本發(fā)明實(shí)施例涉及通信，尤其涉及一種基于小波分解和改進(jìn)型lstm的算力網(wǎng)絡(luò)流量預(yù)測(cè)方法。

背景技術(shù)：

1、隨著數(shù)字經(jīng)濟(jì)的蓬勃發(fā)展，算力網(wǎng)已成為支撐云計(jì)算、大數(shù)據(jù)、人工智能等新一代信息技術(shù)創(chuàng)新應(yīng)用的核心基礎(chǔ)設(shè)施。組成算力網(wǎng)的各算力中心之間需要通過算力網(wǎng)絡(luò)進(jìn)行高速互聯(lián)，實(shí)現(xiàn)數(shù)據(jù)的快速傳輸與處理，為各類應(yīng)用提供強(qiáng)大的計(jì)算支撐。然而，隨著業(yè)務(wù)規(guī)模的擴(kuò)大和數(shù)據(jù)處理需求的增長，算力中心面臨的網(wǎng)絡(luò)吞吐壓力日益增大，網(wǎng)絡(luò)流量的復(fù)雜性和不確定性對(duì)算力網(wǎng)絡(luò)整體性能帶來了顯著影響。算力網(wǎng)絡(luò)流量預(yù)測(cè)作為算力網(wǎng)一體化運(yùn)營管理的重要環(huán)節(jié)，對(duì)于提升算力網(wǎng)絡(luò)的資源利用率、保障業(yè)務(wù)連續(xù)性和優(yōu)化用戶體驗(yàn)具有重要意義。通過準(zhǔn)確預(yù)測(cè)算力網(wǎng)絡(luò)流量，算力網(wǎng)平臺(tái)中心可以合理進(jìn)行算力資源調(diào)度和投放，避免數(shù)據(jù)傳輸擁塞和算力資源閑置，同時(shí)也有助于提前發(fā)現(xiàn)潛在的安全性風(fēng)險(xiǎn)和異常流量模式，保障算力網(wǎng)絡(luò)安全和數(shù)據(jù)安全。

2、現(xiàn)有技術(shù)存在的問題：

3、1.算力網(wǎng)絡(luò)的流量特性具有高度的復(fù)雜性和不確定性，受到多種因素的影響，如用戶行為、應(yīng)用特性、設(shè)備性能、網(wǎng)絡(luò)拓?fù)涞龋@使得準(zhǔn)確預(yù)測(cè)算力網(wǎng)絡(luò)流量變得非常困難，且沒有專門用于算力網(wǎng)絡(luò)的流量預(yù)測(cè)方法。

4、2.組合模型往往忽略了分解后組件之間的相關(guān)性，這將影響預(yù)測(cè)結(jié)果的準(zhǔn)確性。

5、3.算力中心的網(wǎng)絡(luò)流量是動(dòng)態(tài)變化的，并且需要實(shí)時(shí)預(yù)測(cè)以支持業(yè)務(wù)決策。這要求預(yù)測(cè)模型具有高度的動(dòng)態(tài)適應(yīng)性和實(shí)時(shí)響應(yīng)能力。

6、可見，亟需一種預(yù)測(cè)實(shí)時(shí)性、精準(zhǔn)度和適應(yīng)性強(qiáng)的基于小波分解和改進(jìn)型lstm的算力網(wǎng)絡(luò)流量預(yù)測(cè)方法。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明實(shí)施例提供一種基于小波分解和改進(jìn)型lstm的算力網(wǎng)絡(luò)流量預(yù)測(cè)方法，至少部分解決現(xiàn)有技術(shù)中存在預(yù)測(cè)實(shí)時(shí)性、精準(zhǔn)度和適應(yīng)性較差的問題。

2、本發(fā)明實(shí)施例提供了一種基于小波分解和改進(jìn)型lstm的算力網(wǎng)絡(luò)流量預(yù)測(cè)方法，包括：

3、步驟1，數(shù)據(jù)預(yù)處理，將算力網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后將算力網(wǎng)絡(luò)流量數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集；

4、步驟2，構(gòu)建改進(jìn)型lstm的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型，其中，所述算力網(wǎng)絡(luò)流量預(yù)測(cè)模型包括小波分解算法、卷積長短時(shí)記憶網(wǎng)絡(luò)和雙向長短時(shí)記憶網(wǎng)絡(luò)；

5、步驟3，將訓(xùn)練集輸入算力網(wǎng)絡(luò)流量預(yù)測(cè)模型中，基于adam優(yōu)化算法進(jìn)行迭代訓(xùn)練，得到訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型；

6、步驟4，將測(cè)試集輸入訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型，評(píng)價(jià)其精度是否符合要求，若是，則進(jìn)入步驟5，若否，則返回步驟3；

7、步驟5，采集目標(biāo)流量數(shù)據(jù)并將其輸入訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型中，將流量序列經(jīng)過小波分解后得到多個(gè)分量并拼接為矩陣，通過并行化的卷積長短時(shí)記憶網(wǎng)絡(luò)提取各分量之間的時(shí)間和空間特征，之后將特征矩陣轉(zhuǎn)為一維特征向量，通過帶指數(shù)門控的雙向長短時(shí)記憶網(wǎng)絡(luò)對(duì)一維特征向量采用順序和逆序計(jì)算得到兩套不同的隱層表示，然后通過向量拼接得到最終的隱藏表示，再通過一個(gè)全連接層輸出實(shí)時(shí)預(yù)測(cè)結(jié)果。

8、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述步驟1具體包括：

9、步驟1.1，讀取算力網(wǎng)絡(luò)流量數(shù)據(jù)集到本地，其中，所述算力網(wǎng)絡(luò)流量數(shù)據(jù)集包括目標(biāo)算力中心各個(gè)歷史時(shí)刻的網(wǎng)絡(luò)流量數(shù)值；

10、步驟1.2，獲取算力網(wǎng)絡(luò)流量數(shù)據(jù)集的流量最大值和流量最小值；

11、步驟1.3，對(duì)算力網(wǎng)絡(luò)流量數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化，即；

12、其中，x為原始算力網(wǎng)絡(luò)流量數(shù)據(jù)，為算力網(wǎng)絡(luò)歷史流量數(shù)據(jù)的最小值，為算力網(wǎng)絡(luò)歷史流量數(shù)據(jù)的最大值，為標(biāo)準(zhǔn)化后的結(jié)果；

13、步驟1.4，設(shè)定每條樣本的大小t以及對(duì)應(yīng)標(biāo)簽大小p，即根據(jù)t個(gè)歷史時(shí)刻的流量數(shù)據(jù)預(yù)測(cè)未來p個(gè)時(shí)刻的流量數(shù)據(jù)，按照設(shè)定的t和p將算力網(wǎng)絡(luò)流量數(shù)據(jù)集制成多個(gè)樣本和對(duì)應(yīng)的標(biāo)簽；

14、步驟1.5，將樣本和對(duì)應(yīng)的標(biāo)簽劃分成訓(xùn)練集和測(cè)試集。

15、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述卷積長短時(shí)記憶網(wǎng)絡(luò)的表達(dá)式為

16、

17、其中，當(dāng)前時(shí)刻記為t，t-1為上一個(gè)時(shí)刻，為當(dāng)前時(shí)刻的輸入，代表卷積，代表哈達(dá)瑪積，為sigmoid激活函數(shù)，tanh和softmax也為一種激活函數(shù)，為新設(shè)計(jì)的一種補(bǔ)償門，為補(bǔ)償門中對(duì)的三個(gè)卷積核，為補(bǔ)償門的三個(gè)偏置項(xiàng)，先將兩個(gè)卷積結(jié)果相乘并激活，再與第三個(gè)卷積結(jié)果相乘并激活即可得到補(bǔ)償門的結(jié)果，代表隱狀態(tài)，代表輸入門，代表遺忘門，代表輸出門，為細(xì)胞狀態(tài)，為細(xì)胞狀態(tài)的一個(gè)備選狀態(tài)，分別為輸入門、遺忘門、細(xì)胞狀態(tài)和輸出門對(duì)的卷積核，分別為輸入門、遺忘門、細(xì)胞狀態(tài)和輸出門對(duì)的卷積核，分別為輸入門、遺忘門、細(xì)胞狀態(tài)和輸出門的偏置項(xiàng)；

18、將各個(gè)隱藏狀態(tài)通過自適應(yīng)加權(quán)求和的方式對(duì)最后的輸出門進(jìn)行補(bǔ)償，得到最終的輸出，自適應(yīng)加權(quán)的過程表達(dá)式為：

19、

20、

21、

22、

23、其中，為卷積操作，為t時(shí)刻的隱藏狀態(tài)，為一個(gè)卷積核，為偏置項(xiàng)，為縮放因子，都為可學(xué)習(xí)的參數(shù)，整個(gè)過程為隱藏狀態(tài)分配一個(gè)系數(shù)，通過加權(quán)相加的方式把信息相加得到，再將更新到輸出門。

24、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述雙向長短時(shí)記憶網(wǎng)絡(luò)的表達(dá)式為

25、；

26、其中，為前一時(shí)刻隱藏狀態(tài)，為當(dāng)前時(shí)刻輸入，exp為以e為底數(shù)的指數(shù)函數(shù)，為sigmoid函數(shù)，為遺忘門的偏置向量，代表輸入門，為一個(gè)備選向量，為更新門的偏置向量，為記憶單元偏置向量，為當(dāng)前單元狀態(tài)，為輸出門，為輸出門偏置向量，為當(dāng)前隱藏狀態(tài)，為平穩(wěn)狀態(tài)，和為平穩(wěn)化后的結(jié)果。

27、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述步驟3具體包括：

28、步驟3.1，設(shè)置批大小，將訓(xùn)練集劃分成多個(gè)批次；

29、步驟3.2，將每個(gè)批次的數(shù)據(jù)輸入算力網(wǎng)絡(luò)流量預(yù)測(cè)模型中，計(jì)算損失函數(shù)；

30、步驟3.3，基于adam算法進(jìn)行迭代優(yōu)化，直到設(shè)定的迭代次數(shù)；

31、步驟3.4，迭代結(jié)束，將訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型對(duì)應(yīng)的模型參數(shù)保存。

32、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述步驟4具體包括：

33、步驟4.1，將測(cè)試集輸入訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型，得到p個(gè)時(shí)刻的預(yù)測(cè)結(jié)果；

34、步驟4.2，以均方根誤差和絕對(duì)百分比均值誤差兩個(gè)指標(biāo)評(píng)價(jià)模型精度，若其精度符合要求，則進(jìn)入步驟5，若否，則返回步驟3。

35、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述均方根誤差的表達(dá)式為

36、

37、所述絕對(duì)百分比均值誤差的表達(dá)式為

38、

39、其中，為模型的預(yù)測(cè)值，為訓(xùn)練集中的真實(shí)值。

40、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述模型參數(shù)包括隱藏層的層數(shù)、隱藏層的神經(jīng)元個(gè)數(shù)、卷積核的大小、學(xué)習(xí)率、最大迭代次數(shù)和預(yù)測(cè)未來時(shí)刻的數(shù)量。

41、根據(jù)本發(fā)明實(shí)施例的一種具體實(shí)現(xiàn)方式，所述步驟5具體包括：

42、步驟5.1，選擇一個(gè)小波基函數(shù)對(duì)目標(biāo)流量數(shù)據(jù)進(jìn)行多層分解，得到多個(gè)分解后的分量，將分量組合成矩陣，長度不足的分量用0填充；

43、步驟5.2，將分量矩陣輸入并行化的卷積長短時(shí)記憶網(wǎng)絡(luò)，提取分量間的特征，并將特征矩陣轉(zhuǎn)化為一維特征向量；

44、步驟5.3，將特征向量輸入帶指數(shù)門控的雙向長短時(shí)記憶網(wǎng)絡(luò)提取時(shí)間特征；

45、步驟5.4，最后通過一個(gè)全連接層輸出預(yù)測(cè)結(jié)果；

46、步驟5.5，將預(yù)測(cè)結(jié)果加入樣本并重復(fù)步驟5.4，直到未來p個(gè)時(shí)刻的數(shù)據(jù)全被計(jì)算出來。

47、本發(fā)明實(shí)施例中的基于小波分解和改進(jìn)型lstm的算力網(wǎng)絡(luò)流量預(yù)測(cè)方案，包括：步驟1，數(shù)據(jù)預(yù)處理，將算力網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后將算力網(wǎng)絡(luò)流量數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集；步驟2，構(gòu)建改進(jìn)型lstm的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型，其中，所述算力網(wǎng)絡(luò)流量預(yù)測(cè)模型包括小波分解算法、卷積長短時(shí)記憶網(wǎng)絡(luò)和雙向長短時(shí)記憶網(wǎng)絡(luò)；步驟3，將訓(xùn)練集輸入算力網(wǎng)絡(luò)流量預(yù)測(cè)模型中，基于adam優(yōu)化算法進(jìn)行迭代訓(xùn)練，得到訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型；步驟4，將測(cè)試集輸入訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型，評(píng)價(jià)其精度是否符合要求，若是，則進(jìn)入步驟5，若否，則返回步驟3；步驟5，采集目標(biāo)流量數(shù)據(jù)并將其輸入訓(xùn)練好的算力網(wǎng)絡(luò)流量預(yù)測(cè)模型中，將流量序列經(jīng)過小波分解后得到多個(gè)分量并拼接為矩陣，通過并行化的卷積長短時(shí)記憶網(wǎng)絡(luò)提取各分量之間的時(shí)間和空間特征，之后將特征矩陣轉(zhuǎn)為一維特征向量，通過帶指數(shù)門控的雙向長短時(shí)記憶網(wǎng)絡(luò)對(duì)一維特征向量采用順序和逆序計(jì)算得到兩套不同的隱層表示，然后通過向量拼接得到最終的隱藏表示，再通過一個(gè)全連接層輸出實(shí)時(shí)預(yù)測(cè)結(jié)果。

48、本發(fā)明實(shí)施例的有益效果為：通過本發(fā)明的方案，先對(duì)算力網(wǎng)絡(luò)流量序列進(jìn)行分解，并用并行化卷積長短時(shí)記憶網(wǎng)絡(luò)convlstm模塊提取分解后的各個(gè)分量之間的特征，再通過帶指數(shù)門控的雙向長短時(shí)記憶網(wǎng)絡(luò)bilstm模塊提取時(shí)序特征，最后通過全連接層輸出，模型輕量且對(duì)樣本適應(yīng)能力強(qiáng)，能對(duì)特定區(qū)域內(nèi)的算力網(wǎng)絡(luò)流量變化進(jìn)行高精度的預(yù)測(cè)。