申请/专利权人：西安电子科技大学

申请日：2024-01-12

公开（公告）日：2024-04-12

公开（公告）号：CN117880871A

主分类号：H04W24/06

分类号：H04W24/06;G06Q50/50;G06N3/045;G06N3/0442;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于时空图多注意力机制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时空特征及预测精度低的问题。其实现方案为：对原始网络流量数据集进行预处理，并划分训练和测试数据集；构建由两层修改后图卷积模块组成的动态图卷积神经网络；构建包括全局空间注意力模块、局部空间注意力模块、门控融合模块、时间注意力模块和两个长短期记忆模块组成的自编码器网络；将动态图卷积神经网络与自编码器网络连接构成时空图多注意力网络；利用训练集并使用随机梯度下降法迭代更新网络参数直到损失函数收敛；将测试训练集输入该训练好的时空图多注意力网络得到预测结果。本发明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。

主权项：1.一种基于时空图多注意力机制的网络流量预测方法，其特征在于，包括如下步骤：1获取网络流量数据集，对其进行预处理后按照7:3比例分为训练数据集和测试数据集；2构建基于时空图多注意力网络的流量预测模型：2a建立动态图卷积网络：选用现有的图神经网络，设置图嵌入参数并用E·ET替换其静态的邻接矩阵A，得到修改后的图神经网络，其中N表示节点总数，de表示图嵌入的维数大小，ET表示E的转置，将两层修改后的图卷积网络级连构成动态图卷积模块；2b建立包含全局空间注意力模块、局部空间注意力模块、门控融合模块、时间注意力模块和两个长短期记忆模块LSTM的自编码器网络；2c将动态图卷积网络与自编码器网络连接，构成基于时空图多注意力网络的流量预测模型；3将平均绝对误差损失函数作为该网络的损失函数loss，将训练数据集输入到时空图多注意力网络的流量预测模型，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时空图多注意力网络进行测试，得到预测结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于时空图多注意力机制的网络流量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD