CN114422381B 通信网络流量预测方法、系统、存储介质及计算机设备 （西安电子科技大学）

建基于图卷积神经网络和Transformer的网络流信网络拓扑结构和网络流量时间序列信息进行均绝对误差和平均绝对百分比误差三种评价方2数据集D,和对称归一化矩阵训练步骤三中构建的网络流量预测模型，模型训练时采用所述步骤三中构建基于图卷积神经网络和Transformer的网络流量预测模型过程为：3服务器接收sflow网络测量软件发送的，K个时间间隔内首先采用数据清洗方法，对K个时间间隔内的所有数42)计算前向传播过程中产生的误差和梯度：将每一个Batch的数据和对称归一化拉普t分别为预测值和真实值；误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE三种评价方法对模型误差进行测7.一种实施权利要求1～6任意一项所述通信网络流量预测方法的通信网络流量预测5编码器设置有三个时空特征提取子块，时空解码器设置有三个时空特征提取子块，三个时空特征提8.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1~6任意一项所述通信网络流量预测方法包括下列步骤：数据集D,和对称归一化矩阵训练步骤三中构建的网络流量预测模型，模型训练时采用6计的方法，以差分整合移动平均自回归模型(AutoregressiveIntegratedMoving回归算法(SupportVectorRegression，SVR)和多层感知机(Multi-LayerPerception，主要以实现对未来短时间内网络流量的预测为主，对网络流量的高维时序特征分析欠缺，处理欧式数据，而近年来兴起的图卷积神经网络(GraphConvolutionalNeural7[0007](2)现有技术主要以实现对未来短时间内网络流量的预测为主，对网络流量的高换节点的所有端口转发的流量值，并将测量结果实时发送至服务器；共计监测K个时间间89[0043]构建编码器和解码器：编码器和解码器的结构相同，由Q个时空特征提取子块构[0052]2)计算前向传播过程中产生的误差和梯度：将每一个Batch的数据和对称归一化中间注意力模块、解码器和输出全连接层，完成前向传播；在前向传播的过程中，使用[0059]采用均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE三种评价方[0065]本发明的另一目的在于提供一种实施所述通信网络流量预测方法的通信网络流执行权利要求1～7任意一项所述通信网络[0085]本发明提供的通信网络流量预测系统业内的普通技术人员还可以采用其他的步[0086]如图1所示，本发明实施例提供的通信网络流量预测系统设置有[0087]编码器2设置有三个时空特征提取子块，时空特征提取子块分别设置有图卷积神换节点的所有端口转发的流量值，并将测量结果实时发送至服务器；共计监测K个时间间[0106]本发明实施例提供的S103中，构建基于图卷积神经网络和Transformer的网络流[0120]构建编码器和解码器：编码器和解码器的结构相同，由Q个时空特征提取子块构[0129]2)计算前向传播过程中产生的误差和梯度：将每一个Batch的数据和对称归一化中间注意力模块、解码器和输出全连接层，完成前向传播；在前向传播的过程中，使用和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁