[发明专利]一种基于VMD和LSTM的网络流量多步预测方法

权利要求书

1.一种基于VMD和LSTM的网络流量多步预测方法，其特征在于，包括：

生成训练样本；其中，所述训练样本为不同类型的网络流量时间序列数据；

利用VMD对所述训练样本进行处理，得到八个模态分量；

利用LSTM对所述模态分量进行多步预测模型建模，并利用BN进行网络结构优化，得到八个模态分量的预测模型以及八个包含下几个时刻特征的新序列；

对八个包含下几个时刻特征的新序列进行变分模态分解还原处理，得到一条包含下几个时刻的网络流量时间序列预测结果；

判断所述网络流量时间序列多步预测结果是否满足准确度要求；

若不满足要求，则获取新的训练样本，利用新的训练样本对LSTM预测模型进行补充训练，对LSTM预测模型进行更新。

2.如权利要求1所述的网络流量多步预测方法，其特征在于，所述生成训练样本包括：

根据多种不同类型的网络流量时间序列输入数据生成训练样本，并对样本进行分类得到不同类型的网络流量时间序列数据。

3.如权利要求1所述的网络流量多步预测方法，其特征在于，所述利用VMD对所述训练样本进行处理，得到八个模态分量；包括：

利用VMD对所述训练样本进行固有模态分量的分解、信号的频域划分，得到八个模态分量。

4.如权利要求3所述的网络流量多步预测方法，其特征在于，利用VMD对所述训练样本进行固有模态分量的分解方法，包括：

初始化模态分量的带宽μ_k、中心频率ω_k以及循环次数n；

当ω大于等于0时，不断循环更新每个模态分量的带宽μ_k和中心频率ω_k，自适应分解成以中心频率ω_k为中心扩散的模态分量：

式中，

μ_k为分解后的模态分量；

ω_k为模态分量对应中心频率；

λ为拉格朗日乘子；

直到满足下述条件时，退出循环：

式中，

∈为常数；

VMD计算每个分量时，将信号分布到变分模型中进行分解，使用希尔伯特变换和高斯平滑，通过寻找约束变分模型的最优解实现复杂信号的分解；

求解每一个模态的希尔伯特变换，然后把每一个模态的频谱移动到基带上，最后使用解调信号的H高斯平滑，最小化模态带宽的总和；

引入二次惩罚因子α和拉格朗日乘法算子λ，将约束问题转化成非约束问题；

式中，

α为二次惩罚因子

λ为拉格朗日乘法算子。

5.如权利要求1所述的网络流量多步预测方法，其特征在于，在利用LSTM对所述模态分量进行多步预测模型建模之前，还包括：

对所述模态分量的网络流量时间序列进行样本min-max归一化，并进行数据集切分，得到符合LSTM网络输入的结构模式。

6.如权利要求5所述的网络流量多步预测方法，其特征在于，样本min-max归一化，包括：

式中，

max为样本数据的最大值；

min为样本数据的最小值。