[发明专利]一种利用层级结构的新站点流量预测方法

权利要求书

1.一种利用层级结构的新站点流量预测方法，其特征在于：所述方法包括以下步骤：

步骤1:对历史数据进行处理，将历史数据划分为时间片；所述每个时间片代表一个时刻；对所述历史数据中的个体站点数据进行编码，获取每个时刻的编码表示，所述编码表示代表历史的个体站点数据的特征信息；

步骤2:假设个体站点在城市范围内的流量传播编码分布为正太分布，根据已有的站点之间的历史流量传播关系，使用变分自编码分别学习所述正太分布的均值和方差，则经过学习后的正太分布可以表示个体站点在城市内的真实流量分布；

步骤3:假设群组在城市范围内的流量传播编码分布为正太分布，使用变分自编码学习群组流量传播的正太分布的均值和方差，则经过学习后的正太分布可以表示群组的真实流量分布；

步骤4:利用步骤1-3中计算的个体站点的正态分布和群组分配给各个站点的流量，预测下一时刻城市中所有站点的流量，包括对已有站点和新站点的流量预测。

2.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：所述时间片的划分标准包括按天、按小时。

3.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：所述对多个个体站点历史数据进行自编码时，由于每个时刻的个体站点之间的流量传播不同，所以要对多个时刻的历史数据进行整合。

4.根据权利要求3所述的一种利用层级结构的新站点流量预测方法，其特征在于：将每个t时刻的个体站点流量传播关系看作一个传播网络，其邻接矩阵为ASt，t-Δt时刻到t-1时刻之间的历史数据{ASt-Δt,…,ASt-1}可以使用进化图神经网络EvolveGCN进行编码。

5.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：对群组历史数据进行自编码之前，需要对个体站点进行分组。

6.根据权利要求5所述的一种利用层级结构的新站点流量预测方法，其特征在于：使用K-MEANS的聚类方式以个体站点之间的物理距离和站点的流量变化为特征，计算这些特征之间的欧氏距离将这些个体站点分为m个组。

7.根据权利要求5所述的一种利用层级结构的新站点流量预测方法，其特征在于：当一个新站点加入时，衡量新站点与已有群组之间的距离，选择距离最近的群组将站点加入进去。

8.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：对所述群组的流量传播编码与所属个体站点的流量传播编码不同，所述群组在每个时刻的流量传播变化较小，无需对每个时刻都进行学习，只需要学习一个固定的分布即可；再将表示的群组信息向个别站点进行分配。

9.根据权利要求8所述的一种利用层级结构的新站点流量预测方法，其特征在于：所述将群组的流量信息分配到城市的各个站点中，分别计算群组内的站点权重和群组对其他群组内站点的权重；利用得到的权重通过层级图神经网络将群组信息分配给个体站点。