[发明专利]一种基于长短时记忆网络模型的短时数据流预测方法

说明书

本发明公开了一种基于长短时记忆网络模型的短时数据流预测方法，步骤为：首先获取观测点中的多个训练样本，然后提取练样本的特征，根据训练样本的特征对训练样本进行分类，分别为数据流量值变化趋势剧烈和平缓两个类型、或变化趋势上升和下降两个类型；采用所有训练样本针对LSTM模型进行训练，得到训练后的主模型，再分别采用两种类型的训练样本分别对主模型进行训练，分别得到第一类子模型和第二类子模型。获取观测点测试样本，通过分类器对测试样本进行分类，然后根据分类结果将测试样本输入到第一类子模型或第二类子模型中，通过第一类子模型或第二类子模型预测出观测点下一时间点的数量流量值。本发明方法提高了短时数据流预测的准确度。

技术领域

本发明属于模式识别与人工智能技术领域，特别涉及一种基于长短时记忆网络模型的短时数据流预测方法。

背景技术

随着世界经济的持续稳定发展，在许多国家的服务都是数据流，例如网络负载流量和交通流量，代表了其服务的特点，而预测则是优化这些服务最好办法，例如预测互联网的负载数据，对下一个时刻的调度提供给更适合的资源调度；对于交通流量的预测，则是可以优化交通资源的配置。

目前，许多用于短时数据流预测的方法都是用单个模型做预测，然而数据流量是一种具有非线性和随机性的信号，多种混合成分难以判别和分离。因此单个模型的预测效果存在瓶颈，当一个模型对拥堵情况下的数据流有较好的预测效果时，往往对畅通情况下的数据流预测效果有待改进，因此现有的短时数据流预测方法存在预测精度不高的缺陷。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于长短时记忆(LongShort Term Memory，LSTM)网络模型的短时数据流预测方法，该方法能够更加精确的预测出短时数据流。

本发明的目的通过下述技术方案实现：一种基于长短时记忆网络模型的短时数据流预测方法，步骤如下：

步骤S1、针对于需要预测短时数据流的观测点，首先在该观测点处采集历史的多个时间点统计的数据流量值，然后按照时间顺序，将上述采集的历史的每个时间点统计的数据流量值拼接聚合为一维数组并做归一化处理；其中上述每两个相邻时间点的时间间隔相同，均为T分钟；每个时间点统计的数据流量值指的是上一时间点至该时间点这段时间间隔内产生的数据流量；

步骤S2、针对于步骤S1得到的归一化后的一维数组，进行滑动窗的加窗处理，得到多个训练样本，并且将每个训练样本中统计的数据流量值对应为最后一个时间点的下一时间点统计的数据流量值作为该训练样本的标签；其中每个训练样本中包括多个时间点统计的数据流量值；

步骤S3、提取训练样本的特征：针对于训练样本做一阶差分处理得到训练样本的特征；根据训练样本的特征对训练样本做聚类处理，分离出数据流量值变化趋势剧烈和平缓的两个类型的训练样本，或者分离出数据流量值变化趋势上升和下降的两个类型的训练样本；

步骤S4、获取模型参数初始化后的LSTM模型；然后对LSTM模型进行训练，具体为：首先将所有训练样本中各个训练样本作为输入、各个训练样本对应的标签作为输出对LSTM模型进行训练，得到训练后的主模型；然后将步骤S3获取到的数据流量值变化趋势剧烈或上升的一类训练样本输入到上述训练后的主模型中进行训练，得到第一类子模型；同时将步骤S3获取到的数据流量值变化趋势平缓或下降的一类训练样本输入到上述训练后的主模型中进行训练，得到第二类子模型；

步骤S5、在当前时间点要预测观测点下一时间点统计的数据流量值时，首先通过滑动窗获取该观测点当前时间点及其前面多个时间点统计的归一化后的数据流量值所构成的样本，将该样本作为测试样本；其中测试样本中，每两个相邻的时间点的时间间隔相同，均为T1分钟；其中T1＝T；需要预测数据流量值的下一时间点和当前时间点的时间间隔也为T分钟；