[发明专利]基于LSTM模型的网络流量资源态势预测方法

权利要求书

1.基于LSTM模型的网络流量资源态势预测方法，其特征在于，包括以下步骤：

S1、数据预处理：通过对固定频率下采样所得的通信网络OD_ij流数据进行处理，得到N个连续周期下的时间序列X(t)＝[x₁,x₂,...,x_N]；其中OD_ij流的定义为主机i到主机j的端到端流量；

S2、建立LSTM模型：确定神经网络中输入神经元个数r，输出神经元个数m以及隐层神经元数量，完成从输入空间U^r到输出空间U^m的映射，即根据前r个时刻流量值预测后m个时刻流量值，设定步长τ进行相空间分解与重构，建立训练样本输入X到输出Y的映射：

其中y_i＝x_(m-i)τ；

其中，X中的每一行对应一个训练输入样本，长度为τ，经过LSTM模型正向传播映射得到输出样本标签值y_i'，与真实流量值y_i进行误差损失计算，反馈训练LSTM模型；

S3、根据S1获取的数据，对S2建立的LSTM模型进训练，获得训练好的LSTM模型，具体为：

S31、从S1中获得的数据中切割出训练数据n，并按S2中设定步长τ，将训练数据分为n/τ+1个样本集，进行空间重构，按列存储为输入矩阵X以及其对应矩阵Y；

S32、对矩阵按列进行归一化处理，将数据转换到[0,1]范围内，建立标准化数据；所述归一化采用公式其中x_min和x_max分别为该列样本的最小值和最大值，x_i为样本组中对应每一个流量值，i取1,2,…τ；

S33、设定随机初始权值对LSTM网络进行初始化，并输入样本集对网络进行训练，根据训练中最优均方误差PMSE所对应参数建立一个τ输入1输出的神经网络；

S4、采用步骤S1的方法获得流量数据，利用步骤S3中训练好的LSTM模型，得出预测结果。

2.根据权利要求1所述的基于LSTM模型的网络流量资源态势预测方法，其特征在于，所述步骤S33中，最优均方误差PMSE所对应参数的获取方法是：

在训练过程中，通过迭代寻优的方法自适应调整LSTM模型的参数，参数的选择标准采用终止代数K前的最优均方误差PMSE，即当达到收敛时停止训练和参数更新：

其中k表示当前迭代次数。