公开(公告)号：CN116992986A

公开(公告)日：2023-11-03

申请号：CN202210402656.0

申请日：2022-04-18

Applicant: 北京航空航天大学

Inventor： 孙宇 ,  郎波 ,  夏欣怡

IPC: G06Q10/04 ,  G06Q50/30 ,  G06N3/08 ,  H04L9/40

Abstract: 本发明涉及一种基于时间序列分解的网络流量预测系统，能够针对服务器流量短期噪声多，突变多的特点，长期行为模式稳定的特点，引入了经典时间序列分解方法，结合深度学习方法，对网络流量特征的时间序列进行的建模。在保证高精度的前提下还具备一定的可扩展性，同时可以用于流量的时间序列预测以及流量的异常检测任务。具体包括：从网络流量的流数据按一定采样频率提取特征；对特征序列进行周期性解，得到序列的趋势，季节和残差分量，设计了不同的序列建模策略，满足流量预测任务精度需求；设计了不同的时间序列数据增广方法，可以使模型捕获不同窗口，不同采样策略下的时间序列特征，提高模型的精度和泛化能力；针对流量的高噪声设计了基于深度学习的去噪方法，用于提升模型预测精度；定义了基于深度学习和时间序列分解的流量建模框架，设计了框架组成模块和建模流程。

公开(公告)号：CN112580848A

公开(公告)日：2021-03-30

申请号：CN202011216135.3

申请日：2020-11-04

Applicant: 北京航空航天大学

Inventor： 于勇强 ,  郎波 ,  刘宏宇 ,  夏欣怡

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于PT‑LSTM的时间序列预测系统与方法，具体包括：基于位置编码获得时间序列数据的表示，不仅能够显性地将时间信息添加到输入数据中，而且还能减弱滑动窗口对划分原始数据过程的干扰；提出了一种能够利用时间序列特性的方法，即位置编码与时间门拓展的LSTM(Position encoding and Time gate LSTM),简记为PT‑LSTM。该方法有两方面的创新，一方面是输入数据表示，以本发明所提出的时间序列数据表示为输入，另一个方面是模型结构优化，设计了一种新的网络结构即T‑LSTM，在T‑LSTM中增加了专门设计的时间门，该时间门主要由时间属性控制，在模型获取输入数据阶段、更新内部状态阶段、输出结果阶段均有部分控制作用；设计了基于PT‑LSTM的预测框架。