[发明专利]一种基于VMD和LSTM的网络流量多步预测方法

说明书

本发明公开了一种基于VMD和LSTM的网络流量多步预测方法，包括：生成训练样本；利用VMD对训练样本进行处理，得到八个模态分量；利用LSTM对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。本发明可以改良当前网络流量多步预测模型的精确度和时间性能上的缺点。

技术领域

本发明涉及网络流量预测技术领域，具体涉及一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)的网络流量多步预测方法。

背景技术

依据时间进行的测量存在于大部分科学领域中，由观测值组织而成的数据，称之为时间序列数据。挖掘时间序列数据的目的是通过找出样本内时间序列的统计特性和发展规律性，构建时间序列模型，进行样本外预测。时间序列数据是统一指标按时间顺序记录的数据列，在同一数据列中的各个数据必须是同口径的，要求具有可比性。时序数据可以是时期数，也可以是时点数。

针对非线性预测方法中，人工神经网络(ANN)、自适应神经模糊推理系统(ANFIS)和支持向量回归(SVR)可用于时间序列预测研究。近年来，受深度学习的成功推动，具有深度架构的神经网络在图像、视频、音频和语言学习任务中都取得了成功。在时间序列预测领域，也发现了几种深度学习方法，并引起了人们极大的兴趣。深度信念网络(Deep beliefnetworks,DBN)常被应用于短期交通预测中，利用非监督学习算法(Re-strictedBoltzmann machine,RBM)和自动编码器(Auto Encoder,AE)等预处理策略预测时间序列。传统神经网络的主要缺点是缺乏稳定性；此外，这些深度架构不能捕获超出输入观察范围的数据点之间的长依赖关系。为解决上述缺点，提出一种基于深度LSTM(Long Short-TermMemory，长短期记忆)神经网络的预测方法，使信息能够持续存在。在过去的几年里，将LSTM应用于语音识别、语言建模、翻译和图像覆盖等广泛的任务取得了令人难以置信的成功。

流量信息是网络负荷状态的重要反馈指标，同时也是一种典型的时间序列，通过精准可靠地预测网络流量，掌握其规律和趋势并及时调控，能够有效提升网络资源的利用率。网络流量具有非线性、自相似性、多分形性等复杂特点。在传统预测方法中，研究者们通常使用自回归滑动平均模型(auto-regressive and moving average model,ARMA)、差分自回归滑动平均模型(autoregressive integrated moving average model,ARIMA)和马尔可夫模型(Markov model)等线性预测模型。但是线性预测模型无法准确地刻画网络流量的基本特征，且方法简单，泛化能力弱，预测误差较高。

针对当前网络流量多步预测算法的研究，有通过基于改进微分进化和小波神经网络的网络流量预测方法，使用云计算技术和回声状态网络来进行网络流量预测的方法，将时间序列与卡尔曼滤波融来进行多步预测，极限学习机和粒子群算法双重优化的小波补缀网络多步预测以及近年来使用较多的EMD-LSTM神经网络等，由于是大多数算法是将通过单步预测结合多步预测策略进行预测，会在预测过程中对预测结果的误差进行累积，导致多步预测精确度大大下降。通过对预测结果的评估，在单步预测中各种预测模型的RMSE(RootMean Square Error，均方根误差，是观测值与真值偏差的平方和与观测次数m比值的平方根，用来衡量观测值同真值之间的偏差)普遍较高，尤其是在当提高步数之后，误差也会随着累计而进行增长，而目前神经网络还存在训练过程中运算时间一般较长，时间开销较大的问题，由此看出对于多步预测算法的精确度以及时间性能的提升还有相当大的空间。

发明内容