【技术实现步骤摘要】
本说明书涉及流量预测领域，更具体地说，本申请涉及一种基于lstm的流量需求预测方法及系统。
技术介绍
1、预测数据中心内的流量需求可以帮助优化服务器和存储资源的分配，确保高效利用资源。通过预测不同服务器或节点的流量需求，可以实现更有效的负载均衡策略，避免某些节点过载而其他节点空闲。此外，基于预测的流量数据，云服务提供商可以自动调整资源分配，例如自动增加或减少虚拟机实例以满足服务需求。通过准确预测，云用户可以更有效地购买和使用云资源，避免资源浪费，降低运营成本。
2、目前的流量需求是基于过一段时间的历史流量使用情况采用时间序列分析模型、回归模型等方法进行预测，但是目前相关技术流量预测方法无法应对当前多变的网络需求，预测精度有所欠缺。
3、因此，有必要提出一种更为灵活和精准的流量需求预测方法及系统。
技术实现思路
1、在
技术实现思路
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本申请的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
2、第一方面，本申请提出一种基于lstm的流量需求预测方法，上述方法包括：
3、获取目标网络第一时长内的第一流量使用信息和目标网络第二时长内的第二流量使用信息，其中，上述第一时长小于上述第二时长；
4、将上述第一流量使用信息输入至lstm流量预测模型中的第一lstm模块，以获取短时流量
5、将上述第二流量使用信息输入至上述lstm流量预测模型中的第二lstm模块，以获取长时流量特征信息；
6、将综合流量特征信息输入至上述lstm流量预测模型中的特征融合及预测模块中，以获取流量需求预测信息，上述综合流量特征信息包括上述短时流量特征信息和上述长时流量特征信息。
7、在一种可行的实施方式中，上述第一lstm模块包括第一输入层、卷积层、池化层、第一lstm层和第一全连接层；
8、上述第二lstm模块包括第二输入层、第二lstm层、注意力层和第二全连接层；
9、上述特征融合及预测模块包括特征融合层、第三全连接层和输出层。
10、在一种可行的实施方式中，上述lstm流量预测模型还包括数据增强模块；
11、上述获取目标网络第一时长内的第一流量使用信息和目标网络第二时长内的第二流量使用信息，包括：
12、获取目标网络的原始流量使用信息；
13、将上述原始流量使用信息输入至上述数据增强模块，以获取流量增强数据，其中，上述数据增量模块用于执行随机时间切片操作、时间序列平移操作和噪声添加操作；
14、基于上述流量增强数据获取第一时长内的第一流量使用信息和第二时长内的第二流量使用信息。
15、在一种可行的实施方式中，上述lstm流量预测模型还包括数据统计特征提取模块，上述综合流量特征信息还包括arima残差特征信息；
16、上述方法还包括：
17、将上述流量增强数据输入至上述数据统计特征提取模块，以获取上述arima残差特征信息。
18、在一种可行的实施方式中，上述lstm流量预测模型还包括其他模态特征提取模块，上述综合流量特征信息还包括其他模态特征信息，上述其他模态特征信息包括天气、区域热点事件和大型活动对应的特征信息；
19、上述方法还包括：
20、获取其他模态数据，其中，上述其他模态数据包括天气数据、区域热点事件数据和大型活动数据；
21、将上述其他模态数据至其他模态特征提取模块，以获取上述其他模态特征信息，其中，上述其他模态特征信息包括天气、区域热点事件和大型活动对应的特征信息。
22、在一种可行的实施方式中，上述将综合流量特征信息输入至上述lstm流量预测模型中的特征融合及预测模块中，以获取流量需求预测信息，包括：
23、获取上述短时流量特征信息对应的短时特征权重；
24、获取上述长时流量特征信息对应的长时特征权重；
25、获取上述arima残差特征信息对应的残差特征权重；
26、获取上述其他模态特征对应的其他特征权重；
27、将上述流量特征信息中各特征信息、上述流量特征信息中各特征信息对应的权重输入至上述lstm流量预测模型中的特征融合及预测模块中，以获取流量需求预测信息；上述流量特征信息中各特征信息包括：上述短时流量特征信息、上述长时流量特征信息、上述arima残差特征信息和上述其他模态特征；上述流量特征信息中各特征信息对应的权重包括上述短时特征权重、上述长时特征权重、上述残差特征权重和其他特征权重。
28、在一种可行的实施方式中，上述短时特征权重、上述长时特征权重、上述残差特征权重和其他特征权重中的每一个特征权重均包括一个基础权重和一个动态权重，上述基础权重是基于相关性分析法确定的，上述动态权重是基于梯度调整法和环境变化因素调整获取的。
29、在一种可行的实施方式中，基于相关性分析法确定基础权重的具体步骤为：
30、根据历史流量需求数据和历史流量预测数据，确定上述流量特征信息中各特征信息对应的皮尔逊相关系数；上述流量特征信息中各特征信息对应的皮尔逊相关系数包括：上述短时流量特征信息对应的皮尔逊相关系数、上述长时流量特征信息对应的皮尔逊相关系数、上述arima残差特征信息对应的皮尔逊相关系数和上述其他模态特征信息对应的皮尔逊相关系数；
31、基于上述流量特征信息中各特征信息对应的上述皮尔逊相关系数确上述流量特征信息中各特征信息对应的基础权重；上述流量特征信息中各特征信息对应的基础权重包括：上述短时流量特征信息对应的基础权重、上述长时流量特征信息对应的基础权重、上述arima残差特征信息对应的基础权重和上述其他模态特征信息对应的基础权重。
32、在一种可行的实施方式中，基于梯度调整法和环境变化因素调整获取的动态权重的具体步骤包括：
33、实时计算上述综合流量特征信息中各特征信息对应的权重的梯度信息，基于上述梯度信息确定第一调整系数；
34、实施监控外部环境信息，基于上述外部环境信息确定第二调整系数；
35、基于上述第一调整系数和上述第二调整系数确定上述综合流量特征信息中各特征信息对应的上述动态权重。
36、第二方面、本申请还提出一种基于lstm的流量需求预测系统，包括：
37、第一获取单元，用于获取目标网络第一时长内的第一流量使用信息和目标网络第二时长内的第二流量使用信息，其中，上述第一时长小于上述第二时长；
38、第二获取单元，用于将上述第一流量使用信息输入至lstm流量预测模型中的第一lstm模块，以获取短时流量特征信息；
39、第三获取单元，用于将上述第二流量使用信息输入至上述lstm流量预测模型中的第二本文档来自技高网...
【技术保护点】
1.一种基于LSTM的流量需求预测方法，包括：
2.根据权利要求1所述的基于LSTM的流量需求预测方法，其特征在于，所述第一LSTM模块包括第一输入层、卷积层、池化层、第一LSTM层和第一全连接层；
3.根据权利要求2所述的基于LSTM的流量需求预测方法，其特征在于，所述LSTM流量预测模型还包括数据增强模块；
4.根据权利要求3所述的基于LSTM的流量需求预测方法，其特征在于，所述LSTM流量预测模型还包括数据统计特征提取模块，所述综合流量特征信息还包括ARIMA残差特征信息；
5.根据权利要求4所述的基于LSTM的流量需求预测方法，其特征在于，所述LSTM流量预测模型还包括其他模态特征提取模块，所述综合流量特征信息还包括其他模态特征信息，所述其他模态特征信息包括天气、区域热点事件和大型活动对应的特征信息；
6.根据权利要求5所述的基于LSTM的流量需求预测方法，其特征在于，所述将综合流量特征信息输入至所述LSTM流量预测模型中的特征融合及预测模块中，以获取流量需求预测信息，包括：
7.根据权利要求6所述的
8.根据权利要求7所述的基于LSTM的流量需求预测方法，其特征在于，基于相关性分析法确定基础权重的具体步骤包括：
9.根据权利要求7所述的基于LSTM的流量需求预测方法，其特征在于，基于梯度调整法和环境变化因素调整获取的动态权重的具体步骤包括：
10.一种基于LSTM的流量需求预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于lstm的流量需求预测方法，包括：
2.根据权利要求1所述的基于lstm的流量需求预测方法，其特征在于，所述第一lstm模块包括第一输入层、卷积层、池化层、第一lstm层和第一全连接层；
3.根据权利要求2所述的基于lstm的流量需求预测方法，其特征在于，所述lstm流量预测模型还包括数据增强模块；
4.根据权利要求3所述的基于lstm的流量需求预测方法，其特征在于，所述lstm流量预测模型还包括数据统计特征提取模块，所述综合流量特征信息还包括arima残差特征信息；
5.根据权利要求4所述的基于lstm的流量需求预测方法，其特征在于，所述lstm流量预测模型还包括其他模态特征提取模块，所述综合流量特征信息还包括其他模态特征信息，所述其他模态特征信息包括天气、区域热点事件和大型活动对应的特征信息；
6.根据权利要求...
【专利技术属性】
技术研发人员：赵晨，钟理，洪钊桦，翟鸿鹏，
申请(专利权)人：广东联想懂的通信有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。