流量矩阵。精准的流量需求矩阵预测对于很多网络任务具有重要意义，比如资源分配，流量工程以及拥塞避免等。
过去几年，差分整合移动平均自回归模型(Autoregressive Integrated MovingAverage，简称ARIMA)和支持向量回归(Support Vector Regression，简称SVR)是时间序列预测领域最常用的两个方法。然而，ARIMA无法对历史数据中的非线性关系建模，而SVR虽然可以结合非线性关系进行建模，但是所建立的模型需要人工进行多次参数调整才能获取到最佳效果。
最近几年，随着深度学习的发展，基于循环神经网络(Recurrent NeuralNetwork，简称RNN)的方法在时间序列预测领域取得了很大的准确率提升。RNN使用神经网络连接数据不同时刻的状态，可以对历史数据的非线性关系建模。其中，长短期记忆网络(Long and Short Time Memory，简称LSTM)是解决RNN梯度消失和爆炸问题的变体，所以LSTM是当前最优的时间序列预测方法。
然而，将LSTM用于流量需求矩阵预测问题具有局限性，由于流量矩阵中不仅仅存在流量自身的时序变化性(流内相关性)，各流量之间还存在着各种关联关系(流间相关性)，而LSTM无法建模流量矩阵中的流间相关性，导致预测结果的准确性低，预测精度不高。
发明内容
本发明实施例提供一种流量需求矩阵预测方法及其系统，用以解决现有技术中对于流量需求矩阵的预测精度不高的缺陷。
第一方面，本发明实施例提供一种流量需求矩阵预测方法，包括：获取连续的历史流量矩阵构建预测数据集；将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵。
其中，训练好的流量需求矩阵预测模型是通过以下步骤获取的：
将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；
基于历史流量矩阵样本以及与该历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型。
进一步地，上述流量相关性网络为卷积神经网络，流量时序性网络为长短期记忆网络。
进一步地，上述将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，还包括：
将预测数据集中的W个连续的历史流量矩阵输入至训练好的流量需求矩阵预测模型中，获取q个连续的流量需求预测矩阵。
进一步地，上述将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，还包括：
将历史流量矩阵输入至所述卷积神经网络，获取与历史流量矩阵相对应的流量相关性矩阵；
将历史流量矩阵与所述流量相关性矩阵构接成一个预测向量；
将预测向量输入至所述长短期记忆网络，获取流量需求预测矩阵。
进一步地，上述将预测向量输入至长短期记忆网络，获取流量需求预测矩阵，包括：
将预测向量输入至所述长短期记忆网络，并获取长短期记忆网络的最后一个LSTM层输出的中间矩阵；
对中间矩阵进行流内注意机制运算，输出流量需求预测矩阵；
其中，流内注意机制运算的计算公式为：
Ei,j＝σ[V1(HV2)T+be]
Figure BDA0002259407730000031
TMt+1＝f(Ei,j',H)
其中，H为中间矩阵，V1和V2为流内注意机制运算中可学习的权重，be为偏置参数，Ei，j为W个时刻中的任意两个时刻i和时刻j之间依赖关系强度矩阵，E’i，j为利用softmax函数对所述Ei，j进行归一化处理，exp为指数函数，T为转置运算，f为矩阵相乘函数，TMt+1为中间矩阵所对应的流量需求预测矩阵。
进一步地，在上述将历史流量矩阵输入至卷积神经网络之前，包括：根据历史流量矩阵的大小确定卷积神经网络中卷积层的层数。
进一步地，上述基于历史流量矩阵样本以及与历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型，包括：
S71、将预测数据集中多个连续的历史流量矩阵依次排列构建成训练样本集；
S72、将训练样本集中的任一个历史流量矩阵输入至流量需求矩阵预测模型，获取由流量需求矩阵预测模型输出的预测矩阵；
S73、将预测矩阵与所述预测时刻真实流量矩阵作差，作为本次训练的预测误差；
S74、利用预测误差对所述流量需求矩阵预测模型中的所有参数进行梯度方向更新，并将任一个所述历史流量矩阵从所述预测数据集中剔除；
S75、依次迭代执行步骤S72-步骤S74，直至预测误差趋于不变。
第二方面，本发明实施例还提供一种流量需求矩阵预测系统，其特征在于，包括采集单元和运算单元，其中：
采集单元，用于获取连续的历史流量矩阵构建预测数据集；
运算单元，其中存储有训练好的流量需求矩阵预测模型，用于接收预测数据集中的历史流量矩阵，并将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取与历史流量矩阵相对应的获取流量需求预测矩阵。
其中，训练好的流量需求矩阵预测模型是通过以下步骤获取的：
将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；
基于历史流量矩阵样本以及与所述历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面任一项所述的流量需求矩阵预测方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面任一项所述的流量需求矩阵预测方法的步骤。
本发明实施例提供的流量需求矩阵预测方法及系统，建立了一种综合了卷积神经网络和循环神经网络的流量需求矩阵预测模型，综合考虑流量本身的时序性以及流量之间的相关性，通过对历史流量数据中的非线性关系建模，在有效的提高了检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为利用Abilen数据集进行流量相关性定量分析示意图；
图2为利用GEANT数据集进行流量相关性定量分析示意图；
图3为本发明实施例提供的一种流量需求矩阵预测方法的流程示意图；
图4为本发明实施例提供的一种流量需求矩阵预测方法中流量需求矩阵预测模型的结构示意图；
图5为本发明实施例提供的一种流量需求矩阵预测方法中卷积神经网络的卷积过程示意图；
图6为本发明实施例提供的一种流量需求矩阵预测方法中长短期记忆网络每层的每个神经元的内部结构图；
图7为本发明实施例提供的一种流量需求矩阵预测方法中长短期记忆网络时序性建模过程；
图8为本发明实施例提供的一种流量需求矩阵预测系统的结构示意图；
图9为本发明实施例提供的一种电子设备的实体结构示意图；
图10为利用Abilen数据集对本发明实施例提供的流量需求矩阵预测模型与对标模型进行仿真比较的示意图；
图11为利用GEANT数据集对本发明实施例提供的流量需求矩阵预测模型与对标模型进行仿真比较的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一段时间内所有的源目的节点对的流量需求一般是通过流量需求矩阵(TM)来描述的。在实际过程中，当多个节点往同一节点发送流量时，该节点就成为了所谓的热点。由于带宽限制(同一时刻，这些流量速率相加不能超过带宽)，这些流量之间形成负相关性；另一方面，从热点返回的多条响应流量彼此之间形成正相关性(响应内容是相似的)。
如图1和图2所示，在本发明实施例中，通过对两个常规且已经公开的流量矩阵数量集Abilene和GEANT进行定量分析，来揭示关于流量之间的相关性。具体地，针对任意两条流量，计算二者的皮尔森相关系数(Pearson Correlation Coefficient，简称r系数)；进一步地，对于每条流量，统计与之强相关(r系数>0.6)的流量的个数。如图1和图2所示，其中横坐标为强相关性流量个数(The number of Strongly Correlated Flows)，纵坐标为互补累计分布率(CCDF)，由两个图可以获知：对于GEANT数据集，58.2％的流量具有至少1个强相关流量，40.8％的流量具有至少20个强相关流量；对于Abilene数据集，43.1％的流量具有至少1个强相关流量，20.8％的流量具有至少5个强相关流量甚至有些流量与之强相关的流量个数达到八十多条。因此，这些数据说明，一方面，流量矩阵中的流量之间存在强相关性；另一方面，预测一条流量(即获取流量需求预测矩阵)时，若考虑与该流量相关的流量的历史值，并结合他们之间的相关性，则可以有效的提升预测结果准确性。
有鉴于此，本发明实施例提供一种流量需求矩阵预测方法，如图3所示，包括但不限于包括以下步骤：
步骤S1，获取连续的历史流量矩阵构建预测数据集；
步骤S2，将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵。
其中，训练好的流量需求矩阵预测模型是通过以下步骤获取的：
将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；
基于历史流量矩阵样本以及与历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型。
流量矩阵在流量工程中占据很重要的位置，精确的获取历史流量矩阵对于流量需求的预测至关重要。然而直接的测量并记录流量矩阵虽然是可行的，但是将消耗大量的网络资源，耗费大量的人力物力。在本发明实施例的步骤S1中，可以通过对有限链路的测量数据和路由信息等先验信息,通过合理建模来推断流量矩阵。由于对于如何获取到历史流量矩阵的方法在目前已经有了较为成熟的研究，对此本实施例不作具体地限制。
进一步地，在本发明实施例中，将收集到的部分历史流量矩阵构建成一个训练数据集。其中，优选按照时间顺序对所有的历史流量矩阵进行排序。将该训练数据集按照预设的比例(如8：2)划分为训练集以及测试集；其中，训练集用于对建立的流量需求矩阵预测模型进行训练，而测试集则用于对经过训练后的流量需求矩阵预测模型进行效果预测及检验。
具体地，在对流量需求矩阵预测模型进行训练前，先获取与训练数据集中每个历史流量矩阵相对应的真实流量矩阵，以建立训练标签。依次将每个历史流量矩阵输入至该流量需求矩阵预测模型，并利用对应的训练标签对预测结果进行检验，跟根据预测值与真实值之间的偏差值对流量需求矩阵预测模型参数进行调整。多次迭代进行上述训练过程，直至预测值与真实值之间的偏差值近似于不变为止。
为了使建立的流量需求预测矩阵的中同时包含流量之间相关性和流量自身的时序变化性(流内变化性)，在本发明实施例中提供了一种流量需求矩阵预测模型，该模型通过将卷积和递归结构统一结合在一个模型中，综合考虑流量本身的时序性以及流量之间的相关性，通过对历史流量数据中的非线性关系建模，在有效的提高了检测精度。
基于上述实施例的内容，作为一种可选实施例，其中上述流量相关性网络可以是卷积神经网络(CNN)，上述流量时序性网络可以是长短期记忆网络(LSTM)。
具体地，图4为本发明实施例提供的一种流量需求矩阵预测方法中流量需求矩阵预测模型的结构示意图，如图4所示，流量需求矩阵预测模型主要包括两个部分：卷积神经网络部分和长短期记忆网络部分，即相关性建模部分(Correlational Modeling)和时序性建模部分(Temporal Modeling)。其中，在相关性建模部分，将卷积神经网络的参数分别与输入的W个历史流量矩阵(Traffic Matrices，其简称为TMt)作卷积，分别获取一个中间隐式输出(即相关性矩阵)，该相关性矩阵中每个值描述了其他流量对该流量的综合影响。
其中，在获取相关性矩阵的过程中，可以引入非线性激活函数，目的是为了增加神经网络模型的非线性。若没有非线性激活函数的参与，获取的相关函数的每层都相当于矩阵相乘后的结果，就算叠加了若干层之后，无非还是个矩阵相乘。可以通过引入非线性激活函数，以对历史流量矩阵之间的非线性关系进行学习。其中，非线性激活函数可以是Sigmoid函数、Tanh函数、ReLU(Rectified Linear Unit)函数或者Leaky ReLU(LeakyRectified Linear Unit)函数中的一种，对此本发明实施例不作具体地限定。
进一步地，在时序性建模部分，将原输入至卷积神经网络的历史流量矩阵与相关性建模部分获取的相关性矩阵进行合并，并输入至长短期记忆网络(LSTM)中，获取到LSTM模型的输出即为与该W个历史流量矩阵(TMW-t+1-TMt)所对应的q个流量需求预测矩阵(TMt+1-TMt+q)。
综上所述，流量需求预测矩阵TMt+q为：通过将W个时刻的历史流量矩阵TMW-t+1-TMt，输入至训练好的流量需求矩阵预测模型进行预测，获取到的未来q个时刻的流量需求预测矩阵。
图5为本发明实施例提供的一种流量需求矩阵预测方法中卷积神经网络的卷积过程示意图，如图5所示，在时刻t，将历史流量矩阵TMt输入至卷积神经网络中，第第l层的第k个卷积核的输出计算方法为：
Figure BDA0002259407730000081
Figure BDA0002259407730000082
其中，历史流量矩阵TMt输入至第0层，Wjk l、bk l分别为卷积核的权重和偏置参数，*是指卷积操作，σ为非线性激活函数，Cl-1为第l-1层的卷积核的个数；β为池化层的参数，down为池化中的下采样函数。
Figure BDA0002259407730000083
为卷积层的输出函数，
Figure BDA0002259407730000084
为池化层的输出函数。TMt经过所有卷积层和池化层处理之后，再经过全连接层处理。最后，再将CNN网络输出的流间相关性和TMt组合到一个向量，传送至时序性建模模块。
广域网的流量具有显著的时间上的规律性，历史的流量状态可能会对当前的流量状态产生长期的影响。递归神经网络(RNN)是一种广泛应用于时间序列数据建模的工具，如自然语言处理和时间序列预测。然而，由于RNN存在梯度爆炸和消失问题，不适合用于突发性和长期性的交通预测。由于LSTM引入了内存单元来学习是否忘记之前的隐藏状态，并更新隐藏状态以避免RNN存在的上述弊端。因此，在本发明实施例中，通过引进LSTM层作为流量需求预测矩阵预测的关键模块。
图6为本发明实施例提供的一种流量需求矩阵预测方法中长短期记忆网络(LSTM)每层的每个神经元的内部结构图，如图6所示，每个LSTM单元由单个记忆单元(ct)、单元输入(gt)、单元输出(ht)和输入门(it)、输出门(ot)以及遗忘门(ft)组成。记忆单元用于组合以前的单元状态、当前输入和以前的输出来更新隐藏状态。遗忘门用于决定信息是应该被遗忘还是应该被记住。输出门用于判断存储单元应该如何影响隐藏状态。可以根据以下公式迭代计算流量的时间规律性：
Figure BDA0002259407730000091
Figure BDA0002259407730000092
Figure BDA0002259407730000093
Figure BDA0002259407730000094
ct＝ftΘct-1+itΘgt
ht＝otΘtanh(ct)
其中，Xt是t时刻的输入，ht-1是上一个时刻的隐藏状态，
Figure BDA0002259407730000095
Figure BDA0002259407730000096
分别是三个门和输入单元连接到Xt的权重参数，
Figure BDA0002259407730000097
分别是三个门和输入单元连接到ht-1的权重参数，bi、bf、bo、bc是对应的偏置参数，σ是激活函数，tanh表示双曲正切激活函数，Θ表示向量之间的点乘。对于LSTM层1中的LSTM单元，Xt由历史流量矩阵TMt以及与之对应的相关性矩阵所组成，或者，Xt是前一个LSTM层的单元输出。
基于上述实施例的内容，作为一种可选实施例，其中，将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，包括但不限于：将预测数据集中的W个连续的历史流量矩阵输入至训练好的流量需求矩阵预测模型中，获取W个连续的流量需求预测矩阵。
具体地，如图4所示，当输入的历史流量矩阵为多个，即分别为：TMt-w+1、TMt-w+2……TMt共计W个，且所有W个历史流量矩阵在时间上顺序输入至流量需求矩阵预测模型后，获取到在时间上依次延续的q个连续的流量需求预测矩阵。本发明实施例提供的流量需求矩阵预测方法，通过依次输入连续的历史流量矩阵至流量需求矩阵预测模型中，能够获取到连续时间段内的流量需求预测矩阵，能够有效的提高预测的适用性。
基于上述实施例的内容，作为一种可选实施例，其中，将所述预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，还包括：将历史流量矩阵输入至卷积神经网络，获取与历史流量矩阵相对应的流量相关性矩阵；将历史流量矩阵与流量相关性矩阵构接成一个预测向量；将预测向量输入至所述长短期记忆网络，获取所述流量需求预测矩阵。
进一步地，上述将预测向量输入至所述长短期记忆网络，获取所述流量需求预测矩阵，包括：将上述预测向量输入至长短期记忆网络，并获取长短期记忆网络的最后一个LSTM层输出的中间矩阵；对中间矩阵进行流内注意机制运算，输出流量需求预测矩阵；其中，流内注意机制运算的计算公式可以是：
Ei,j＝σ[V1(HV2)T+be]
Figure BDA0002259407730000101
TMt+1＝f(Ei,j',H)
其中，H为所述中间矩阵，V1和V2为所述流内注意机制运算中可学习的权重，be为偏置参数，Ei，j为W个时刻中的任意两个时刻i和时刻j之间依赖关系强度矩阵，E’i，j为利用softmax函数对所述Ei，j进行归一化处理，exp为指数函数，f为矩阵相乘函数，TM为所述中间矩阵所对应的流量需求预测矩阵。需要说明的是，虽然长短期记忆网络的输出为W个流量矩阵，但是可以根据所需的预测长度q来选取W个流量矩阵中的前q个作为流量需求预测矩阵。
图7为本发明实施例提供的一种流量需求矩阵预测方法中长短期记忆网络时序性建模过程，如图7所示，在本实施例中，以通过历史流量矩阵Xt获取到与之对应的流量需求预测矩阵为例进行说明：
由于长短期记忆网络中的每个LSTM单元是从输入的流量中提取顺序特征，并输出隐藏状态量作为其唯一表示。但是，一方面，由于流量的周期长以及循环编码器的容量有限，在获取隐藏状态量时，不可避免的会丢失一些输入信息；另一方面，由于WAN业务量的突发性，相邻的极值时间点可能会使长短期记忆网络模型产生混淆，从而导致错误的预测。
在本实施例中，通过对LSTM最后一层输出的中间矩阵H的权重作出稳健和准确的预测调整，即建立时间和流量之间的依赖关系的强度矩阵，通过对该强度矩阵的归一化处理后，生成流内注意矩阵；通过流内注意矩阵对中间矩阵H进行权重动态调整，从而获取到最后的结果。相对于直接将中间矩阵H作为输出的流量需求预测矩阵，有效的克服了上述两个不足。
基于上述实施例的内容，作为一种可选实施例，在将所述历史流量矩阵输入至所述卷积神经网络之前，还包括：根据历史流量矩阵的大小确定卷积神经网络中卷积层的层数。
为了对输入的历史流量矩阵中的相关性建模，本发明实施例中将一个测试样本中的W个流量矩阵分别作为CNN模型的输入。由于一层卷积层只能捕获矩阵中相邻元素的相关性，而流量矩阵中具有相关性的元素的分布具有同行或者同列的规律。为了捕获不相邻元素的相关性，在本实施例中，通过使用具有多层卷积层的CNN网络对流量之间相关性建模。输入的历史流量矩阵越大，则可能需要更多的卷积层。
基于上述实施例的内容，作为一种可选实施例，上述基于历史流量矩阵样本以及与历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型，包括但不限于以下步骤：
S71、将预测数据集中多个连续的历史流量矩阵依次排列构建成训练样本集；
S72、将训练样本集中的任一个历史流量矩阵输入至流量需求矩阵预测模型，获取由流量需求矩阵预测模型输出的预测矩阵；
S73、将预测矩阵与预测时刻真实流量矩阵作差，作为本次训练的预测误差；
S74、利用预测误差对流量需求矩阵预测模型中的所有参数进行梯度方向更新，并将任一个历史流量矩阵从预测数据集中剔除；
S75、依次迭代执行步骤S72-步骤S74，直至预测误差趋于不变。
具体地，在本发明实施例中对于建立的流量需求矩阵预测模型(CRNN)进行训练的方法，主要是深度学习中的误差反向传播算法，即由输入端的样本以及与该样本对应的标签作为输出端，分别完成对于该模型的训练。
具体地，在训练阶段，每一次迭代都会将最后的输出TMt+1与该时刻真实的流量矩阵TM’t+1作差，作为这次迭代的误差。用该误差对模型中所有参数求梯度，使各参数往梯度方向更新，使得模型的输出会更接近于真实的流量矩阵。在经过多次迭代后，模型的误差终会趋于不变，即可以认为模型的预测能力收敛到了一个最优点。
本发明实施例还提供一种流量需求矩阵预测系统，如图8所示，包括但不限：采集单元1和运算单元2，其中，采集单元1，用于获取连续的历史流量矩阵构建预测数据集；运算单元2，其中存储有训练好的流量需求矩阵预测模型，用于接收预测数据集中的历史流量矩阵，并将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取与历史流量矩阵相对应的获取流量需求预测矩阵。
其中，训练好的流量需求矩阵预测模型是通过以下步骤获取的：
将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；
基于历史流量矩阵样本以及与历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型。
进一步地，其中流量相关性网络可以是CNN，流量时序性网络可以是LSTM。
本发明实施例提供的流量需求矩阵预测系统，建立了一种综合了卷积神经网络和循环神经网络的流量需求矩阵预测模型，综合考虑流量本身的时序性以及流量之间的相关性，通过对历史流量数据中的非线性关系建模，在有效的提高了检测精度的。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行如下方法：获取连续的历史流量矩阵构建预测数据集；将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵。其中，训练好的流量需求矩阵预测模型是通过以下步骤获取的：将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；基于历史流量矩阵样本以及与该历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取连续的历史流量矩阵构建预测数据集；将预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵。其中，训练好的流量需求矩阵预测模型是通过以下步骤获取的：将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；基于历史流量矩阵样本以及与该历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对流量需求矩阵预测模型进行训练，获取训练好的流量需求矩阵预测模型。
另一方面，为了更进一步的证实本发明实施例还提供了流量需求矩阵预测方法及其系统在对于流量需求预测矩阵的获取比校友技术中的其它网络模型更为精确，现结合图10以及图11，作如下说明：
其中，图10为利用Abilen数据集对本发明实施例提供的流量需求矩阵预测模型与对标模型进行仿真比较的示意图；图11为利用GEANT数据集对本发明实施例提供的流量需求矩阵预测模型与对标模型进行仿真比较的示意图。
图中，横坐标均为流量需求预测矩阵的预测个数，纵坐标中的MSE表示均方误差。MAE表示平均绝对误差。
在本发明实施例提供的图10以及图11中可以明显的获知：通过将预测矩阵的个数(q)从1增加到5，随着预测区间的增大，预测的难度也随之增大，预测误差也随之增大。具体来说，ARIMA和SVR的长期预测性能比短期预测要差的多。CNN的误差随着预测区间的增大而缓慢增大，总体性能良好。虽然CNN的误差变化不大，但是CNN的预测精度一直很低，因为它不能对流量之间的相关性进行建模。
本发明实施例提供的CRNN模型，几乎一直都能获得最佳的预测性能。特别是在长期预测中，CRNN与其他基线的差异更为显著。以q＝5为例，与LSTM相比，CRNN对Abilene和GEANT的MAE分别减少了31.5％和54.7％，对Abilene和GEANT的MAE分别减少了29.7％和65.9％。这些结果充分表明，将CNN与RNN相结合的策略可以更好地挖掘出TMs的动态变化规律，更精准地获取到流量需求预测矩阵。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种流量需求矩阵预测方法，其特征在于，包括：
获取连续的历史流量矩阵构建预测数据集；
将所述预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵；
所述训练好的流量需求矩阵预测模型是通过以下步骤获取的：
将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；
基于历史流量矩阵样本以及与所述历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对所述流量需求矩阵预测模型进行训练，获取所述训练好的流量需求矩阵预测模型。
2.根据权利要求1所述的流量需求矩阵预测方法，其特征在于，
所述流量相关性网络为卷积神经网络；
所述流量时序性网络为长短期记忆网络。
3.根据权利要求2所述的流量需求矩阵预测方法，其特征在于，所述将所述预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，包括：
将所述预测数据集中的W个连续的历史流量矩阵输入至所述训练好的流量需求矩阵预测模型中，获取q个连续的流量需求预测矩阵。
4.根据权利要求2所述的流量需求矩阵预测方法，其特征在于，所述将所述预测数据集中的历史流量矩阵输入至训练好的流量需求矩阵预测模型，获取流量需求预测矩阵，还包括：
将所述历史流量矩阵输入至所述卷积神经网络，获取与所述历史流量矩阵相对应的流量相关性矩阵；
将所述历史流量矩阵与所述流量相关性矩阵构接成一个预测向量；
将所述预测向量输入至所述长短期记忆网络，获取所述流量需求预测矩阵。
5.根据权利要求4所述的流量需求矩阵预测方法，其特征在于，所述将所述预测向量输入至所述长短期记忆网络，获取所述流量需求预测矩阵，包括：
将所述预测向量输入至所述长短期记忆网络，并获取所述长短期记忆网络的最后一个LSTM层输出的中间矩阵；
对所述中间矩阵进行流内注意机制运算，输出所述流量需求预测矩阵；
其中，所述流内注意机制运算的计算公式为：
Figure FDA0002259407720000021
其中，H为所述中间矩阵，V1和V2为所述流内注意机制运算中可学习的权重，be为偏置参数，Ei，j为W个时刻中的任意两个时刻i和时刻j之间依赖关系强度矩阵，E’i，j为利用softmax函数对所述Ei，j进行归一化处理，exp为指数函数，f为矩阵相乘函数，TM为所述中间矩阵所对应的流量需求预测矩阵。
6.根据权利要求4所述的流量需求矩阵预测方法，其特征在于，在所述将所述历史流量矩阵输入至所述卷积神经网络之前，包括：
根据所述历史流量矩阵的大小确定所述卷积神经网络中卷积层的层数。
7.根据权利要求2所述的流量需求矩阵预测方法，其特征在于，所述基于历史流量矩阵样本以及与所述历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对所述流量需求矩阵预测模型进行训练，获取所述训练好的流量需求矩阵预测模型，包括：
S71、将所述预测数据集中多个连续的历史流量矩阵依次排列构建成训练样本集；
S72、将所述训练样本集中的任一个所述历史流量矩阵输入至所述流量需求矩阵预测模型，获取由所述流量需求矩阵预测模型输出的预测矩阵；
S73、将所述预测矩阵与所述预测时刻真实流量矩阵作差，作为本次训练的预测误差；
S74、利用所述预测误差对所述流量需求矩阵预测模型中的所有参数进行梯度方向更新，并将所述任一个所述历史流量矩阵从所述预测数据集中剔除；
S75、依次迭代执行步骤S72-步骤S74，直至所述预测误差趋于不变。
8.一种流量需求矩阵预测系统，其特征在于，包括：
采集单元，用于获取连续的历史流量矩阵构建预测数据集；
运算单元，其中存储有训练好的流量需求矩阵预测模型，用于接收所述预测数据集中的历史流量矩阵，并将所述预测数据集中的历史流量矩阵输入至所述训练好的流量需求矩阵预测模型，获取与所述历史流量矩阵相对应的获取流量需求预测矩阵；
其中，所述训练好的流量需求矩阵预测模型是通过以下步骤获取的：
将流量相关性网络与流量时序性网络共同构建成流量需求矩阵预测模型；
基于历史流量矩阵样本以及与所述历史流量矩阵样本相对应的预测时刻真实流量矩阵标签，对所述流量需求矩阵预测模型进行训练，获取所述训练好的流量需求矩阵预测模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的流量需求矩阵预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的流量需求矩阵预测方法的步骤。
CN201911066121.5A 2019-11-04 2019-11-04 一种流量需求矩阵预测方法及其系统 Active CN111130839B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911066121.5A CN111130839B (zh) 2019-11-04 2019-11-04 一种流量需求矩阵预测方法及其系统
US17/088,258 US11301755B2 (en) 2019-11-04 2020-11-03 Methods, computing devices, and storage media for predicting traffic matrix

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911066121.5A CN111130839B (zh) 2019-11-04 2019-11-04 一种流量需求矩阵预测方法及其系统

Publications (2)

Publication Number Publication Date
CN111130839A true CN111130839A (zh) 2020-05-08
CN111130839B CN111130839B (zh) 2021-07-16

Family

ID=70496081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911066121.5A Active CN111130839B (zh) 2019-11-04 2019-11-04 一种流量需求矩阵预测方法及其系统

Country Status (2)

Country Link
US (1) US11301755B2 (zh)
CN (1) CN111130839B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240187A (zh) * 2021-05-26 2021-08-10 合肥工业大学 预测模型生成方法、系统、设备、存储介质及预测方法
CN113347659A (zh) * 2021-06-01 2021-09-03 深圳市大数据研究院 流量预测方法及装置
CN113556266A (zh) * 2021-07-16 2021-10-26 北京理工大学 一种以流量工程为中心的流量矩阵预测方法
CN113556253A (zh) * 2021-07-30 2021-10-26 济南浪潮数据技术有限公司 预测交换机端口实时流量的方法、系统、设备和存储介质
CN113905405A (zh) * 2021-11-19 2022-01-07 国网福建省电力有限公司经济技术研究院 一种电力无线接入专网异常流量检测方法
CN114401205A (zh) * 2022-01-21 2022-04-26 中国人民解放军国防科技大学 无标注多源网络流量数据漂移检测方法和装置
CN114785701A (zh) * 2022-04-06 2022-07-22 中国电信股份有限公司 光传送网流量预测方法、装置、电子设备及存储介质
CN114826947A (zh) * 2022-03-18 2022-07-29 华南师范大学 一种基于自动编码器的流量矩阵恢复预测方法及系统
CN115086186A (zh) * 2022-06-28 2022-09-20 清华大学 数据中心网络流量需求数据的生成方法和装置
CN117041073A (zh) * 2023-09-05 2023-11-10 广州天懋信息系统股份有限公司 网络行为预测方法、系统、设备及存储介质
CN115086186B (zh) * 2022-06-28 2024-06-04 清华大学 数据中心网络流量需求数据的生成方法和装置

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407987B (zh) * 2021-05-24 2023-10-20 支付宝(杭州)信息技术有限公司 保护隐私的确定业务数据特征有效值的方法及装置
CN113177672B (zh) * 2021-05-28 2023-12-15 阜新博远科技有限公司 基于长短时记忆网络的pm2.5预测方法
CN113408202B (zh) * 2021-06-18 2022-04-08 国网湖南省电力有限公司 面向变电站核心工控业务的流量基线模型构造方法
CN115622895A (zh) * 2021-06-30 2023-01-17 中兴通讯股份有限公司 模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质
CN113688973B (zh) * 2021-07-13 2024-04-26 同济大学 一种基于深度神经网络的供水泵站调度方法
CN113610277B (zh) * 2021-07-15 2023-02-03 中山大学 基于时空注意力机制的电力负荷预测方法、装置及介质
CN113783717B (zh) * 2021-08-12 2023-03-24 北京邮电大学 智慧城市网络流量预测方法及系统
CN113905391B (zh) * 2021-09-27 2023-05-23 湖北工业大学 集成学习网络流量预测方法、系统、设备、终端、介质
CN113992525A (zh) * 2021-10-12 2022-01-28 支付宝(杭州)信息技术有限公司 一种应用的容器数量调节方法及装置
CN113944888B (zh) * 2021-11-03 2023-12-08 北京软通智慧科技有限公司 燃气管道泄漏检测方法、装置、设备和存储介质
CN114126019B (zh) * 2021-11-30 2024-04-23 北京邮电大学 一种基于能效优化的前传光网络动态资源映射方法及系统
CN114205251B (zh) * 2021-12-09 2022-12-02 西安电子科技大学 基于时空特征的交换机链路资源预测方法
CN114360242B (zh) * 2021-12-10 2023-04-07 重庆邮电大学 一种基于混合卷积lstm的城市短时交通流预测方法及系统
CN114419878B (zh) * 2021-12-22 2023-04-07 银江技术股份有限公司 城市路网全域交通状态预测的方法、电子装置和存储介质
CN114374653B (zh) * 2021-12-28 2024-02-27 同济大学 一种基于流量预测的可变比特速率业务调度方法
CN114299728B (zh) * 2021-12-29 2023-04-21 杭州电子科技大学 结合注意力机制与动态时空卷积模型的车辆流量预测方法
CN114422382B (zh) * 2022-01-28 2023-02-28 湖南大学 网络流量预测方法、计算机装置、产品及存储介质
CN114399057A (zh) * 2022-01-28 2022-04-26 青岛海尔科技有限公司 权重的调整方法和装置、存储介质及电子装置
CN114827353B (zh) * 2022-04-15 2023-10-10 中国电信股份有限公司 通信网络通话预测方法、装置、设备及存储介质
CN114819382B (zh) * 2022-05-11 2024-05-24 湘潭大学 一种基于lstm的光伏功率预测方法
CN115022193B (zh) * 2022-05-23 2024-02-02 电子科技大学 一种基于深度学习模型的局域网流量预测方法
CN115022191B (zh) * 2022-05-26 2023-10-03 电子科技大学 一种IPv6网络中端到端流快速反演方法
CN115115094B (zh) * 2022-05-26 2024-02-06 浙江省机电设计研究院有限公司 结合序列局部信息与多序列关联关系的交通流量预测方法
CN115208775A (zh) * 2022-06-23 2022-10-18 中国银行股份有限公司 手机银行流量预测方法及装置
CN115145899B (zh) * 2022-06-29 2023-10-24 广东工业大学 一种基于制造企业数据空间的时空数据异常检测方法
CN115225543B (zh) * 2022-07-08 2023-10-20 北京百度网讯科技有限公司 一种流量预测方法、装置、电子设备和存储介质
CN115225520B (zh) * 2022-07-15 2023-09-26 同济大学 一种基于元学习框架的多模态网络流量预测方法及装置
CN115359444B (zh) * 2022-10-18 2023-04-07 智道网联科技(北京)有限公司 道路拥堵预测方法及装置
CN115439206B (zh) * 2022-11-08 2023-03-07 税友信息技术有限公司 一种申报数据预测方法、装置、设备及介质
CN115631631B (zh) * 2022-11-14 2023-04-07 北京航空航天大学 一种基于双向蒸馏网络的交通流量预测方法与装置
CN115604131B (zh) * 2022-12-15 2023-04-07 广州丰石科技有限公司 一种链路流量预测方法、系统、电子设备及介质
CN116542438B (zh) * 2023-03-28 2024-01-30 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法
CN116306787B (zh) * 2023-05-22 2023-08-22 江西省气象灾害应急预警中心(江西省突发事件预警信息发布中心) 能见度预警模型构建方法、系统、计算机及可读存储介质
CN116933114A (zh) * 2023-06-12 2023-10-24 浙江大学 一种基于cnn-lstm的直流微电网检测方法及装置
CN116668198B (zh) * 2023-07-31 2023-10-20 南京争锋信息科技有限公司 基于深度学习的流量回放测试方法、装置、设备及介质
CN117252307B (zh) * 2023-11-14 2024-04-09 北京阿帕科蓝科技有限公司 流量预测方法、装置、计算机设备和存储介质
CN117292584B (zh) * 2023-11-24 2024-02-02 南京航空航天大学 基于gcn-lstm模型的多机场终端区流量预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法
CN109063908A (zh) * 2018-07-30 2018-12-21 浙江鸿程计算机系统有限公司 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法
CN109242049A (zh) * 2018-11-21 2019-01-18 安徽建筑大学 基于卷积神经网络的给水管网多点漏损定位方法及其装置
US20190079535A1 (en) * 2017-09-13 2019-03-14 TuSimple Training and testing of a neural network method for deep odometry assisted by static scene optical flow

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7152051B1 (en) * 2002-09-30 2006-12-19 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US20120020216A1 (en) * 2010-01-15 2012-01-26 Telcordia Technologies, Inc. Cognitive network load prediction method and apparatus
US10783900B2 (en) * 2014-10-03 2020-09-22 Google Llc Convolutional, long short-term memory, fully connected deep neural networks
US11537845B2 (en) * 2017-04-12 2022-12-27 Yodlee, Inc. Neural networks for information extraction from transaction data
EP3547226A1 (en) * 2018-03-28 2019-10-02 Koninklijke Philips N.V. Cross-modal neural networks for prediction
US11131993B2 (en) * 2019-05-29 2021-09-28 Argo AI, LLC Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法
US20190079535A1 (en) * 2017-09-13 2019-03-14 TuSimple Training and testing of a neural network method for deep odometry assisted by static scene optical flow
CN109063908A (zh) * 2018-07-30 2018-12-21 浙江鸿程计算机系统有限公司 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法
CN109242049A (zh) * 2018-11-21 2019-01-18 安徽建筑大学 基于卷积神经网络的给水管网多点漏损定位方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHIH-WEI HUANG等: ""A study of deep learning networks on mobile traffic forecasting"", 《2017 IEEE 28TH ANNUAL INTERNATIONAL SYMPOSIUM ON PERSONAL, INDOOR, AND MOBILE RADIO COMMUNICATIONS (PIMRC)》 *
黎旭成等: "《基于卷积神经网络和长短期记忆模型的交通状态预测》", 《品质交通与协同共治——2019年中国城市交通规划年会论文集》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240187B (zh) * 2021-05-26 2022-10-11 合肥工业大学 预测模型生成方法、系统、设备、存储介质及预测方法
CN113240187A (zh) * 2021-05-26 2021-08-10 合肥工业大学 预测模型生成方法、系统、设备、存储介质及预测方法
CN113347659A (zh) * 2021-06-01 2021-09-03 深圳市大数据研究院 流量预测方法及装置
CN113347659B (zh) * 2021-06-01 2022-12-23 深圳市大数据研究院 流量预测方法及装置
CN113556266A (zh) * 2021-07-16 2021-10-26 北京理工大学 一种以流量工程为中心的流量矩阵预测方法
CN113556253A (zh) * 2021-07-30 2021-10-26 济南浪潮数据技术有限公司 预测交换机端口实时流量的方法、系统、设备和存储介质
CN113556253B (zh) * 2021-07-30 2023-05-26 济南浪潮数据技术有限公司 预测交换机端口实时流量的方法、系统、设备和存储介质
CN113905405A (zh) * 2021-11-19 2022-01-07 国网福建省电力有限公司经济技术研究院 一种电力无线接入专网异常流量检测方法
CN113905405B (zh) * 2021-11-19 2024-04-12 国网福建省电力有限公司经济技术研究院 一种电力无线接入专网异常流量检测方法
CN114401205A (zh) * 2022-01-21 2022-04-26 中国人民解放军国防科技大学 无标注多源网络流量数据漂移检测方法和装置
CN114401205B (zh) * 2022-01-21 2024-01-16 中国人民解放军国防科技大学 无标注多源网络流量数据漂移检测方法和装置
CN114826947A (zh) * 2022-03-18 2022-07-29 华南师范大学 一种基于自动编码器的流量矩阵恢复预测方法及系统
CN114826947B (zh) * 2022-03-18 2023-03-21 华南师范大学 一种基于自动编码器的流量矩阵恢复预测方法及系统
CN114785701A (zh) * 2022-04-06 2022-07-22 中国电信股份有限公司 光传送网流量预测方法、装置、电子设备及存储介质
CN115086186A (zh) * 2022-06-28 2022-09-20 清华大学 数据中心网络流量需求数据的生成方法和装置
CN115086186B (zh) * 2022-06-28 2024-06-04 清华大学 数据中心网络流量需求数据的生成方法和装置
CN117041073A (zh) * 2023-09-05 2023-11-10 广州天懋信息系统股份有限公司 网络行为预测方法、系统、设备及存储介质
CN117041073B (zh) * 2023-09-05 2024-05-28 广州天懋信息系统股份有限公司 网络行为预测方法、系统、设备及存储介质

Also Published As

Publication number Publication date
US11301755B2 (en) 2022-04-12
CN111130839B (zh) 2021-07-16
US20210133569A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
CN111130839B (zh) 一种流量需求矩阵预测方法及其系统
Azzouni et al. NeuTM: A neural network-based framework for traffic matrix prediction in SDN
CN110675623B (zh) 基于混合深度学习的短时交通流量预测方法、系统、装置
CN109886498B (zh) 一种基于特征选择的emd-gru短期电力负荷预测方法
Bi et al. Deep neural networks for predicting task time series in cloud computing systems
CN110276441B (zh) 一种基于深度学习的梯形重叠核脉冲估计方法
CN110046706A (zh) 模型生成方法、装置及服务器
CN114490065A (zh) 一种负载预测方法、装置及设备
Noels Micromechanics-based material networks revisited from the interaction viewpoint; robust and efficient implementation for multi-phase composites
CN109117352B (zh) 服务器性能预测方法和装置
CN111402028A (zh) 一种信息处理方法、装置及设备
CN111756587B (zh) 一种采用GraphSAGE预测时序网络链路的方法
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及系统
Kleinke et al. countimp 1.0–A multiple imputation package for incomplete count data
Momotaz et al. Prediction interval of cumulative number of software faults using multilayer perceptron
Basheer Stress-strain behavior of geomaterials in loading reversal simulated by time-delay neural networks
CN116048956A (zh) 一种软件缺陷发生情况预测方法、装置、设备及存储介质
CN116303786A (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN116307022A (zh) 一种舆情热点信息预测方法及系统
CN107682193A (zh) 一种公共通信多业务流估计方法
CN112423031B (zh) 基于iptv的kpi监测方法、装置及其系统
CN112434847A (zh) 基于lstm模型的快递件量预测方法、装置、设备和存储介质
Aguiar et al. Learning Flow Functions from Data with Applications to Nonlinear Oscillators
Li et al. Covid-19 Epidemic Trend Prediction Based on CNN-StackBiLSTM
KR20190129422A (ko) 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant