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：中国电子科技集团公司第五十四研究所

摘要：本发明涉及一种基于LSTM和生成对抗网络的网络流量预测方法，包括：1针对网络流量数据，构建网络流量仿真数据集；2在步骤1构建的仿真网络流量数据集的基础上，通过生成对抗网络模型对其数据进行增广，以满足训练需求；3针对步骤2获得的数据集，结合网络流量数据具有连续性、周期性的特点，构建长短期记忆网络模型；4针对步骤3构建的LSTM模型，在步骤2所获得的网络流量仿真数据集上进行训练，利用训练后的LSTM模型对网络流量数据进行预测，获得网络流量预测结果。本发明利用生成对抗网络思想，对仿真数据进行增广，解决了模型训练过程中数据量短缺的问题，提升了模型的预测精度与泛化能力。

主权项：1.一种基于LSTM和生成对抗网络的网络流量预测方法，其特征在于，包括以下步骤：1构建网络流量仿真数据集；2利用生成对抗网络，对网络流量仿真数据集进行增广；3针对增广后获得的数据集，结合网络流量数据连续性和周期性的特点，构建基于LSTM的网络流量预测模型；4针对步骤3构建的网络流量预测模型，在步骤2增广后获得的数据集上进行训练，利用训练后的网络流量预测模型对网络流量数据进行预测，获得网络流量预测结果；其中，所述步骤2生成对抗网络中，生成器采用RNN模型，鉴别器采用由5个卷积层组成的神经网络模型，生成对抗网络的训练过程使用合成损失函数，即两组损失函数的加权和： 式中，Lgen为生成器中的损失函数，Ldis为鉴别器的损失函数，N为数据集重构后图像的数量，Xi表示某一输入训练图像，Yi表示对应真实值标签图，SXi表示生成器输出的预测值图；pX,Y表示鉴别器预测Y是X的真实标签的概率，取值范围为[0,1]，λ表示权重系数；鉴别器的训练使以下损失函数Ldis最小化： 其中，当样本为生成器网络输出的预测值图时，zi＝0；当样本为真实值标签图时，zi＝1；DSXip是Xi在像素p处的置信图，DYip是Yi在像素p处的置信图；生成器的训练使以下损失函数Lgen最小化：Lgen＝Lce+λadvLadv其中，Lce是交叉熵损失，Ladv是对抗损失AdversarialLoss；λadv是最小化多任务损失函数的权重系数，对抗损失Ladv为： 其中，所述步骤3中，构建基于LSTM的网络流量预测模型，具体为：首先构建LSTM层，LSTM使用门结构，本质是3个控制开关；第一个开关为遗忘门，用来决定从网络神经元中丢弃哪些信息；第二个开关为输入门，用来决定哪些状态的值要被更新；第三个开关为输出门，用来控制长期记忆对当前输出的影响；遗忘门的衰减系数计算公式为：ft＝σWf[ht-1,xt]+bf式中，σ是Sigmoid激活函数，Wf是遗忘门的权重矩阵，ht-1是上一时刻遗忘门的神经元状态，xt是当前时刻的输入值，bf是遗忘偏置项；通过获取ht-1和xt的数值，在经过Sigmoid激活函数处理之后得到范围在[0，1]的ft，ft的大小代表了网络神经元中信息的保留程度，当ft值为0时，表示完全舍弃，当ft值为1时，表示完全保留；输入门的计算公式为：it＝σWi[ht-1,xt]+bi 式中，bi和bc为输入偏置项，Wi和Wc为输入权重矩阵，为通过tanh激活函数筛选出的新的候选值，ct-1为上一时刻输入门的神经元状态；输出门的计算公式如下：ot＝σW[ht-1,xt]+bo式中，输出门通过一层Sigmoid激活函数来筛选输出信息ot，bo为输出偏置项，W为输出权重矩阵；LSTM层最终的输出ht由神经元状态ct与输出门输出ot共同决定，即：ht＝ottanhct并基于LSTM层的输出ht和期望预测值yt构建如下平均绝对误差损失函数Lpre： 式中，M为数据集样本容量。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 一种基于LSTM和生成对抗网络的网络流量预测方法