[发明专利]一种基于长短时记忆网络模型的短时数据流预测方法

摘要

本发明公开了一种基于长短时记忆网络模型的短时数据流预测方法，步骤为：首先获取观测点中的多个训练样本，然后提取练样本的特征，根据训练样本的特征对训练样本进行分类，分别为数据流量值变化趋势剧烈和平缓两个类型、或变化趋势上升和下降两个类型；采用所有训练样本针对LSTM模型进行训练，得到训练后的主模型，再分别采用两种类型的训练样本分别对主模型进行训练，分别得到第一类子模型和第二类子模型。获取观测点测试样本，通过分类器对测试样本进行分类，然后根据分类结果将测试样本输入到第一类子模型或第二类子模型中，通过第一类子模型或第二类子模型预测出观测点下一时间点的数量流量值。本发明方法提高了短时数据流预测的准确度。

主权项

1.一种基于长短时记忆网络模型的短时数据流预测方法，其特征在于，应用于交通数据流量的预测或应用于网络负载数据流量的预测，步骤如下：/n步骤S1、针对于需要预测短时数据流的观测点，首先在该观测点处采集历史的多个时间点统计的数据流量值，然后按照时间顺序，将上述采集的历史的每个时间点统计的数据流量值拼接聚合为一维数组并做归一化处理；其中上述每两个相邻时间点的时间间隔相同，均为T分钟；每个时间点统计的数据流量值指的是上一时间点至该时间点这段时间间隔内产生的数据流量；/n步骤S2、针对于步骤S1得到的归一化后的一维数组，进行滑动窗的加窗处理，得到多个训练样本，并且将每个训练样本中统计的数据流量值对应为最后一个时间点的下一时间点统计的数据流量值作为该训练样本的标签；其中每个训练样本中包括多个时间点统计的数据流量值；/n步骤S3、提取训练样本的特征：针对于训练样本做一阶差分处理得到训练样本的特征；根据训练样本的特征对训练样本做聚类处理，分离出数据流量值变化趋势剧烈和平缓的两个类型的训练样本，或者分离出数据流量值变化趋势上升和下降的两个类型的训练样本；/n步骤S4、获取模型参数初始化后的LSTM模型；然后对LSTM模型进行训练，具体为：首先将所有训练样本中各个训练样本作为输入、各个训练样本对应的标签作为输出对LSTM模型进行训练，得到训练后的主模型；然后将步骤S3获取到的数据流量值变化趋势剧烈或上升的一类训练样本输入到上述训练后的主模型中进行训练，得到第一类子模型；同时将步骤S3获取到的数据流量值变化趋势平缓或下降的一类训练样本输入到上述训练后的主模型中进行训练，得到第二类子模型；/n步骤S5、在当前时间点要预测观测点下一时间点统计的数据流量值时，首先通过滑动窗获取该观测点当前时间点及其前面多个时间点统计的归一化后的数据流量值所构成的样本，将该样本作为测试样本；其中测试样本中，每两个相邻的时间点的时间间隔相同，均为T1分钟；其中T1＝T；需要预测数据流量值的下一时间点和当前时间点的时间间隔也为T分钟；/n步骤S6、提取测试样本的特征：针对于测试样本做一阶差分处理得到测试样本的特征；然后由分类器根据测试样本的特征判断出测试样本是属于数据流量值变化趋势剧烈或上升的样本，还是属于数据流量值变化趋势平缓或下降的样本；其中上述分类器由将步骤S3中分离出类型的训练样本作为输入、训练样本所属类型作为输出训练得到；/n步骤S7、当测试样本属于数据流量值变化趋势剧烈或上升的样本，则将测试样本输入到步骤S4获取到的第一类子模型中，通过第一类子模型预测出观测点下一时间点统计的数据流量值；/n当测试样本属于数据流量值变化趋势平缓或下降的样本，则将测试样本输入到步骤S4获取到的第二类子模型中，通过第二类子模型预测出观测点下一时间点统计的数据流量值。/n