基于ATLS-Net深度学习的远洋船舶卫星通信流量预测方法
- 国知局
- 2024-08-02 14:21:33
本发明涉及远洋船网络流量预测,更具体地说,本发明涉及基于atls-net深度学习的远洋船舶卫星通信流量预测方法。
背景技术:
1、随着社会进步和科技发展,船舶工程领域正面临快速变革。卫星通信在航运中扮演关键角色,其应用不断扩展。卫星通信具有广覆盖、高稳定性和强可靠性等特点,在海上通信中得到广泛应用。海上通信需求增长推动了卫星通信技术的创新和发展,为海上航行提供强大支撑。
2、卫星通信技术为海上船舶提供高效通信支持,具有独特优势。然而,复杂海上环境和技术局限性带来一系列挑战。船舶卫星通信存在时延、低宽带、丢包和断连等问题,直接影响通信可靠性和稳定性。船舶卫星通信网络是大规模动态系统,资源分配和管理具挑战性。在此背景下,准确预测未来船舶卫星通信流量至关重要。预测可帮助卫星系统提前了解远洋船舶的网络流量需求,准确预测船舶卫星网络中的流量变化趋势,优化通信资源配置、调整网络策略,避免拥塞,确保通信可靠性和稳定性。
3、船舶卫星通信流量具有时空移变性,受时间和空间影响。相较广义网络流量,船舶卫星通信流量预测更复杂多样化。经纬度等因素也影响船舶卫星通信流量。因此,本研究提出融合注意力机制、时间卷积网络和长短期记忆网络的神经网络模型,捕捉海上卫星通信网络流量的时间和空间特征,提高预测准确性,为复杂海洋通信环境下的网络流量预测提供辅助措施。然而基于统计学习的模型在进行数据拟合时需要人工设定参数,仅适用于短期网络流量预测。因此,单纯使用线性模型很难对网络流量进行精准预测,需要使用更加复杂的模型结构和算法。虽然传统的时间序列预测方法已经具有良好的性能,但是在数据不足或者数据质量不好时容易出现过拟合或欠拟合,不能很好的处理大规模数据。
4、鉴于此,本发明提供基于atls-net深度学习的远洋船舶卫星通信流量预测方法。
技术实现思路
1、为了克服现有技术中的问题,本发明提出基于atls-net深度学习的远洋船舶卫星通信流量预测方法,能够有效地减少噪声的干扰,同时又能够保留数据的有效信息,有助于消除噪声和异常值的干扰,提高数据的可靠性和准确性。
2、根据本发明的一个方面,提供了基于atls-net深度学习的远洋船舶卫星通信流量预测方法,包括以下步骤:
3、步骤1:采用不同时间粒度对该船舶卫星通信流量进行数据重采样获得原始流量数据;
4、步骤2:通过滤波器对步骤1中原始流量数据进行去噪获得去噪流量数据,所述去噪流量数据保留原始流量数据的有效信息;
5、步骤3:使用最大最小归一化方法对去噪流量数据进行数据转换获得归一化流量数据;
6、步骤4:将归一化流量数据应用时间卷积网络tcn提取数据中短期局部特征;
7、步骤5:使用两层长短时记忆网络lstm捕获数据中长期相关依赖性;
8、步骤6:模型引入自注意力机制来实现数据中不同特征之间的加权表征;
9、步骤7:使用提出的atls-net深度学习模型滑动窗口型预测数据,得到船舶卫星通信流量预测值。
10、作为本发明的一种优选方案,所述步骤2具体包括以下步骤:
11、基于步骤1中原始流量数据包括t个子序列:
12、x=[x1…,xi,…,xt]
13、将savitzky-golay滤波器设置指定窗口大小为n=2m+1;
14、则x个子序列表示为:
15、{xs-m,…,xs,…,xs+m},s∈[m+1,t-m],且t>2m+1
16、s是当前窗口的中心位置,m是窗口半宽度
17、用于拟合窗口中数据点的r阶多项式为:
18、
19、其中ak是savitzky-golay滤波器的第k个系数,k是多项式中的索引,n表示窗口内数据点的总数。
20、最小二乘拟合的残差为:
21、
22、其中,p(n)表示sg滤波器对当前窗口中的数据点进行r阶多项式拟合的结果,ak是多项式模拟的次数,k是多项式的次数,εn是最小二乘模拟的残差,代表了模拟结果与实际数据之间的差异;是通过对所有数据点的残差进行求和得到的,代表了模拟结果与实际数据之间的差异,x[n]表示原始数据点n处的值,m表示窗口大小的一半,即窗口的一侧长度。因此,n的取值范围是从-m到m。
23、savitzky-golay滤波器中的最小二乘拟合残差公式起到了衡量拟合质量的作用。在拟合多项式到窗口内的数据点时,我们使用最小二乘法来确定多项式的系数,以使拟合误差最小化。这个拟合误差可以通过残差来表示。在拟合多项式p(x)到窗口内的数据点时,可以计算每个数据点的残差,即观测值与拟合值之间的差异。残差用于衡量拟合的准确程度。savitzky-golay滤波器通过最小化这些残差来选择最佳的多项式系数,以实现平滑信号的目的。
24、作为本发明的一种优选方案,所述步骤3中包括:
25、最大最小归一化在时序预测中的应用可以使不同尺度和范围的去噪流量数据具有一致的尺度,所述最小最大归一化公式为
26、
27、其中,x表示去噪流量数据,min(x)表示一定时序预测中的最小的去噪流量数据;max(x)表示一定时序预测中的最大的去噪流量数据;x'表示一定时序预测中对应的归一化流量数据。
28、作为本发明的一种优选方案,所述步骤4具体包括以下步骤:
29、时间卷积网络tcn以传统一维卷积神经网络为基础,同时结合因果卷积、膨胀卷积与残差模块而得到的新型网络模型;
30、在膨胀卷积中,卷积核中的元素在输入数据上以一定间隔分布,这个间隔称为膨胀因子;
31、在tcn阶段,输入数据具有48个时间步长和10个时空特征维度,通过tcn对输入序列s的卷积运算如下:
32、f\left(s\right)=\left(x\ast_df\right)\left(s\right)=\sum_{i=0}^{k-1}\hairspf\left(i\right)\astx_{s-d\asti}
33、其中x\inr_n表示一维输入,f表示过滤器,d表示膨胀因子,k为内核大小,膨胀因子为1时,膨胀卷积就是普通的卷积操作,当膨胀因子大于1时,卷积核中的元素之间的间隔将根据膨胀因子进行扩展。
34、作为本发明的一种优选方案,tcn由三个残差模块组成,每个残差模块包含两个因果空洞卷积层,第一层的卷积核大小为3,膨胀卷积系数为1,卷积核个数为32,第二层的膨胀卷积系数为2,卷积核个数为32,而第三层的膨胀卷积系数为4,卷积核个数为16。在每个残差模块中,卷积层的输出与模块的输入进行加和操作,以便保持模块输入和输出之间的尺寸一致。同时,每个模块之间也会进行残差连接。tcn层的输出计算具体如下:
35、
36、其中,表示tcn的残差块函数,l^1表示通过第一残差块的\bar{x}的输出,而l^2表示通过第二残差块的l^1的输出。而l^3表示通过第三残差块的l^2的输出。
37、作为本发明的一种优选方案,将步骤4中输出的l^3作为步骤5中两层长短时记忆网络lstm的输入,以提取序列中的长期相关依赖性,第一层应用具有10个单元和relu激活的lstm层,通过公式获得最后一个时间步的输出h_t。
38、作为本发明的一种优选方案,所述步骤6的具体操作步骤:
39、对lstm层的输出h_t进行线性变换,得到查询向量q、键向量k和值向量v:
40、q=w_qh_t
41、kw_kh_t
42、v=w_vh_t
43、其中,w_q、w_k和w_v分别是三个线性变换的权重矩阵。
44、接下来,计算注意力权重矩阵a:
45、a=softmax{\left(\frac{qk^t}{\sqrtd}\right)}
46、d=\dim{\left(k\right)}
47、其中,d表示键向量的维度;
48、将注意力权重矩阵a与值向量v相乘,得到自注意力层的输出向量z:
49、z\=\av
50、将自注意力层的输出向量z作为全连接层的输入向量以获得输出z_t,其定义如下:
51、z_t=relu{\left(zv+\bias\\right)}
52、其中,v、bias和relu(·)分别表示权重矩阵、偏置向量和relu激活函数;
53、将z_t作为输出层的输入,因此预测得到下一时刻的流量大小{\hat{y}}_t,
54、{\hat{y}}_t=linear{\left(z_tu+q\right)}
55、式中,q表示偏置参数,linear(·)表示线性函数。
56、作为本发明的一种优选方案,所述步骤7的具体操作步骤:
57、对于经过步骤1到步骤3后得到的数据,由提出的方法atls-net进行预测。对于船舶卫星通信流量预测值与真实值的评价指标,采用平均绝对百分比误差(mape),如下式所示:
58、mape\=\frac{100%}{n}\sum_{i=1}^{n}\hairsp\left|\frac{{\hat{y}}_i-y_i}{y_i}\right|
59、其中表示样本总容量,i表示第i个样本。{\hat{y}}_i表示第i个值的预测值,y_i表示第i个值的真实值。
60、根据本发明的另一个方面,提供了一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的基于atls-net深度学习的远洋船舶卫星通信流量预测方法。
61、根据本发明的又一个方面,提供了一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于atls-net深度学习的远洋船舶卫星通信流量预测方法。
62、本发明基于atls-net深度学习的远洋船舶卫星通信流量预测方法的技术效果和优点:
63、首次提出了一个名为atls-net的综合预测模型,该模型将自注意力机制、tcn和lstm神经网络模型协同结合。自注意力机制模仿人类注意力过程,能够自动选择和加强重要特征,忽略不相关信息,并给予不同特征不同的权重。增强了模型的表达能力和预测准确性,通过tcn来提取时序数据中短期局部特征,利用lstm来捕获长期相关性。自注意力机制、tcn和lstm的组合产生了一种改进的融合预测模型,从而提高了船舶卫星通信流量预测的准确性和鲁棒性。
本文地址:https://www.jishuxx.com/zhuanli/20240801/242544.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。