CN119496711A 一种基于神经网络的城域网流量预测应用方法 （中电信数智科技有限公司）

一种基于神经网络的城域网流量预测应用本发明涉及一种基于神经网络的城域网流调优和评估；将流量数据输入双层堆叠LSTM网史数据和特征数据进行深度学习模型的训练和2S5，采用训练好的双层LSTM模型进行网络流量预测，310.根据权利要求8所述的一种基于神经网络的城域网流量预测应用方法，其特征在将LSTM神经网络模型分解为多个功能模块，并根据不同的网络条件456[0035]利用自适应优化算法动态调整学习率，使LSTM神经网络模型适应不同的数据特LSTM在捕捉时间序列长短期依赖关系中的强大能力，以及Transformer在并行计算和全局[0048](8)处理多样化数据能力：传统LSTM神经网络模型在处理高度非线性和复杂数据7示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限8点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递性特征进行学习时具有一定优势。循环神经网络在自然语言处理(NaturalLanguage时间序列上具有优异的表现,LSTM神经网络模型弥补了循环神经网络(RecurrentNeural[0068]自回归整合移动平均模型(AutoregressiveIntegratedMovingAverage,[0069]城域网(Metro9[0078]本发明结合长短期记忆网络(LSTM)和Transformer模型，实现对网络流量数据进[0088]长短期记忆网络(LongShort_TermMemory,LSTM)在时间序列上具有优异的表现,LSTM神经网络模型弥补了循环神经网络(RecurrentNeuralNetwork,RNN)梯度消失、[0091]it=o(wx(hr-1,xp)+b),(1)[0104]当前时刻神经元接收上一时刻神经元的输出ht-1与当前时刻的输入Xt，计算出遗[0106]it=o(wu[he-1,xr-1]+b)[0108]⃞=tanh(w[hr-1,xr-]+b)(6)[0110]cr=f*cr-1+it*⃞t(7)[0115]具体的，在本步骤中，应用Transformer块：在LSTM编码器的基础上，引入多个[0116]Transformer是一种先进的神经网络模型，特别适用于处理时间序列和自然语言处理任务。与传统的循环神经网络(RNN)不同，Transformer依赖于自注意力机制(self-[0118]Transformer模型通过引入自注意力机制和完全前馈神经网络来处理序列数据。max()是ReLU激活函数。中训练损失(Loss)和验证损失(val_loss)从初始的较高值显著下降到接近0的水平，这表明考虑到平均精确度是在[0,100]的范围内，其提升实际上反映了模型识别和预测能力的增复到原始的均值和标准差，其数学公式为将标准化后的数据按照原始通过这种结合LSTM和Transformer模型的混合方法，本方案有效地提高了网络流量预测的误差(RMSE)、平均绝对误差(MAE)等指标评估模型的预测性能，并结合时间序列可视化分后的参数θfine-tune可以通过优化以下部分参数，或增加历史数据的权重。实时调整机制可以通过反馈误差∈t来指导模型的更[0188]下面参考图5以流量预测在网络割接中的应用例，对本发明的方法在实际场景中[0202]本发明通过结合LSTM(长短期记忆循环神经网络)和Transformer模型等先进的神专业模型。该模型通过对城域网的历史数据和特征数据进行深度学习模型的训练和优化，[0203]在运营商的网络割接及其他运维场景中，该模型能够有效减少对人工干预的依