一种网络流量预测方法、装置及电子设备与流程

本技术涉及人工智能，尤其涉及一种网络流量预测方法、装置及电子设备。

背景技术：

1、随着新的通信技术和网络设施的不断涌现，特别是针对5g及其后续技术的蜂窝网络的快速发展，工业5.0蓝图中对更智能、更可靠、更高效的蜂窝网络服务的要求也随之提高。为了满足这些日益严峻的要求，主动和有效地分配蜂窝资源变得至关重要。作为蜂窝网络资源管理系统的一个不可或缺的部分，蜂窝流量预测面临严格的准确性和可靠性要求的挑战。其中最关键的问题之一就是如何通过探索蜂窝流量数据中的时空信息来提高预测性能。

2、现有技术将无线信道的特性与图注意力机制网络进行结合来实现网络流量预测，但这种方法只考虑了网络流量预测中的静态特性(长期稳定，不随时间变化的数据特性)问题，并未考虑网络流量预测中的动态特性(随时间变化的数据特性)问题，因此网络流量预测结果的准确性并不高。

技术实现思路

1、本技术的目的在于提供一种网络流量预测方法、装置及电子设备，以实现从时间和空间两个维度上精确地进行网络流量分析和预测，提高网络流量预测的准确性。

2、第一方面，本技术提供了一种网络流量预测方法，所述方法包括：

3、构建静态注意力模型和动态注意力模型；

4、分别基于所述静态注意力模型和所述动态注意力模型，提取网络流量的静态特征向量和动态特征向量；

5、将所述静态特征向量和所述动态特征向量进行拼接，得到综合特征向量；

6、对所述综合特征向量进行交互式学习，得到目标特征向量；

7、对所述目标特征向量进行预测处理，得到所述网络流量的预测结果。

8、利用静态注意力机制和动态注意力机制分别获取网络流量数据中的静态特性和动态特性，通过将静态特征和动态特征进行拼接和交互式学习，使得进行网络流量预测时能够从时间和空间两个维度精确地进行分析和预测，提高了预测的准确性。

9、在一种可能的设计中，所述构建静态注意力模型和动态注意力模型，包括：根据各个节点、各个节点的特征以及不同节点之间的边的特征，构建所述静态注意力模型，其中，所述节点为通信设备，所述边表示两个节点之间的通信；根据各个节点的隐藏状态以及特定事件影响函数，构建所述动态注意力模型。

10、通过构建静态注意力模型和动态注意力模型，来获取网络流量的在时间变化下不会改变的静态特征以及会随时间变化的动态特征，便于后续根据静态特征和动态特征对网络流量作出准确预测，提高了预测的准确性。

11、在一种可能的设计中，所述根据各个节点、各个节点的特征以及不同节点之间的边的特征，构建所述静态注意力模型，包括：根据不同节点之间的边的特征，构建边的特征处理函数，其中，所述边的特征包含：不同节点之间的物理距离、网格人口密度、辐射功率、发射天线增益、系统损耗因子、波长、遮挡物环境参数以及多径效应；采用所述边的特征处理函数以及特征转换矩阵，构建静态注意力打分函数，其中，所述特征转换矩阵用于将不同节点的特征映射到同一个空间；基于所述静态注意力打分函数和各个节点的特征，构建静态注意力机制权重函数；对所述静态注意力机制权重函数中的可学习参数进行优化，得到所述静态注意力模型。

12、构建静态注意力模型，综合考虑网格人口密度、基站物理距离、辐射功率、发射天线增益、系统损耗因子、电磁波数据(波长)、遮挡物环境参数以及多久效应对静态注意力权重的影响，通过该静态注意力膜模型，能够得到对网络流量预测影响较大的静态特征。

13、在一种可能的设计中，所述根据各个节点的隐藏状态以及特定事件影响函数，构建所述动态注意力模型，包括：根据各个节点在当前时间点的隐藏状态和节点特征，构建隐藏状态更新函数；根据所述特定事件影响函数以及不同节点的隐藏状态，构建动态注意力打分函数；基于所述动态注意力打分函数和所述隐藏状态更新函数，生成动态注意力机制权重函数；采用增量学习机制对所述动态注意力机制权重函数进行训练，得到所述动态注意力模型。

14、构建动态注意力模型，综合考虑了时间序列依赖性、实时数据适应性以及模型对特定事件的响应能力，通过该动态注意力模型，能够得到对网络流量预测影响较大的动态特征。

15、在一种可能的设计中，所述静态注意力机制权重函数具体为：

16、wij＝softmax(fatt(xi,xj,eij))

17、其中，wij表示节点i对节点j的注意力权重，xi和xj分别表示节点i的特征和节点j的特征，eij表示节点i和节点j之间的边的特征，softmax为归一化指标函数，用于确保节点i到所有节点的注意力权重之和为1，fatt为静态注意力打分函数。

18、在一种可能的设计中，所述静态注意力打分函数具体为：

19、

20、其中，a是可学习的权重向量，w是所述特征转换矩阵，用于将不同节点特征映射到同一个空间，σ是非线性激活函数，是节点i和节点j之间的边的特征处理函数。

21、在一种可能的设计中，所述边的特征处理函数具体为：

22、

23、其中，为所述边的特征处理函数，dij是节点i和节点j之间的物理距离，是网格人口密度，prad是辐射功率，gant是发射天线增益，lsys是系统损耗因子，λ是波长，oenv是遮挡物环境参数，mpath是多径效应的量化表示，a,β,γ,δ,n,θ,l,k是可学习的参数，用于调节各特征的影响力，v是可学习的权重向量，用于转换特征的表示形式。

24、在一种可能的设计中，所述隐藏状态更新函数具体为：

25、ht+1＝convlstm(ht,xt)

26、其中，ht+1为根据隐藏状态ht更新的下一时间点的隐藏状态，xt是时间点t的节点特征。

27、在一种可能的设计中，所述动态注意力打分函数具体为：

28、

29、其中，为动态注意力打分函数，e(t)是特定事件影响函数，表示在时间点t的特定事件的影响力，a和b为可学习的权重向量，σ为激活函数。

30、在一种可能的设计中，所述动态注意力打分函数具体为：

31、

32、其中，为动态注意力打分函数，e(t)是特定事件影响函数，表示在时间点t的特定事件的影响力，a和b为可学习的权重向量，σ为激活函数。

33、在一种可能的设计中，所述动态注意力机制权重函数具体为：

34、

35、其中，表示在时间点t节点i对节点j的注意力权重，为动态注意力打分函数，和分别是在时间点t节点i和节点j的隐藏状态，由能捕获时序序列特征的convlstm模型生成，△t为预设时间间隔。

36、在一种可能的设计中，所述增量学习机制具体为：

37、

38、其中，θ表示convlstm模型的参数，η为学习率，l为损失函数，yt是时间点t的真实值，y^t是时间点t的预测值，是关于θ的损失函数梯度。

39、在一种可能的设计中，所述交互式学习的公式为：

40、

41、其中，wc是权重矩阵，bc是偏置项，是所述综合特征向量，是所述目标特征向量。

42、经过交互式学习后得到目标特征向量，目标特性向量是特征重组后更利于网络流量预测任务的特征向量，采用目标特征向量进行后续网络流量预测分析，能够做出更准确的判断和预测。

43、在一种可能的设计中，所述预测处理的公式为：

44、

45、其中，wy是输出层的权重，by是输出层的偏置项，为所述预测结果，表示为节点i在下一个时间点的流量，relu为线性整流函数。

46、第二方面，本技术提供了一种网络流量预测装置，所述装置包括：

47、模型构建单元，构建静态注意力模型和动态注意力模型；

48、特征提取单元，分别基于所述静态注意力模型和所述动态注意力模型，提取网络流量的静态特征向量和动态特征向量；

49、特征拼接单元，将所述静态特征向量和所述动态特征向量进行拼接，得到综合特征向量；

50、特征学习单元，对所述综合特征向量进行交互式学习，得到目标特征向量；

51、预测处理单元，对所述目标特征向量进行预测处理，得到所述网络流量的预测结果。

52、在一种可能的设计中，所述模型构建单元，具体用于：根据各个节点、各个节点的特征以及不同节点之间的边的特征，构建所述静态注意力模型，其中，所述节点为通信设备，所述边表示两个节点之间的通信；根据各个节点的隐藏状态以及特定事件影响函数，构建所述动态注意力模型。

53、在一种可能的设计中，所述装置还用于：根据不同节点之间的边的特征，构建边的特征处理函数，其中，所述边的特征包含：不同节点之间的物理距离、网格人口密度、辐射功率、发射天线增益、系统损耗因子、波长、遮挡物环境参数以及多径效应；采用所述边的特征处理函数以及特征转换矩阵，构建静态注意力打分函数，其中，所述特征转换矩阵用于将不同节点的特征映射到同一个空间；基于所述静态注意力打分函数和各个节点的特征，构建静态注意力机制权重函数；对所述静态注意力机制权重函数中的可学习参数进行优化，得到所述静态注意力模型。

54、在一种可能的设计中，所述装置还用于：根据各个节点在当前时间点的隐藏状态和节点特征，构建隐藏状态更新函数；根据所述特定事件影响函数以及不同节点的隐藏状态，构建动态注意力打分函数；基于所述动态注意力打分函数和所述隐藏状态更新函数，生成动态注意力机制权重函数；采用增量学习机制对所述动态注意力机制权重函数进行训练，得到所述动态注意力模型。

55、在一种可能的设计中，所述静态注意力机制权重函数具体为：

56、wij＝softmax(fatt(xi,xj,eij))

57、其中，wij表示节点i对节点j的注意力权重，xi和xj分别表示节点i的特征和节点j的特征，eij表示节点i和节点j之间的边的特征，softmax为归一化指标函数，用于确保节点i到所有节点的注意力权重之和为1，fatt为静态注意力打分函数。

58、在一种可能的设计中，所述静态注意力打分函数具体为：

59、

60、其中，a是可学习的权重向量，w是所述特征转换矩阵，用于将不同节点特征映射到同一个空间，σ是非线性激活函数，是节点i和节点j之间的边的特征处理函数。

61、在一种可能的设计中，所述边的特征处理函数具体为：

62、

63、其中，为所述边的特征处理函数，dij是节点i和节点j之间的物理距离，是网格人口密度，prad是辐射功率，gant是发射天线增益，lsys是系统损耗因子，λ是波长，oenv是遮挡物环境参数，mpath是多径效应的量化表示，a,β,γ,δ,n,θ,l,k是可学习的参数，用于调节各特征的影响力，v是可学习的权重向量，用于转换特征的表示形式。

64、在一种可能的设计中，所述隐藏状态更新函数具体为：

65、ht+1＝convlstm(ht,xt)

66、其中，ht+1为根据隐藏状态ht更新的下一时间点的隐藏状态，xt是时间点t的节点特征。

67、在一种可能的设计中，所述动态注意力打分函数具体为：

68、

69、其中，为动态注意力打分函数，e(t)是特定事件影响函数，表示在时间点t的特定事件的影响力，a和b为可学习的权重向量，σ为激活函数。

70、在一种可能的设计中，所述动态注意力打分函数具体为：

71、

72、其中，为动态注意力打分函数，e(t)是特定事件影响函数，表示在时间点t的特定事件的影响力，a和b为可学习的权重向量，σ为激活函数。

73、在一种可能的设计中，所述动态注意力机制权重函数具体为：

74、

75、其中，表示在时间点t节点i对节点j的注意力权重，为动态注意力打分函数，和分别是在时间点t节点i和节点j的隐藏状态，由能捕获时序序列特征的convlstm模型生成，△t为预设时间间隔。

76、在一种可能的设计中，所述增量学习机制具体为：

77、

78、其中，θ表示convlstm模型的参数，η为学习率，l为损失函数，yt是时间点t的真实值，y^t是时间点t的预测值，是关于θ的损失函数梯度。

79、在一种可能的设计中，所述交互式学习的公式为：

80、

81、其中，wc是权重矩阵，bc是偏置项，是所述综合特征向量，是所述目标特征向量。

82、在一种可能的设计中，所述预测处理的公式为：

83、

84、其中，wy是输出层的权重，by是输出层的偏置项，为所述预测结果，表示为节点i在下一个时间点的流量，relu为线性整流函数。

85、第三方面，本技术提供了一种电子设备，所述电子设备包括：

86、存储器，用于存放计算机程序；

87、处理器，用于执行所述存储器上所存放的计算机程序时，实现上述的一种网络流量预测方法步骤。

88、第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种网络流量预测方法步骤。

89、上述第二方面至第四方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。