基于动态时空图卷积的网络流量预测方法技术

本发明专利技术公开了一种基于动态时空图卷积的网络流量预测方法，主要解决现有技术不能准确学习流量数据的空间特征，同时忽略外部因素影响的问题。其实现方案为：获取网络流量数据集，进行预处理，并划分训练数据集和测试数据集；构建由增强图卷积网络、门控循环网络，外部特征网络和回归网络组成的动态时空图卷积网络，并用均方根函数作为该网络的损失函数；使用随机梯度下降优化算法更新网络参数，直到损失函数收敛，得到训练好的动态时空图神经网络；将测试训练集输入该训练好的网络得到预测结果。本发明专利技术通过修改增强图卷积网络的参数学习数据的空间特征和嵌入外部因素，有效提高了网络流量预测的精度，可用于网络运营优化和管理。可用于网络运营优化和管理。可用于网络运营优化和管理。

【技术实现步骤摘要】
基于动态时空图卷积的网络流量预测方法


[0001]本专利技术属于移动通信
，尤其涉及一种网络流量预测方法，可用于网络运营优化和管理。

技术介绍

[0002]随着通信技术的快速发展，网络流量存在爆发式增长趋势，为了预防网络拥塞，提高网络资源利用率，网络流量预测技术应运而生。网络流量的建模与预测可以提前了解网络流量的变化趋势，根据预测值来制定合理有效的流量管理策略，以提高网络服务质量以及用户体验，因此建立具有高精度的网络流量预测模型具有重要意义。近年来，网络流量预测方法得到广泛的应用和关注，依据国内外学者的研究，网络流量预测方法主要分为统计方法和机器学习方法，其中：
[0003]统计方法，主要是针对网络流量的短期相关特性，处理网络流量的短期预测问题，该统计方法使用的预测模型包括：自回归模型AR，移动平均模型MA,自回归移动平均模型ARMA，自回归移动合成平均模型ARIMA。这些预测模型使用多项式拟合函数先对真实的网络流量数据进行无限逼近，然后通过大量的参数优化来提高拟合效果。然而，统计方法通常是为小数据集设计的，不适合处理复杂和动态的网络流量数据。此外，由于统计方法通常只考虑时间信息，忽略网络流量数据的空间相关性。因此导致预测精度不高。
[0004]机器学习方法，主要是支持向量机SVM，其应用于非线性可分情况，在同样的问题复杂度下不需要太多的样本，同时引用核函数将非线性可分的样本转化成线性可分的高维空间样本，可以取得较好的预测精度。但该方法缺点在于收敛于局部最优，且训练数据和自身参数对预测结果有很大影响。
[0005]为了进一步解决预测问题，深度学习方法近年来被广泛研究。深度学习相对于机器学习，它不仅可以保持学习特征，同时还能保证其与各个任务之间的关联性，并有效处理时间序列问题。例如，对于图像和视频这类数据结构，使用卷积神经网络CNN学习空间相关性。对于社交网络和信息网络这类数据结构，将卷积运算进行扩展构成图神经网络GCN，使用图神经网络学习空间相关性。此外，循环神经网络RNN及其变体LSTM，GRU通常用于建模数据的时间依赖性。
[0006]申请公布号为CN112906982A的专利文献公开了一种“基于GNN
‑
LSTM结合的网络流量预测方法”，其首先加载真实网络流量数据集，并对数据集进行标准归一化处理，并将网络流量数据进行训练集和测试集划分；构建基于图神经网络和长短期记忆神经网络结合的模型；将具有空域特征的数据作为长短期记忆神经网络输入，学习网络流量的时域变化规律，提取网络流量的时域特征，在LSTM模型中进行基于Adam优化算法进行迭代训练，得到训练好的模型；最后将测试集输入到训练好的模型中进行预测，输出基于GNN
‑
LSTM的预测结果。该方法由于在模型的训练过程中，要对邻接矩阵事先通过基于距离度量的方法进行定义，忽略节点之间的隐藏关系，因而不能对空域特征进行准确学习；同时由于该方法没有考虑到外部因素对网络流量数据的影响，降低了流量预测的精度。

技术实现思路
：
[0007]本专利技术的目的在于克服上述现有技术的不足，提供一种基于动态时空图卷积的网络流量预测方法，以准确学习流量数据的空间特征，同时对影响网络流量的节假日和周末信息进行特征提取，提高网络流量预测的精度。
[0008]为实现上述目的，本专利技术的技术方案包括如下步骤：
[0009](1)获取网络流量数据，对其进行归一化和输入格式的预处理，并按6:4比例将预处理后流量数据分为训练数据集，测试数据集；
[0010](2)构建动态时空图卷积网络：
[0011](2a)建立外部特征网络：
[0012](2a1)从网络流量数据集中获取节假日和周末信息，将其编码为二进制数据h
d
(e)，对h
d
(e)中的元素值用0表示工作日，1表示周末/节假日，将每个节点的二进制数据h
d
(e)进行拼接，得到节假日和周末的矩阵：X
e
＝[h1(e)h2(e)...h
D
(e)]T
，
[0013]其中d表示第d天，1≤d≤D，D表示网络流量数据记录的总天数；
[0014](2a2)将两个全连接层级连，并使用这两个全连接层对X
e
进行特征提取，得到外部特征：其中是分别为第一个全连接层的权重矩阵和偏置矩阵，分别是第二个全连接层的权重矩阵和偏置矩阵，σ(
·
)表示激活函数；
[0015](2b)建立增强图卷积网络：
[0016](2b1)选用现有的图神经网络，设置图嵌入参数并用E
·
E
T
替换其静态的邻接矩阵A，使邻接矩阵A在网络训练过程中自动更新，得到修改后的图神经网络；
[0017]其中N表示节点总数，d
e
表示图嵌入的维数大小，
[0018](2b2)使用两层修改后的图卷积网络级连构成增强图卷积网络，对流量数据的空间特征进行学习：
[0019]第一层的图卷积网络表示为：
[0020]第二层的图卷积网络表示为：
[0021]其中I是单位矩阵，X
c
是输入矩阵，ReLU(x)＝max(0,x)作为激活函数，使用softmax()函数对矩阵进行归一化处理，分别为第一层图卷积网络的权重矩阵和偏置矩阵，分别为第二层图卷积网络的权重矩阵和偏置矩阵，分别为第一层和第二层的图卷积网络的空间特征表示；
[0022](2c)选用现有的门控循环网络，用于对流量数据的时间特征进行学习；
[0023](2d)使用现有的回归网络，用于得到流量数据的预测值；
[0024](2e)将外部特征网络、增强图卷积网络、现有的门控循环网络、回归网络进行连接，构成动态时空图卷积网络，并将均方根损失函数作为该网络的损失函数loss；
[0025](3)将训练数据集输入到动态时空图卷积网络，使用随机梯度下降优化算法对该网络进行训练，直到损失函数收敛得到训练后的预测网络；
[0026](4)将测试数据集输入训练完成后的预测网络进行测试，得到预测结果。本专利技术与现有技术相比，具有如下优点：
[0027]1.本专利技术由于对现有的图卷积神经网络的结构进行修改，即设置图嵌入参数并用E
·
E
T
替换其静态的邻接矩阵A，使邻接矩阵A在网络训练过程中能自动更新，准确学习网络流量数据的空间特征，同时结合门控循环网络学习网络流量数据的时间特征，得到流量数据的时空特征表示，从而解决了网络流量的空间依赖性和时间相关性问题，提高了网络流量预测模型的精度；
[0028]2.本专利技术由于对影响网络流量的节假日和周末信息进行特征提取，并将其编码为二进制数据，即使用0表示工作日，1表示周末/节假日，可得到外部特征表示；同时由于将外部特征表示和时空特征表示相加，输入回归网络得到预测值，解决了现有技术忽略外部因素影响网络流量预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态时空图卷积的网络流量预测方法，其特征在于，包括如下步骤：(1)获取网络流量数据，对其进行归一化和输入格式的预处理，并按6:4比例将预处理后流量数据分为训练数据集，测试数据集；(2)构建动态时空图卷积网络：(2a)建立外部特征网络：(2a1)从网络流量数据集中获取节假日和周末信息，将其编码为二进制数据h
d
(e)，对h
d
(e)中的元素值用0表示工作日，1表示周末/节假日，将每个节点的二进制数据h
d
(e)进行拼接，得到节假日和周末的矩阵：X
e
＝[h1(e)h2(e)...h
D
(e)]
T
，其中d表示第d天，1≤d≤D，D表示网络流量数据记录的总天数；(2a2)建立由两个全连接层级连组成的外部特征网络，并使用外部特征网络对X
e
进行特征提取，得到外部特征：其中是分别为第一个全连接层的权重矩阵和偏置矩阵，分别是第二个全连接层的权重矩阵和偏置矩阵，σ(
·
)表示激活函数；(2b)建立增强图卷积网络：(2b1)选用现有的图神经网络，设置图嵌入参数并用E
·
E
T
替换其静态的邻接矩阵A，使邻接矩阵A在网络训练过程中自动更新，得到修改后的图神经网络；其中N表示节点总数，d
e
表示图嵌入的维数大小，(2b2)使用两层修改后的图卷积网络级连构成增强图卷积网络，对流量数据的空间特征进行学习：第一层的图卷积网络表示为：第二层的图卷积网络表示为：其中I是单位矩阵，X
c
是输入矩阵，ReLU(x)＝max(0,x)作为激活函数，使用softmax()函数对矩阵进行归一化处理，分别为第一层图卷积网络的权重矩阵和偏置矩阵，分别为第二层图卷积网络的权重矩阵和偏置矩阵，分别为第一层和第二层的图卷积网络的空间特征表示；(2c)选用现有的门控循环网络，用于对流量数据的时间特征进行学习；(2d)构建回归网络，用于得到流量数据的预测值；(2e)将外部特征网络、增强图卷积网络、现有的门控循环网络、回归网络进行连接，构成动态时空图卷积网络，并将均方根损失函数作为该网络的损失函数loss；(3)将训练数据集输入到动态时空图卷积网络，使用随机梯度下降优化算法对该网络进行训练，直到损失函数收敛得到训练后的预测网络；(4)将测试数据集输入训练完成后的预测网络进行测试，得到预测结果。2.根据权利要求1所述的方法，其特征在于，步骤(1)获取网络流量数据进行归一化和输入格式的预处理，实现如下：1a)利用MinMaxScaler()函数将流量数据规范在(0,1)之间，得到节点i在时刻t归一化
后的标准值：其中，t∈{1,2,3,...,T...

【专利技术属性】
技术研发人员：朱笑岩，刘杰，南海涵，张琳杰，张广凯，马建峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：