[发明专利]一种基于GNN-LSTM结合的网络流量预测方法

权利要求书

1.一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，包含以下步骤：

步骤1，数据预处理，对原始真实的网络流量数据集进行标准化、归一化处理，最后将归一化后的网络流量数据划分为90%训练数据集和10%测试数据集；

步骤2，构建模型，构建基于图神经网络GNN和长短期记忆神经网络LSTM相结合的深度学习GNN-LSTM模型，并对GNN-LSTM模型初始化；该GNN-LSTM模型包括图神经网络GNN模型、3层LSTM模型；

步骤3，模型训练，将训练数据集输入所述基于GNN-LSTM模型中，学习和挖掘网络流量的时域特征和空域特征，GNN来提取网络流量的空域特征，LSTM来学习提取网络流量的时域特征，然后用基于Adam优化算法进行迭代训练，得到训练好的GNN-LSTM模型；

步骤4，网络流量预测，将测试集输入训练好的GNN-LSTM模型中，得到基于GNN-LSTM模型预测网络流量值和真实网络流量值的结果图，并用评价指标来评估GNN-LSTM模型。

2.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤1包括的具体步骤如下：

步骤1.1，加载网络流量数据集，将所述网络流量数据集存储在本地，所述网络流量数据集中包含有网络链路在采集的各个历史时刻的网络流量数据值；

步骤1.2，计算网络流量数据集中的流量最大值和最小值；

步骤1.3，对原始的网络流量数据进行标准化，即

其中，为原始网络流量数据，为网络流量数据的最大值，为网络流量数据的最小值，为标准化处理后的结果；

步骤1.4，将数据集划分为90%训练集和10%测试集。

3.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1，构建图神经网络，模型输入的是网络流量数据节点之间的空间特征，包括一个顶点集v和顶点相关的边集u；

步骤2.2，构建长短期记忆神经网络，该网络由若干层神经元组成，且每层神经元个数为相关参数包括隐含神经元个数、批量预测的数据大小、神经网络层数、学习率、最大的迭代次数。

4.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤3包括：使用Adam算法迭代优化方法对整体的网络损失L进行优化，其公式如下：其中表示预测流量值，表示真实的流量值；对损失函数进行优化，调整参数，得到最终的基于GNN-LSTM网络流量预测模型。

5.根据权利要求1所述的一种基于GNN-LSTM结合的网络流量预测方法，其特征在于，所述步骤4中的评价指标包括：为了验证所述的基于GNN-LSTM模型的网络流量预测方法的有效性，通过在训练集和测试集进行实验，对预测结果的平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）作为该预测方法的评价指标。