1.一种网络流量预测方法,其特征在于,包括以下步骤:S1、根据三维张量模型对采集的网络流量原始数据建模,形成原始张量数据,对所述原始张量数据进行归一化处理;
S2、在经步骤S1处理后得到的归一化后的原始张量数据中,截取长度分别为Tr,Td,Tw的邻近的、以日为周期的和以周为周期的历史数据S3、将 分别作为第一时空聚合模块、第二时空聚合模块、第三时空聚合模块的输入,融合第一时空聚合模块、第二时空聚合模块、第三时空聚合模块的输出;将融合结果输入预测网络得到预测结果,计算预测结果与预测序列真实值 之间的误差,根据所述误差调整第一时空聚合模块、第二时空聚合模块、第三时空聚合模块和预测网络的参数,直至训练完成,得到预测模型;其中,所述第一时空聚合模块、第二时空聚合模块、第三时空聚合模块对对应的输入数据进行包括如下过程的处理:提取所述输入数据的时间相关性特征,并提取所述时间相关性特征的空间相关性特征,得到输出;
步骤S1的具体实现过程包括:
1)将节点i在t时刻的网络流量建模为向量 其中 为在t时刻从节点i流向节点j的网络流量值,N为网络节点的数量; 表示所有网络节点在t时刻的流量矩阵数据;j=1,2,……,N;
2)将所有时间步的流量矩阵数据构建模为原始张量数据,其中τ为采集的时间步数量;
N×N
3)计算N个网络节点在τ时间步内的最大流量值,得到矩阵数据scale∈R ;
4)对原始张量数据进行归一化处理,
步骤S3中,所述第一时空聚合模块、第二时空聚合模块、第三时空聚合模块的结构相同;所述第一时空聚合模块包括:输入卷积层,输出端与残差模块连接;
至少一个残差模块,当残差模块为多个时,多个所述残差模块串联;第一个残差模块与所述输入卷积层的输出端连接;
图学习网络,输入为对应的历史数据,输出为邻接矩阵,且输出对应与各残差模块连接;
多个并联的跳跃卷积层,第一个跳跃卷积层的输入为对应的历史数据,其余跳跃卷积层对应与各残差模块连接;
融合所述多个跳跃卷积层的输出,得到所述第一时空聚合模块的输出;
所述残差模块包括串联的门控空洞卷积网络和混合跳图卷积网络;
其中,所述门控空洞卷积网络的输出Dout表示为:和 表示膨胀率为d的卷积核参数矩阵,Din为门控空洞卷积网络的输入;tanh为正切双曲激活函数,σ为sigmoid激活函数, 表示矩阵之间的元素积;
所述混合跳图卷积网络的输出Gout表示为: Gk ′=WkGk;
对角矩阵
(m)
的第i行第i列元素 A 是第m个残差模块中混合跳图卷积网络(m) (m)
的邻接矩阵,A [i][j]表示邻接矩阵A 第i行第j列的元素;Gk‑1、Gk是该混合跳图卷积网络的第k个图卷积层的输入和输出,G0=Gin,Gin为混合跳图卷积网络的输入,β是超参数,I是单位矩阵,Wk为特征选择器的参数矩阵。
2.根据权利要求1所述的网络流量预测方法,其特征在于,所述残差模块数量为三个;
三个所述残差模块的混合跳图卷积网络均与图学习网络连接;三个门控空洞卷积网络的输出端各与一跳跃卷积层连接;最后一个残差模块的混合跳图卷积网络的输出端接最后一个跳跃卷积层。
(1) (2) (3)
3.根据权利要求2所述的网络流量预测方法,其特征在于,三个邻接矩阵A ,A ,A的计算公式为: 和 是参数矩阵; 其中,(m‑1) L
W ∈R
×L (m‑1) N×L
是权重矩阵,b ∈R 是偏置, 和 共享相同的权重矩阵和偏置。
4.根据权利要求1所述的网络流量预测方法,其特征在于,还包括预测网络;所述预测网络与所述第一时空聚合模块、第二时空聚合模块、第三时空聚合模块的输出端连接;所述预测网络包括两个串联的卷积层。
5.一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序;其特征在于,所述处理器执行所述计算机程序,以实现权利要求1~4之一所述方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序;其特征在于,所述计算机程序被处理器执行时实现权利要求1~4之一所述方法的步骤。