CN112906982A - 一种基于gnn-lstm结合的网络流量预测方法 - Google Patents
一种基于gnn-lstm结合的网络流量预测方法 Download PDFInfo
- Publication number
- CN112906982A CN112906982A CN202110299587.0A CN202110299587A CN112906982A CN 112906982 A CN112906982 A CN 112906982A CN 202110299587 A CN202110299587 A CN 202110299587A CN 112906982 A CN112906982 A CN 112906982A
- Authority
- CN
- China
- Prior art keywords
- network
- gnn
- lstm
- model
- flow
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- ZEFNOZRLAWVAQF-UHFFFAOYSA-N Dinitolmide Chemical compound CC1=C(C(N)=O)C=C([N+]([O-])=O)C=C1[N+]([O-])=O ZEFNOZRLAWVAQF-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出一种基于GNN‑LSTM结合的网络流量预测方法，该方法属于网络流量预测领域，首先加载真实网络流量数据集，并对数据集进行标准归一化处理，然后将网络流量数据进行划分训练集和测试集，构建基于图神经网络和长短期记忆神经网络结合的模型，其中图神经网络学习网络拓扑结构，提取网络流量的空域特征，然后将具有空域作为长短期记忆神经网络输入，学习网络流量的时域变化规律，提取网络流量的时域特征，在LSTM模型中进行基于Adam优化算法进行迭代训练，得到训练好的模型，最后输入测试集数据进行预测，输出的序列是基于GNN‑LSTM的预测结果，每项序列生成概率都受多个历史的流量序列的影响，能够更好的提取网络流量的时空特性，流量预测更加精确。
Description
技术领域
本发明公开了一种基于GNN-LSTM结合的网络流量预测方法，设计计算机网络、深度学习和网络流量预测领域。
背景技术
随着互联网和通信技术的不断发展，网络的规模也在不断增大，对网络的控制和管理难度也越来越大。为了能够更好的对网络进行管理、监控和规划，需要提前能够掌握网络流量数据的变化趋势，进而能供依据预测值指定合理有效的流量管理的策略，来提高网络的服务质量和用户体验，同时，网络流量预测能够根据网络历史流量数据，预测出未来一段时间内的网络流量值，能够有效的帮助网络的管理人员应对突发的网络拥塞问题，然后合理的对网络资源进行配置工作，实现有效避免网络故障的发生。因此网络流量预测是实现服务质量保证的一项重要的技术，建立具有精确度更高的网络流量预测模型具有重要的意义。
近年来，网络流量预测问题是计算机网络界非常关注的一个重要问题，依据国内外学者对网络流量预测问题的研究，已提出了许多网络流量预测的方法，这些预测方法主要分为两类，即线性预测方法和非线性预测方法。线性预测方法主要是针对网络流量的短相关特性，来处理网络流量的短期预测问题，线性模型主要包括有自回归模型（AR）、移动平均模型（MA）、自回归滑动平均模型（ARMA）、差分整合移动平均自回归模型（ARIMA）等，这些传统的线性预测模型大部分都是使用多项式进行拟合函数对真实的网络流量数据无限逼近，然后对大量的参数设置进行调控使得拟合效果最好，其中ARIMA模型是通过将自回归模型（AR）、移动平均模型（MA）以及差分法结合，建立起时间序列数据预测模型。ARIMA的优点在于模型简单，但只能对变化平稳的数据时间序列进行预测，对于快速变化情况的流量数据不能够进行精确的预测。因此，线性模型无法反映出网络流量特性。非线性方法主要是基于机器学习和深度学习的方法，非线性预测模型主要包括支持向量机（SVR），灰色模型和神经网络等，其中支持向量机模型是基于统计学理论，在分类预测领域中有广泛的应用，能处理流量中非线性问题和解的稀疏性，但是缺少结构化的方法来确定模型中的一些关键参数，而且会出现局部最优，导致对模型会产生影响。近几年来，深度学习的模型在广泛的被研究，深度学习可以保持学习特征的同时还能够保证其与每一个任务之间的相互关联，实现能够有效的处理时间序列问题。循环神经网络（RNN）中的长短期记忆神经网络（LSTM）是一种特殊模型的递归单元，可以实现对循环神经网络的长期依赖能力的解决和在RNN训练过程中的出现的梯度消失和梯度爆炸等问题，相比于机器学习算法在预测精度上有一定的提高。但是，当LSTM模型被应用到大规模的网络中时，LSTM模型的计算成本比较大，所需要的参数量也很大。而且在现实的应用中，网络节点之间存在着相关性，如果单单只从数据时域维度方面对网络流量进行预测仍然存在一定的局限性，因此，在考虑网络节点之间存在的时空相关性时，根据历史的流量数据精确预测各个节点之间的网络流量仍然存在一定的困难。
解决时空相关网络流量预测问题是计算机网络中的一大研究热点，尽管现在的网络流量预测模型有不错的预测效果，但是这些方法只考虑了时间序列中的时域上的相关性，忽略了现实中网络节点之间存在的空域相关性，即网络流量的空间特征，这样会导致预测时网络流量的更高维特征被忽略，因此要在对网络流量预测中考虑到网络流量的空域特征，通过图神经网络提取网络节点间的空间相关特征，然后在考虑网络流量的时间特性，使用长短期记忆神经网络结构单元，减少模型参数，提高预测精度。
发明内容
针对所要解决的技术问题是克服现有技术的不足，本发明提供一种基于GNN-LSTM结合的网络流量预测模型，该模型首先采用图神经网络（GNN）来学习通信节点的网络拓扑结构，提取到网络通信区域的网络流量的空域特征，然后将具有空域特征的数据作为长短期记忆神经网络（LSTM）单元的输入，学习在通信区域的时序变化规律，提取到网络流量的时域特征，最后通过测试集得到最终的预测结果，因此可以很好的提取学习到网络流量的时空特性，进而得到更好的预测结果。
根据本发明提出的一种基于GNN-LSTM结合的网络流量预测方法，包括以下步骤：
步骤1，数据预处理，对原始真实的网络流量数据集进行标准化、归一化处理，最后将归一化后的网络流量数据划分为90%训练数据集和10%测试数据集；
步骤2，构建模型，构建基于图神经网络GNN和长短期记忆神经网络LSTM相结合的深度学习GNN-LSTM模型，并对GNN-LSTM模型初始化；该GNN-LSTM模型包括图神经网络GNN模型、3层LSTM模型；
步骤3，模型训练，将训练数据集输入所述基于GNN-LSTM模型中，学习和挖掘网络流量的时域特征和空域特征，GNN来提取网络流量的空域特征，LSTM来学习提取网络流量的时域特征。然后用基于Adam优化算法进行迭代训练，得到训练好的GNN-LSTM模型；
步骤4，网络流量预测，将测试集输入训练好的GNN-LSTM模型中，得到基于GNN-LSTM模型预测网络流量值和真实网络流量值的结果图，并用评价指标来评估GNN-LSTM模型。
进一步，所述步骤1包括的具体步骤如下：
步骤1.1，加载网络流量数据集，将所述网络流量数据集存储在本地，所述网络流量数据集中包含有网络链路在采集的各个历史时刻的网络流量数据值；
步骤1.2，计算网络流量数据集中的流量最大值
和最小值
；
步骤1.3，对原始的网络流量数据进行
标准化，即
；
其中，
为原始网络流量数据，
为网络流量数据的最大值，
为网络流量数据的最小值，
为标准化处理后的结果；
步骤1.4，将数据集划分为90%训练集和10%测试集。
进一步，所述步骤2包括以下步骤：
步骤2.1，构建图神经网络，模型输入的是网络流量数据节点之间的空间特征，包括一个顶点集v和顶点相关的边集u；
步骤2.2，构建长短期记忆神经网络，该网络由若干层神经元组成，且每层神经元个数为相关参数包括隐含神经元个数、批量预测的数据大小、神经网络层数、学习率、最大的迭代次数。
进一步，所述步骤3包括：使用Adam算法迭代优化方法对整体的网络损失L进行优化，其公式如下：
其中
表示预测流量值，
表示真实的流量值；对损失函数进行优化，调整参数，得到最终的基于GNN-LSTM网络流量预测模型。
进一步，所述步骤4中的评价指标包括：为了验证所述的基于GNN-LSTM模型的网络流量预测方法的有效性，通过在训练集和测试集进行实验，对预测结果的平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）作为该预测方法的评价指标。
因为采用了上述技术方案，本发明提供的一种基于GNN-LSTM结合的网络流量预测方法，具有以下技术效果：
本发明使用图神经网络（GNN）提取了网络流量空间的相关信息，同时结合了长短期记忆神经网络（LSTM）在处理具有时序依赖性数据上的优势，从而解决了网络流量在实际应用中时间周期性的问题，也考虑了网络节点空域特性的问题，使网络流量预测模型更加实用，提升网络流量预测模型的精度；
本发明中的实验采用的真实的网络流量数据，进一步调整LSTM参数，并且通过Adam算法迭代优化，得到更加精度更高的预测结果。
附图说明
图1本发明所述的基于GNN-LSTM的网络流量预测方法的流程图。
图2 Abilene网络拓扑结构图。
图3本发明所述的LSTM模型结构图。
图4本发明所述的各个模型预测平均绝对误差对比图。
具体实施方式
为了使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明进行详细描述。
本发明提出的基于图神经网络（GNN）和长短期记忆神经网络（LSTM）相结合的网络流量预测模型GNN-LSTM，该模型具有图神经网络和单一长短期记忆神经网络的优点，同时弥补了传统神经网络模型的不足，针对网络流量节点获取其空域特征，以此来进一步的提升网络流量预测的精确度。
图1为基于GNN-LSTM结合的网络流量预测模型的流程示意图。首先加载网络流量的数据集，将所述网络流量数据存储在本地，所述网络流量数据集中包含有特定网络链路在各个历史时刻的网络流量数据值；然后对数据集进行归一化标准化处理，计算所述网络流量数据集中的流量最大值
和最小值
；对原始网络流量的数据进行
标准化，即
其中，
为原始网络流量数据，
为网络流量数据的最大值，
为网络流量数据的最小值，
为标准化处理后的结果；将数据集划分为训练集和测试集，本实施例中，设置训练样本数占全部样本数的90%，即前90%的样本作为训练集，剩下10%的样本作为测试集；下一步对模型参数进行设置及初始化，构建时空结合的GNN-LSTM神经网络模型，并对模型进行迭代训练，训练GNN-LSTM模型学习和挖掘网络流量的时空特征，最后将测试集输入到模型进行预测，得到网络流量的预测值，并对预测结果进行评价。
图2为Abilene网络拓扑结构，图中每一个节点代表美国一个城市，每一条边代表一个源地址到目的地址间的联系，本实施例提供的实验数据为：实验数据集Abilene来自美国研究教育网（the American Research and Education Network）。采用美国12个主要城市的真实拓扑结构及其历史流量数据，包含12个网络节点，共144个OD流对，数据采集时间为2004年8月1日0时至2004年8月23日0时，每隔五分钟收集一次12个源地点到12个目的地的流量带宽值，共有6337条数据，Abilene网络由12个对等节点和30个无向链接组成，该数据集是网络流量工程领域流行的数据集之一，并且网络流量研究者们已经在该数据集上做了大量实验，证明该数据集的实用性，一直都是网络流量工程领域非常优秀的数据集。
图3为长短期记忆神经网络的模型结构图，每个LSTM单元包含一个存储单元
和LSTM输出单元
其中输出门
，输出是由
其中
为sigmoid激活函数，W表示权重，
表示偏置。记忆内容
通过遗忘当前记忆和添加新的记忆来更新
,
其中
是现有记忆被遗忘的程度，通常被称为遗忘门，该数量
表示输入门或新存储内容添加到单元的程度。这些门控由以下等式确定：
通过使用这些门，LSTM可以决定是保留现有内存还是在现有内存中权衡新信息，这是RNN模型中没有的功能，它会在每个时间步长来覆盖内存。从直观的角度来看，这给了LSTM更大的潜力来捕捉长期依赖的关系，更适用于具有时间依赖关系的网络流量数据，因此本发明采用长短期记忆神经网络对真实网络流量数据进行对时域信息的学习和训练。
图4为各个模型预测平均绝对误差对比图，可以看出GNN-LSTM预测模型针对网络流量预测具有更好的效果。
本发明提出的网络流量预测模型所涉及到的实验环境参数和模型参数如下表1：
表1 实验硬件参数
表2 多个模型实验结果
对于网络流量预测模型的结果评价，本实验才有如下4种评价指标：
具体的衡量评价指标如下：
预测值：
真实值：
平均绝对误差（MAE）：绝对值加上预测误差除以预测次数的比值。
均方误差(MSE)：预测值和实际值的比值除以预测值的个数。
均方根误差(RMSE)：观测值与真实值的比值除以预测值的数目。
平均绝对误差百分比(MAPE)：原始值与预测值的比值除以原始值再除以预测值。是一种不受预测序列个数影响的有用评价指标。
最后说明的是：以上所述的仅为本发明的具体实施方式，实施例仅用以说明本发明的技术方案，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，都可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，包含以下步骤：
步骤1，数据预处理，对原始真实的网络流量数据集进行标准化、归一化处理，最后将归一化后的网络流量数据划分为90%训练数据集和10%测试数据集；
步骤2，构建模型，构建基于图神经网络GNN和长短期记忆神经网络LSTM相结合的深度学习GNN-LSTM模型，并对GNN-LSTM模型初始化；该GNN-LSTM模型包括图神经网络GNN模型、3层LSTM模型；
步骤3，模型训练，将训练数据集输入所述基于GNN-LSTM模型中，学习和挖掘网络流量的时域特征和空域特征，GNN来提取网络流量的空域特征，LSTM来学习提取网络流量的时域特征，然后用基于Adam优化算法进行迭代训练，得到训练好的GNN-LSTM模型；
步骤4，网络流量预测，将测试集输入训练好的GNN-LSTM模型中，得到基于GNN-LSTM模型预测网络流量值和真实网络流量值的结果图，并用评价指标来评估GNN-LSTM模型。
2.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤1包括的具体步骤如下：
步骤1.1，加载网络流量数据集，将所述网络流量数据集存储在本地，所述网络流量数据集中包含有网络链路在采集的各个历史时刻的网络流量数据值；
步骤1.2，计算网络流量数据集中的流量最大值
和最小值
；
步骤1.3，对原始的网络流量数据进行
标准化，即
其中，
为原始网络流量数据，
为网络流量数据的最大值，
为网络流量数据的最小值，
为标准化处理后的结果；
步骤1.4，将数据集划分为90%训练集和10%测试集。
3.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1，构建图神经网络，模型输入的是网络流量数据节点之间的空间特征，包括一个顶点集v和顶点相关的边集u；
步骤2.2，构建长短期记忆神经网络，该网络由若干层神经元组成，且每层神经元个数为相关参数包括隐含神经元个数、批量预测的数据大小、神经网络层数、学习率、最大的迭代次数。
4.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤3包括：使用Adam算法迭代优化方法对整体的网络损失L进行优化，其公式如下：
其中
表示预测流量值，
表示真实的流量值；对损失函数进行优化，调整参数，得到最终的基于GNN-LSTM网络流量预测模型。
5.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤4中的评价指标包括：为了验证所述的基于GNN-LSTM模型的网络流量预测方法的有效性，通过在训练集和测试集进行实验，对预测结果的平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）作为该预测方法的评价指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299587.0A CN112906982A (zh) | 2021-03-22 | 2021-03-22 | 一种基于gnn-lstm结合的网络流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299587.0A CN112906982A (zh) | 2021-03-22 | 2021-03-22 | 一种基于gnn-lstm结合的网络流量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112906982A true CN112906982A (zh) | 2021-06-04 |
Family
ID=76105794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110299587.0A Pending CN112906982A (zh) | 2021-03-22 | 2021-03-22 | 一种基于gnn-lstm结合的网络流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906982A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113162811A (zh) * | 2021-06-01 | 2021-07-23 | 长扬科技（北京）有限公司 | 一种基于深度学习的工控网络流量异常检测方法及装置 |
| CN113810385A (zh) * | 2021-08-26 | 2021-12-17 | 浙江工业大学 | 一种自适应干扰的网络恶意流量检测防御方法 |
| CN113810226A (zh) * | 2021-09-07 | 2021-12-17 | 清华大学 | 结合离散特征编码和聚类修正的广域网单点流量预测方法 |
| CN113949644A (zh) * | 2021-10-22 | 2022-01-18 | 山东省计算中心（国家超级计算济南中心） | 基于LSTM-prophet的网站访问量预测方法及系统 |
| CN114205250A (zh) * | 2021-12-09 | 2022-03-18 | 西安电子科技大学 | 基于时空网络stn的虚拟网络链路流量预测方法 |
| CN114374655A (zh) * | 2021-12-22 | 2022-04-19 | 中国电信股份有限公司 | 网络流量特征提取方法、装置、设备及存储介质 |
| CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
| CN114710413A (zh) * | 2022-03-31 | 2022-07-05 | 中国农业银行股份有限公司 | 一种银行网点网络状态的预测方法及装置 |
| CN114895985A (zh) * | 2022-06-08 | 2022-08-12 | 华东师范大学 | 一种面向基于采样的图神经网络训练的数据加载系统 |
| CN115348183A (zh) * | 2022-08-16 | 2022-11-15 | 武汉烽火技术服务有限公司 | 流量预测方法与装置 |
| CN115442253A (zh) * | 2022-09-15 | 2022-12-06 | 西安电子科技大学 | 一种利用注意力机制的网络流量预测方法 |
| CN115907079A (zh) * | 2022-10-10 | 2023-04-04 | 南京航空航天大学 | 一种基于注意力时空图卷积网络的空域交通流量预测方法 |
| CN116094758A (zh) * | 2022-12-02 | 2023-05-09 | 肇庆医学高等专科学校 | 一种大规模网络流量采集方法及系统 |
| CN116192764A (zh) * | 2023-04-24 | 2023-05-30 | 南京邮电大学 | 一种基于深度学习的多任务数据中心网络流量预测方法 |
| CN116506309A (zh) * | 2023-06-27 | 2023-07-28 | 北京圣传创世科技发展有限公司 | 一种车载atp通信信号综合监测系统及方法 |
| CN117592619A (zh) * | 2023-12-18 | 2024-02-23 | 中国科学院空天信息创新研究院 | 一种基于gnn-lstm的县域冬小麦估产分析方法和系统 |
| CN118036714A (zh) * | 2024-04-12 | 2024-05-14 | 中国民用航空飞行学院 | 基于集成学习算法的空域流量预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
| CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
| CN111951543A (zh) * | 2019-05-15 | 2020-11-17 | 杭州海康威视数字技术股份有限公司 | 流量预测方法及装置 |
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
-
2021
- 2021-03-22 CN CN202110299587.0A patent/CN112906982A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951543A (zh) * | 2019-05-15 | 2020-11-17 | 杭州海康威视数字技术股份有限公司 | 流量预测方法及装置 |
| CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
| CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱虹锦: "基于图神经网络的城市交通流量预测", 《电脑知识与技术》 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113162811A (zh) * | 2021-06-01 | 2021-07-23 | 长扬科技（北京）有限公司 | 一种基于深度学习的工控网络流量异常检测方法及装置 |
| CN113810385B (zh) * | 2021-08-26 | 2023-02-14 | 浙江工业大学 | 一种自适应干扰的网络恶意流量检测防御方法 |
| CN113810385A (zh) * | 2021-08-26 | 2021-12-17 | 浙江工业大学 | 一种自适应干扰的网络恶意流量检测防御方法 |
| CN113810226A (zh) * | 2021-09-07 | 2021-12-17 | 清华大学 | 结合离散特征编码和聚类修正的广域网单点流量预测方法 |
| CN113810226B (zh) * | 2021-09-07 | 2022-05-03 | 清华大学 | 结合离散特征编码和聚类修正的广域网单点流量预测方法 |
| CN113949644A (zh) * | 2021-10-22 | 2022-01-18 | 山东省计算中心（国家超级计算济南中心） | 基于LSTM-prophet的网站访问量预测方法及系统 |
| CN114205250A (zh) * | 2021-12-09 | 2022-03-18 | 西安电子科技大学 | 基于时空网络stn的虚拟网络链路流量预测方法 |
| CN114422381B (zh) * | 2021-12-14 | 2023-05-26 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
| CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
| CN114374655A (zh) * | 2021-12-22 | 2022-04-19 | 中国电信股份有限公司 | 网络流量特征提取方法、装置、设备及存储介质 |
| CN114710413A (zh) * | 2022-03-31 | 2022-07-05 | 中国农业银行股份有限公司 | 一种银行网点网络状态的预测方法及装置 |
| CN114710413B (zh) * | 2022-03-31 | 2024-06-11 | 中国农业银行股份有限公司 | 一种银行网点网络状态的预测方法及装置 |
| CN114895985A (zh) * | 2022-06-08 | 2022-08-12 | 华东师范大学 | 一种面向基于采样的图神经网络训练的数据加载系统 |
| CN114895985B (zh) * | 2022-06-08 | 2023-06-09 | 华东师范大学 | 一种面向基于采样的图神经网络训练的数据加载系统 |
| CN115348183A (zh) * | 2022-08-16 | 2022-11-15 | 武汉烽火技术服务有限公司 | 流量预测方法与装置 |
| CN115348183B (zh) * | 2022-08-16 | 2024-05-14 | 烽火通信科技股份有限公司 | 流量预测方法与装置 |
| CN115442253A (zh) * | 2022-09-15 | 2022-12-06 | 西安电子科技大学 | 一种利用注意力机制的网络流量预测方法 |
| CN115442253B (zh) * | 2022-09-15 | 2023-07-18 | 西安电子科技大学 | 一种利用注意力机制的网络流量预测方法 |
| CN115907079A (zh) * | 2022-10-10 | 2023-04-04 | 南京航空航天大学 | 一种基于注意力时空图卷积网络的空域交通流量预测方法 |
| CN115907079B (zh) * | 2022-10-10 | 2023-09-22 | 南京航空航天大学 | 一种基于注意力时空图卷积网络的空域交通流量预测方法 |
| CN116094758A (zh) * | 2022-12-02 | 2023-05-09 | 肇庆医学高等专科学校 | 一种大规模网络流量采集方法及系统 |
| CN116094758B (zh) * | 2022-12-02 | 2023-07-21 | 肇庆医学高等专科学校 | 一种大规模网络流量采集方法及系统 |
| CN116192764B (zh) * | 2023-04-24 | 2023-07-07 | 南京邮电大学 | 一种基于深度学习的多任务数据中心网络流量预测方法 |
| CN116192764A (zh) * | 2023-04-24 | 2023-05-30 | 南京邮电大学 | 一种基于深度学习的多任务数据中心网络流量预测方法 |
| CN116506309A (zh) * | 2023-06-27 | 2023-07-28 | 北京圣传创世科技发展有限公司 | 一种车载atp通信信号综合监测系统及方法 |
| CN116506309B (zh) * | 2023-06-27 | 2023-09-08 | 新唐信通(浙江)科技有限公司 | 一种车载atp通信信号综合监测系统及方法 |
| CN117592619A (zh) * | 2023-12-18 | 2024-02-23 | 中国科学院空天信息创新研究院 | 一种基于gnn-lstm的县域冬小麦估产分析方法和系统 |
| CN118036714A (zh) * | 2024-04-12 | 2024-05-14 | 中国民用航空飞行学院 | 基于集成学习算法的空域流量预测方法 |
| CN118036714B (zh) * | 2024-04-12 | 2024-06-11 | 中国民用航空飞行学院 | 基于集成学习算法的空域流量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906982A (zh) | 一种基于gnn-lstm结合的网络流量预测方法 | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN112350876A (zh) | 一种基于图神经网络的网络流量预测方法 | |
| Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
| Lv et al. | [Retracted] An Economic Forecasting Method Based on the LightGBM‐Optimized LSTM and Time‐Series Model | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| Zhang et al. | Hourly prediction of PM 2.5 concentration in Beijing based on Bi-LSTM neural network | |
| CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
| CN113407864A (zh) | 一种基于混合注意力网络的群组推荐方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Yu et al. | Research on agricultural product price forecasting model based on improved BP neural network | |
| Huang et al. | Evaluating the process of a genetic algorithm to improve the back-propagation network: A Monte Carlo study | |
| Bian et al. | Load forecasting of hybrid deep learning model considering accumulated temperature effect | |
| Wu et al. | Traffic prediction based on GCN-LSTM model | |
| CN115273466A (zh) | 一种基于柔性车道管控算法的监控方法与系统 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Li et al. | A lstm-based method for comprehension and evaluation of network security situation | |
| CN117312782A (zh) | 一种基于生成对抗网络的缺失交通状态数据填补方法 | |
| Peng et al. | Meteorological satellite operation prediction using a BiLSTM deep learning model | |
| Geng et al. | A LSTM based campus network traffic prediction system | |
| CN111414927A (zh) | 一种海水水质评价的方法 | |
| Lu et al. | Dynamic evolution analysis of desertification images based on BP neural network |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |