-
公开(公告)号：CN114422382A
公开(公告)日：2022-04-29
申请号：CN202210105778.3
申请日：2022-01-28
Applicant: 湖南大学
IPC: H04L41/147 , H04L41/16 , H04L43/0876 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种网络流量预测方法、计算机装置、产品及存储介质，本发明分别学习邻近的、以日为周期、以周为周期的三种不同范围的数据的时空特征。将三个模块的输出通过自适应融合机制进行融合，并将融合结果输入预测网络中得到预测序列。设计了门控空洞卷积网络，能够在参数比较小的情况下学习数据时间维度上的长相关性；还设计了混合跳图卷积网络，能够学习数据复杂的空间相关性；此外，为了能够为了充分建模网络节点之间动态的和多层次的相互依赖关系，本发明还提出了一个图学习网络，以数据驱动的方式为STA模块中不同的的混合跳图卷积网络学习从浅层次到深层次的邻接矩阵。因此M2STL具有更强的时空学习能力来进行网络流量预测。
-
公开(公告)号：CN114422382B
公开(公告)日：2023-02-28
申请号：CN202210105778.3
申请日：2022-01-28
Applicant: 湖南大学
IPC: H04L41/147 , H04L41/16 , H04L43/0876 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种网络流量预测方法、计算机装置、产品及存储介质，本发明分别学习邻近的、以日为周期、以周为周期的三种不同范围的数据的时空特征。将三个模块的输出通过自适应融合机制进行融合，并将融合结果输入预测网络中得到预测序列。设计了门控空洞卷积网络，能够在参数比较小的情况下学习数据时间维度上的长相关性；还设计了混合跳图卷积网络，能够学习数据复杂的空间相关性；此外，为了能够为了充分建模网络节点之间动态的和多层次的相互依赖关系，本发明还提出了一个图学习网络，以数据驱动的方式为STA模块中不同的混合跳图卷积网络学习从浅层次到深层次的邻接矩阵。因此M2STL具有更强的时空学习能力来进行网络流量预测。
-
公开(公告)号：CN114493014B
公开(公告)日：2024-08-20
申请号：CN202210107028.X
申请日：2022-01-28
Applicant: 湖南大学
IPC: G06F18/20 , G06F18/213 , G06F18/27 , G06N3/0464 , G06N3/0442 , G06F123/02
Abstract: 本发明公开了一种多元时间序列预测方法、系统及计算机产品、存储介质，使用两个特征提取编码分别提取长短期历史数据矩阵的时空特征向量，将历史时间序列矩阵输入空间特征提取编码器，生成加权注意力空间特征向量，将加权空间特征向量输入门控循环单元生成时空特征向量；将长期历史数据矩阵提取的时空特征向量输入交互注意力模块生成加权特征向量；将短期历史数据矩阵输入自回归层，生成短期历史时间序列数据的线性预测结果；将加权特征向量和编码特征向量结合输入全连接层生成神经网络预测结果，将神经网络预测结果和自回归层线性预测结果相加得到最终的预测结果。本发明实现了多元时间序列数据精准预测。
-
公开(公告)号：CN114493014A
公开(公告)日：2022-05-13
申请号：CN202210107028.X
申请日：2022-01-28
Applicant: 湖南大学
Abstract: 本发明公开了一种多元时间序列预测方法、系统及计算机产品、存储介质，使用两个特征提取编码分别提取长短期历史数据矩阵的时空特征向量，将历史时间序列矩阵输入空间特征提取编码器，生成加权注意力空间特征向量，将加权空间特征向量输入门控循环单元生成时空特征向量；将长期历史数据矩阵提取的时空特征向量输入交互注意力模块生成加权特征向量；将短期历史数据矩阵输入自回归层，生成短期历史时间序列数据的线性预测结果；将加权特征向量和编码特征向量结合输入全连接层生成神经网络预测结果，将神经网络预测结果和自回归层线性预测结果相加得到最终的预测结果。本发明实现了多元时间序列数据精准预测。
-
-
-
Search Results
4
records
(took 0.013 seconds)
