CN113556266B - 一种以流量工程为中心的流量矩阵预测方法 - Google Patents
一种以流量工程为中心的流量矩阵预测方法 Download PDFInfo
- Publication number
- CN113556266B CN113556266B CN202110810615.0A CN202110810615A CN113556266B CN 113556266 B CN113556266 B CN 113556266B CN 202110810615 A CN202110810615 A CN 202110810615A CN 113556266 B CN113556266 B CN 113556266B
- Authority
- CN
- China
- Prior art keywords
- matrix
- layer
- traffic
- flow
- output
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种以流量工程为中心的流量矩阵预测方法,通过设计方法捕获与流量工程相关的流量矩阵关键特性,提出了以流量工程为中心的流量矩阵预测问题。本发明设计了相应的基于深度学习的模型实现方法,能够为流量工程提供所需的预测的流量矩阵。实验证明,在真实骨干网拓扑环境下本发明可有效缓解网络拥塞的情况,提高骨干网的性能,并有效降低了预测流量矩阵过程中的训练开销。
Description
技术领域
本发明属于计算机网络技术领域,具体涉及一种以流量工程为中心的流量矩阵预测方法。
背景技术
流量矩阵是指由计算机网络中一段时间内每对源网络节点与目的网络节点间的流量大小构成的矩阵,流量矩阵是网络运行和管理的重要组成部分,在流量工程中,往往通过对流量矩阵中的流进行路由与重路由,来降低网络中拥塞最严重的链路的利用率。然而,由于成本与运营问题,流量矩阵往往难以直接测量。针对这一问题,可以将流量矩阵看作一个时间序列,使用特定的时间序列模型将过去的流量矩阵作为输入,预测获得下一时刻的流量矩阵。
大部分流量矩阵预测的研究都是基于历史流量来预测单个流量矩阵。其中,自回归移动平均模型(ARMA)与自回归综合移动平均模型(ARIMA)是最常见的线性序列模型预测方法,Ahmed与Cook等学者使用ARIMA进行了矩阵预测。然而,流量矩阵的时域模型会发生显著的动态变化,以至于线性预测模型无法识别并描述某些非线性特征。因此,线性模型仅适用于部分场景,无法广泛应用。
近年来,学者们提出了一些基于神经网络的非线性预测方法。例如,循环神经网络(RNN)因其结构特性可以记忆并利用先前信息,被应用于时间序列预测任务中。长短时间记忆网络(LSTM)与门控循环单元(GRU)是较为完善的循环神经网络,在流量矩阵预测领域中也得到了广泛使用。Hochreiter与Cho分别使用了LSTM与GRU对流量矩阵进行了预测,取得了一定的成果。而目前性能最好的流量矩阵预测方法是Gao等学者提出的ACRNN,其通过卷积神经网络(CNN)捕捉流之间的相关性,通过循环神经网络(RNN)捕捉流内部的相关性,并为CNN和RNN分别设计了注意力机制。
现有的流量矩阵预测研究主要集中在对流量矩阵中各元素值的精确预测上。然而,一方面,准确预测每个元素的值是十分困难的,即使是最先进的方法ACRNN也会产生105数量级的预测误差,并在一些特定元素的预测结果上误差尤为明显。在流量工程应用场景下,真实的流量矩阵与预测的流量矩阵的小误差都可能会导致网络性能的急剧衰减,因为这些误差可能影响整个网络的路由策略。另一方面,目前的预测方法虽然表现出不错的性能,但是其需要大量数据集与较多的迭代次数来训练网络。这些复杂的需求限制了此类预测方法在现实中的部署和进一步应用。
综上所述,现有技术中流量矩阵的预测方法主要存在以下问题:一是,集中在对流量矩阵中各元素值的精确预测上,忽视了其在诸如流量工程中的应用效果;二是,需要大量数据集和较多的迭代次数来训练网络,限制了其在现实中的部署和进一步应用。
发明内容
有鉴于此,本发明提供了一种以流量工程为中心的流量矩阵预测方法,能够基于预测的流量矩阵进行网络中流的路由与重路由,达到降低网络拥塞、提升网络性能的目的。
本发明提供的一种以流量工程为中心的流量矩阵预测方法,包括以下步骤:
步骤1、采集待测网络M天内连续时间点的流量矩阵,形成历史数据集;其中,以预测时间点的前P个时间点对应的实际流量矩阵作为输入样本,以预测的后N个时间点对应的实际流量矩阵作为标签,形成训练样本集及测试样本集;
步骤2、建立流量矩阵预测模型,所述流量矩阵预测模型依次包括:归一化层、展开层、嵌入层、时序模型层、映射裁剪重组层及误差计算层;
其中,所述归一化层用于对输入的流量矩阵进行归一化处理;所述展开层用于将所述归一化层生成的流量矩阵展开为一维向量;所述嵌入层用于对所述展开层生成的一维向量进行线性变换,获取一维向量中包含的空间关系;所述时序模型层,包括分别由门控循环单元形成的编码器和解码器,用于对所述嵌入层生成的向量进行迭代计算;所述映射裁剪重组层,用于将所述时序模型层输出的隐状态映射到输出向量,并对所述输出向量进行值的裁切后重组成预测流量矩阵;所述误差计算层,用于训练过程中流量矩阵预测模型的误差计算,并根据误差情况迭代更新所述流量矩阵预测模型中的参数;
步骤3、采用所述步骤1中形成的训练样本集对所述流量矩阵预测模型进行训练,当训练迭代次数达到阈值时终止所述流量矩阵预测模型的训练;采用所述步骤1中形成的测试样本集测试所述流量矩阵预测模型,若所述流量矩阵预测模型的精度达到要求,则完成训练过程,执行步骤4;否则,执行所述步骤3;
步骤4、将待预测流量矩阵之前的P个时刻的流量矩阵输入所述步骤3训练得到的所述流量矩阵预测模型的编码器部分,并将P个时刻中最后一个时刻对应的流量矩阵、所述解码器第一个时序输出的流量矩阵、所述解码器第二个时序输出的流量矩阵依次输入所述解码器,最终所述解码器输出N个待预测的流量矩阵即为所述待预测流量矩阵。
进一步地,所述步骤1中的所述时间点以分钟为单位。
进一步地,所述归一化层的处理方式为:所述流量矩阵的每个元素值均除以流量矩阵中元素的最大值。
进一步地,所述嵌入层的处理方式为:令所述展开层输出的一维向量与元素矩阵进行点乘,所述元素矩阵的维度为预先设定;所述元素矩阵中元素的初始值根据Kaiming均匀分布函数确定,元素的最终确定取值由训练过程确定。
进一步地,所述时序模型层中的所述编码器的处理方式为:所述嵌入层生成的向量按照时序依次输入门控循环单元后输出为隐状态,所述编码器的初始隐状态为元素值均为0的矩阵;
所述解码器的输入依次为所述嵌入层生成的P个时间点中最后一个时间点所对应的向量,以及所述嵌入层生成的N个时间点中前N-1个时间的对应的向量,所述解码器的输出为隐状态;所述解码器的初始隐状态为所述编码器输出的隐状态。
进一步地,所述误差计算层采用基于时间的反向传播算法迭代更新所述流量矩阵预测模型中的参数。
有益效果:
本发明通过设计方法捕获与流量工程相关的流量矩阵关键特性,提出了以流量工程为中心的流量矩阵预测问题。本发明设计了相应的基于深度学习的模型实现方法,能够为流量工程提供所需的预测的流量矩阵。实验证明,在真实骨干网拓扑环境下本发明可有效缓解网络拥塞的情况,提高骨干网的性能,并有效降低了预测流量矩阵过程中的训练开销。
附图说明
图1为基于不同的流量矩阵中元素间的相对关系计算得到的累积分布函数示意图。
图2为本发明提供的一种以流量工程为中心的流量矩阵预测方法建立的流量矩阵预测模型架构图。
图3为本发明提供的一种以流量工程为中心的流量矩阵预测方法的流量矩阵预测模型中归一化层的示意图。
图4为本发明提供的一种以流量工程为中心的流量矩阵预测方法的流量矩阵预测模型中嵌入层的示意图。
图5为本发明提供的一种以流量工程为中心的流量矩阵预测方法的流量矩阵预测模型中编码器解码器的示意图。
具体实施方式
下面结合附图,对本发明进行详细描述。
为实现以流量工程为中心的流量矩阵预测,首先需要确定与流量工程相关的流量矩阵的关键特性,然后,根据这些关键特性决定如何进行预测。本发明通过实验的方式发现了与流量工程相关的流量矩阵的关键特性,具体实验过程如下:
首先,确定用预测的流量矩阵进行流量工程的效果的评价方式。通常可采用拥塞控制的效果来评估流量工程结果的好坏,因此,本发明定义了性能比值来衡量拥塞控制的效果,性能比值的定义如公式(1)所示,如果性能比值为1,则说明采用预测得到的流量矩阵进行路由和采用真实的流量矩阵进行路由效果相同,性能比值越小则说明流量矩阵预测方法的预测效果越好。
其中,PR为性能比值,Uoption为最优路由算法下的最大链路利用率,Upred为基于预测的流量矩阵生成的路由方案计算的最大链路利用率。
其次,基于多商品流(Multi-commodity Flow,MCF)算法建立网络负载均衡模型如公式(2)所示:
其中,定义骨干网网络为G=(V,E),V为交换机的集合,E为交换机之间的链路;T为流量矩阵;Ci,j为链路(i,j)的容量上限;k为节点i的任意一相邻节点,则为从源节点s至目标节点d的流量在链路(k,i)上所占的比例。同理,与为在链路(i,k)与(i,j)上所占的比例。为t时刻从节点i至目标节点j的链路负载,为流量矩阵Tt中从节点i至目标节点j的流量需求;ut为基于预测的流量矩阵生成的路由方案计算得到的最大链路利用率;为最优路由算法下的最大链路利用率;r为性能比值;λ为取值范围为[0,1]的参数,用以描述两个目标之间的关系。
最后,基于上述评价方式及网络负载均衡模型,选取Abilene公开数据集的50个流量矩阵作为实验数据,进行了如下分组实验,并对实验结果进行分析。
实验分为两组。第一组实验中,随机扰动每个流量矩阵的每个元素值,扰动幅度为80%-120%,生成新的50个流量矩阵,作为预测矩阵。第二组实验中,同比例放缩每个流量矩阵,放缩幅度为80%-120%,生成新的50个矩阵,作为预测矩阵。第一组实验模拟了流量矩阵预测过程中的微小预测偏差,而第二组实验保持了每个流量矩阵中元素之间的相对关系。分别计算上述两组实验数据中的性能比值并绘制累积分布函数(CumulativeDistribution Function,CDF)图,如图1所示,由图1可观察出第一组实验的扰动对性能比值影响较大,而第二组实验的放缩基本不影响性能比值。
通过上述实验,我们发现了如下结论:同比例放缩流量矩阵中所有元素的值,相比于给流量矩阵中的元素施加较小的随机扰动,对流量工程性能造成的影响更小,由此可见,流量矩阵内元素之间的关系是与流量工程相关的流量矩阵的关键特性。因此,基于上述实验的发现,本发明具体解决的技术问题是流量矩阵内元素间关系的准确预测,而不是流量矩阵内元素值的准确预测。
流量矩阵内元素间关系的预测,主要存在以下困难:一是计算量过大,对于节点数为n的网络其流量矩阵中包含n2个元素,若计算元素两两之间的关系,则需要n4数量级的计算量,且在网络训练时每次迭代都要进行此类运算;二是对于取值为零的特殊元素,采用元素的比值描述元素之间关系的关键特性的方式则不可行。
本发明提供的一种以流量工程为中心的流量矩阵预测方法,其核心思想是:将流量矩阵中所有元素与流量矩阵中最大元素值之间的关系作为流量矩阵内元素间关系,通过计算该关键特性完成流量矩阵的预测。
本发明提供的一种以流量工程为中心的流量矩阵预测方法,具体包括以下步骤:
步骤1、构建样本数据。
采集待测网络M天内连续时间点的流量矩阵,形成历史数据集。其中,以预测时间点的前P个时间点对应的实际流量矩阵作为输入样本,以预测的后N个时间点对应的实际流量矩阵作为标签,形成训练样本集及测试样本集。其中,时间点可以“分钟”为单位,P与N的取值由预测精度和时间等因素确定,流量矩阵的维度为n×n。
步骤2、建立流量矩阵预测模型,模型结构如图2所示,包括:归一化层、展开层、嵌入层、时序模型层、映射裁剪重组层及误差计算层。
其中,归一化层,如图3所示,用于对输入的流量矩阵进行归一化处理。具体方式是:流量矩阵的每个元素值均除以流量矩阵的最大值,将流量矩阵中的元素值调整至0-1之间。这样,流量矩阵中所有元素与流量矩阵中最大元素值的关系便被保留下来。
展开层,用于将归一化层生成的流量矩阵展开为一维向量,并将得到的一维向量输出至嵌入层。将流量矩阵展开时逐行按序,生成维度为1×n2的一维向量。
嵌入层,如图4所示,用于对展开层输入的一维向量进行线性变换,获取一维向量中包含的空间关系,将变换结果输出到时序模型层,为时序模型层提供更多信息。具体过程是:令维度为1×n2的一维向量与元素矩阵(element matrix)点乘得到维度为1×D的向量,实现一维向量的线性变换,D为设定的嵌入层超参数。元素矩阵的维度是根据需要预先设定的,元素的初始值依据Kaiming均匀分布函数确定,元素的最终确定取值由训练过程确定。
时序模型层,包括分别由门控循环单元(GRU)形成的编码器和解码器,如图5所示,用于对嵌入层生成的向量进行迭代计算,编码器与解码器连接,解码器的输出作为时序模型层的输出。其中,编码器中GRU的输入为嵌入层生成的向量,嵌入层生成的向量按照时序依次迭代输入GRU,GRU的输出为隐状态,GRU的初始隐状态为元素值均为0的矩阵,如公式(3)所示:
hi=f(xi,hi-1) (3)
其中,hi为第i次迭代时解码器输出的隐状态,xi为嵌入层生成的第i个向量,f为GRU使用的非线性激活函数,可采用修正线性单元(ReLU)函数作为非线性激活函数,hi-1第i-1次迭代时解码器输出的隐状态作为第i次迭代时解码器的初始隐状态。
解码器的输入依次为嵌入层生成的P个时间点中最后一个时间点对应的向量,与嵌入层生成的N个时间点中前N-1个时间的对应的向量,输出为隐状态,初始隐状态为编码器最后一次迭代计算产生的隐状态,包括如公式(4)所示:
例如,P为5时,嵌入层生成的P个向量按照时间顺序分别为T1、T2、T3、T4和T5,依次迭代输入编码器,它们包含的个体信息与相互关系被压缩在编码器最后一次迭代计算产生的隐状态中。N为3时,解码器的输入为T5,T6,T7,解码器的初始隐状态为编码器最后一次迭代输出的隐状态。
映射裁剪重组层,用于对时序模型层输出的隐状态进行线性映射,映射到输出空间,对输出向量进行值的裁切,最后,将输出向量重组成预测流量矩阵。
其中,裁切方式如公式(5)所示:
其中,oi为输出向量,Ws为将解码器输出的隐状态映射到输出空间的映射矩阵,min为输出向量的最小值,max为输出向量的最大值。Ws中的元素值由训练过程确定。
将输出向量重组成流量矩阵的方式为:按序从输出向量中取n个元素构成矩阵的第一行,随后再按序取n个元素构成矩阵的第二行,以此类推直至矩阵维度为n×n。
误差计算层,用于训练过程中流量矩阵预测模型的误差计算,根据输入的映射裁剪重组层输出的预测流量矩阵和经过归一化层归一化后的实际流量矩阵,计算出预测误差,并通过基于时间的反向传播算法(Back-propagation Through Time,BPTT)迭代更新流量矩阵预测模型中的参数。
步骤3、将步骤1的训练样本输入流量矩阵预测模型,完成流量矩阵预测模型的训练。其中,依据Abilene公开数据集,训练样本的采样间隔为5分钟。训练迭代次数达到100次时即终止流量矩阵预测模型的训练。模型训练完毕后,采用步骤1中形成的测试样本对模型进行测试,若精度满足要求,则完成训练,否则,执行步骤3重新训练。
步骤4、将待预测流量矩阵之前的P个时刻的流量矩阵输入步骤3训练得到的流量矩阵预测模型的编码器部分。对于解码器部分,输入的流量矩阵依次为P个时刻中最后一个时刻对应的流量矩阵、解码器第一个时序输出的流量矩阵、解码器第二个时序输出的流量矩阵,直至解码器输出N个待预测的流量矩阵。
通过实验模拟对本实施例的性能进行了评估。实验证明,在真实骨干网拓扑环境下本发明可在流量工程中有效缓解网络拥塞的情况,提高骨干网的性能,并有效降低了预测流量矩阵过程中的训练开销。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种以流量工程为中心的流量矩阵预测方法,其特征在于,包括以下步骤:
步骤1、采集待测网络M天内连续时间点的流量矩阵,形成历史数据集;其中,以预测时间点的前P个时间点对应的实际流量矩阵作为输入样本,以预测的后N个时间点对应的实际流量矩阵作为标签,形成训练样本集及测试样本集;
步骤2、建立流量矩阵预测模型,所述流量矩阵预测模型依次包括:归一化层、展开层、嵌入层、时序模型层、映射裁剪重组层及误差计算层;
其中,所述归一化层用于对输入的流量矩阵进行归一化处理;所述展开层用于将所述归一化层生成的流量矩阵展开为一维向量;所述嵌入层用于对所述展开层生成的一维向量进行线性变换,获取一维向量中包含的空间关系;所述时序模型层,包括分别由门控循环单元形成的编码器和解码器,用于对所述嵌入层生成的向量进行迭代计算;所述映射裁剪重组层,用于将所述时序模型层输出的隐状态映射到输出向量,并对所述输出向量进行值的裁切后重组成预测流量矩阵;所述误差计算层,用于训练过程中流量矩阵预测模型的误差计算,并根据误差情况迭代更新所述流量矩阵预测模型中的参数;
步骤3、采用所述步骤1中形成的训练样本集对所述流量矩阵预测模型进行训练,当训练迭代次数达到阈值时终止所述流量矩阵预测模型的训练;采用所述步骤1中形成的测试样本集测试所述流量矩阵预测模型,若所述流量矩阵预测模型的精度达到要求,则完成训练过程,执行步骤4;否则,执行所述步骤3;
步骤4、将待预测流量矩阵之前的P个时间点的流量矩阵输入所述步骤3训练得到的所述流量矩阵预测模型的编码器部分,并将P个时间点中最后一个时间点对应的流量矩阵、所述解码器第一个时序输出的流量矩阵、所述解码器第二个时序输出的流量矩阵依次输入所述解码器,最终所述解码器输出N个待预测的流量矩阵即为所述待预测流量矩阵。
2.根据权利要求1所述的流量矩阵预测方法,其特征在于,所述步骤1中的所述时间点以分钟为单位。
3.根据权利要求1所述的流量矩阵预测方法,其特征在于,所述归一化层的处理方式为:所述流量矩阵的每个元素值均除以流量矩阵中元素的最大值。
4.根据权利要求1所述的流量矩阵预测方法,其特征在于,所述嵌入层的处理方式为:令所述展开层输出的一维向量与元素矩阵进行点乘,所述元素矩阵的维度为预先设定;所述元素矩阵中元素的初始值根据Kaiming均匀分布函数确定,元素的最终确定取值由训练过程确定。
5.根据权利要求1所述的流量矩阵预测方法,其特征在于,所述时序模型层中的所述编码器的处理方式为:所述嵌入层生成的向量按照时序依次输入门控循环单元后输出为隐状态,所述编码器的初始隐状态为元素值均为0的矩阵;
所述解码器的输入依次为所述嵌入层生成的P个时间点中最后一个时间点所对应的向量,以及所述嵌入层生成的N个时间点中前N-1个时间的对应的向量,所述解码器的输出为隐状态;所述解码器的初始隐状态为所述编码器最后一次迭代输出的隐状态。
6.根据权利要求1所述的流量矩阵预测方法,其特征在于,所述误差计算层采用基于时间的反向传播算法迭代更新所述流量矩阵预测模型中的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810615.0A CN113556266B (zh) | 2021-07-16 | 2021-07-16 | 一种以流量工程为中心的流量矩阵预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810615.0A CN113556266B (zh) | 2021-07-16 | 2021-07-16 | 一种以流量工程为中心的流量矩阵预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113556266A CN113556266A (zh) | 2021-10-26 |
CN113556266B true CN113556266B (zh) | 2023-04-07 |
Family
ID=78103313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110810615.0A Active CN113556266B (zh) | 2021-07-16 | 2021-07-16 | 一种以流量工程为中心的流量矩阵预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113556266B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130839B (zh) * | 2019-11-04 | 2021-07-16 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
CN110798365B (zh) * | 2020-01-06 | 2020-04-07 | 支付宝(杭州)信息技术有限公司 | 基于神经网络的流量预测方法及装置 |
CN111585783B (zh) * | 2020-03-18 | 2022-07-26 | 宁波送变电建设有限公司永耀科技分公司 | 基于时空流量矩阵预测的流量动态调度方法 |
CN111860787A (zh) * | 2020-07-27 | 2020-10-30 | 南京工程学院 | 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
-
2021
- 2021-07-16 CN CN202110810615.0A patent/CN113556266B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113556266A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN108304679A (zh) | 一种自适应可靠性分析方法 | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN112767682A (zh) | 一种基于图卷积神经网络的多尺度交通流量预测方法 | |
CN105471631A (zh) | 基于流量趋势的网络流量预测方法 | |
CN112910711B (zh) | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
CN103905246A (zh) | 基于分组遗传算法的链路预测方法 | |
Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
Li et al. | A novel BP neural network model for traffic prediction of next generation network | |
CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
CN114861542A (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
Dong et al. | A time series attention mechanism based model for tourism demand forecasting | |
CN110807508A (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
Zhang et al. | An evaluation of back-propagation neural networks for the optimal design of structural systems: Part II. Numerical evaluation | |
CN113556266B (zh) | 一种以流量工程为中心的流量矩阵预测方法 | |
Salvi et al. | Long short-term model for Brent oil price forecasting | |
CN115022195B (zh) | 一种用于IPv6网络的流量动态测量方法 | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 | |
CN112115754A (zh) | 基于烟花差分进化混合算法-极限学习机的短时交通流预测模型 |
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 |