龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：合肥工业大学智能制造技术研究院
摘要：本发明公开了一种基于跨域多尺度自注意力的长期网络流量预测方法，包括：1、采集网络流量序列数据并进行预处理；2、建立网络流量预测网络，采用双通道特征提取方式，使用时域和频域注意力机制分别提取时域和频域下的局部细节特征分支，并使用线性层提取网络流量序列数据的长期趋势特征分支，并融合局部细节特征输出预测结果；3、构建损失函数，训练迭代后直到网络的参数收敛，得到最优参数对应的网络流量预测模型。本发明能解决在复杂环境下预测未来网络流量序列数据时长短，预测精度低的问题，降低网络流量预测方法的参数量，提高预测实时性，并完成复杂背景下部分流量数据缺失状态的精确预测，从而满足准确化快速化的实际需求。
主权项：1.一种基于跨域多尺度自注意力的长期网络流量预测方法，其特征在于，包括以下步骤：步骤1：采集网络流量数据并进行切片、缩放、填充的预处理后，得到预处理后的网络流量数据集Data＝{X1,X2,...,Xn,...,XT}；其中，Xn∈RM×I表示预处理后的第n条网络流量数据，T表示网络流量数据的总数，I表示历史窗长，M表示网络流量数据中的数据种类数；步骤2：构建网络流量预测网络，包括：预处理模块、混合特征编码网络、线性网络，并对Xn进行处理，得到预测的网络流量数据Xn,out∈RM×O；其中，O表示未来窗长；步骤2.1、所述预处理模块对Xn进行处理，得到第n个网络流量特征Xn,feed；步骤2.2、所述混合特征编码网络对Xn,feed进行处理，得到第n个网络流量局部细节特征Xn,Local；步骤2.3、所述线性网络对Xn进行处理后，得到第n个网络流量全局趋势特征数据Xn,Global∈RM×O；所述线性网络对Xn,Local和Xn,Global进行加权处理后，得到预测的未来窗长为O的第n个网络流量数据Xn,out；步骤3、采用随机梯度下降法对所述网络流量预测网络进行训练，并使用MSEloss损失计算网络损失，直到损失收敛或达到最大迭代次数后，停止训练，从而生成最优参数对应的网络流量预测模型，用于对单元级区域的未来长期网络流量数据进行预测。
全文数据：
权利要求：
百度查询： 合肥工业大学智能制造技术研究院 基于跨域多尺度自注意力的长期网络流量预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号