[发明专利]基于时空流量矩阵预测的流量动态调度方法

权利要求书

1.基于时空流量矩阵预测的流量动态调度方法，其特征在于，包括：

获取时空流量矩阵；

将时空流量矩阵输入CNN-GRU网络模型，生成时空特征矩阵；

构造外部特征，将外部特征和时空特征矩阵输入两层神经网络模型，生成待预测站点下一时刻的流量预测值，所述外部特征为对站点流量预测产生影响的特征，包括是否为工作日、一天中的第几个小时、是否为节假日以及处于哪个月份；

基于所述待预测站点下一时刻的流量预测值，执行流量动态调度操作，包括：

获取告警信息；

若站点告警信息为安全，则不进行流量调度；

若站点告警信息为可能过载，则站点先自己自行处理流量，然后，将处理不完的流量再进行流量调度；

若站点告警信息为危险，将站点的部分非实时性流量放入流量调度队列，立刻进行流量调度；

其中，生成所述待预测站点下一时刻的流量预测值具体包括以下部分：

（1）对外部特征做定性哑编码，与生成的时空特征相结合生成一个新的特征序列；

（2）基于两层神经网络进行建模，采用PReLU激活函数，输入新的特征序列得到一个流量输出值；

（3）对流量输出值进行反归一化，得到下一时刻站点流量预测值；

每一个站点运行状态对应一个告警信息，生成告警信息包括：

比较站点下一时刻的流量预测值Y′、站点当前时刻流量数据Y和预设的站点安全阈值上限V_h；若Y′V_h，生成告警信息为安全；若Y′ V_h且Y V_h，生成告警信息为可能过载；否则，生成告警信息为危险。

2.根据权利要求1所述的方法，其特征在于，所述获取时空流量矩阵包括：

获取待预测站点的时间流量序列、空间流量序列以及周期流量序列；

根据待预测站点的时间流量序列、空间流量序列以及周期流量序列，生成时空流量矩阵。

3.根据权利要求2所述的方法，其特征在于，根据待预测站点的时间流量序列、空间流量序列以及周期流量序列，生成时空流量矩阵，包括：

对站点流量数据进行预处理；

对预处理后的流量数据进行归一化操作；

将归一化后的时间流量序列和周期流量序列组成一个第一流量序列，作为时空流量矩阵的横向数据；

将待预测站点以及与待预测站点距离较近的n个站点的第一流量序列纵向拼接，以生成时空流量矩阵。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括构建CNN-GRU网络模型；

所述构建CNN-GRU网络模型包括：

构建CNN-GRU初始模型，所述CNN-GRU初始模型包括CNN网络层和GRU网络层，CNN网络层用于提取空间特征，获取同一时刻各站点流量数据间的空间关系；GRU用于提取时间特征，获得同一站点不同时刻流量序列间的时序关系；

训练CNN-GRU初始模型，得到CNN-GRU网络模型；

所述训练CNN-GRU初始模型包括：训练CNN网络层，在训练CNN网络层后，通过固定CNN网络层的参数训练GRU网络层。

5.根据权利要求4所述的方法，其特征在于，将时空流量矩阵输入CNN-GRU网络模型，生成时空特征矩阵，包括：

将时空流量矩阵，输入CNN-GRU流量预测模型中的CNN网络层，以提取各站点流量数据的空间特征；

将流量数据的空间特征压缩成一维数组，输入GRU网络层，以生成站点流量数据的时空特征。

6.根据权利要求1所述的方法，其特征在于，根据预设的流量调度策略执行流量动态调度操作；

所述流量调度策略包括：

按照距离优先策略，优先选择与发起调度请求的站点距离近的站点；

若有多个站点与发起调度请求站点的距离相同，优先选择下一时刻流量的预测值Y′较低的站点；

若没有站点可以提供调度服务，则请求调度的站点发送流量抑制信号，抑制流量请求。