Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 中国石油大学(华东)肖军弼获国家专利权

中国石油大学(华东)肖军弼获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉中国石油大学(华东)申请的专利一种基于时空序列的网络流量预测方法及系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN118413858B

龙图腾网通过国家知识产权局官网在2025-04-25发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202410499848.7,技术领域涉及:H04W24/06;该发明授权一种基于时空序列的网络流量预测方法及系统是由肖军弼;从云欢;张文静;宋婧;张琪设计研发完成,并于2024-04-24向国家知识产权局提交的专利申请。

一种基于时空序列的网络流量预测方法及系统在说明书摘要公布了:本发明公开了一种基于时空序列的网络流量预测方法及系统,方法包括以下步骤:对目标区域的流量数据进行时间和空间上的矩阵化;通过密集连接的卷积神经网络获取矩阵化后的数据中的空间特征;通过扩散卷积门控循环单元获取矩阵化后的数据中的时间特征;通过卷积方法获取外部影响因素数据中的影响特征;将空间特征、时间特征和影响特征分别进行卷积后组合为一个矩阵,得到组合矩阵;将组合矩阵与权重矩阵相乘,通过sigmoid函数对相乘结果进行激活,得到网络流量预测结果。本发明解决了现有方法存在的时空因素分析不足、非线性特征提取不充分、长期预测准确性低的技术问题,可以准确预测网络流量。

本发明授权一种基于时空序列的网络流量预测方法及系统在权利要求书中公布了:1.一种基于时空序列的网络流量预测方法,其特征在于,包括以下步骤:S1、获取并对目标区域的流量数据进行时间和空间上的矩阵化,得到矩阵化后的数据;S2、通过密集连接的卷积神经网络获取矩阵化后的数据中的空间特征;S3、将矩阵化后的数据中的空间特征作为扩散卷积门控循环单元的输入,获取矩阵化后的数据中的时间特征;S4、对目标区域的流量数据中的外部影响因素数据进行建模,通过卷积方法获取外部影响因素数据中的影响特征;S5、将矩阵化后的数据中的空间特征、矩阵化后的数据中的时间特征和外部影响因素数据中的影响特征分别进行卷积后组合为一个矩阵,得到组合矩阵;将组合矩阵与权重矩阵相乘,通过sigmoid函数对相乘结果进行激活,得到网络流量预测结果;步骤S1中获取并对目标区域的流量数据进行时间和空间上的矩阵化的具体方法包括以下子步骤:S1-1、将目标区域均分为N×N个单元,得到空间地理单元集合S1-2、将短信服务、电话呼叫服务和互联网访问作为三种不同类型的服务;S1-3、分别获取三种不同类型的服务在各个空间地理单元的流量数据;S1-4、将第k种服务类型在T时间间隔内的蜂窝流量表示为一组时空矩阵: 其中k=1,2,3,分别对应短信服务、电话呼叫服务和互联网访问;中每一个元素代表第k种服务类型在t时刻的相应空间地理单元位置处的流量数据;表示实数域;vN,N表示空间地理单元集合中第N行第N列处的空间地理单元;步骤S2中卷积神经网络包括L个采用密集连接的基本模块,每个基本模块均包括依次连接的卷积层、批归一化层和激活层;第l个基本模块的计算表达式为: 其中表示卷积神经网络中第l个基本模块的输出;表示卷积神经网络的输入;表示卷积神经网络中第l-1个基本模块的输出;卷积神经网络中第L个基本模块的输出即为矩阵化后的数据中的空间特征;步骤S3中扩散卷积门控循环单元包括M个计算子单元,第m个计算子单元的表达式为: Hm=um⊙Hm-1+1-um⊙Cmrm为第m个计算子单元的重置门的输出;um为第m个计算子单元的更新门的输出;Cm为第m个计算子单元的候选记忆细胞的输出,Hm为第m个计算子单元输出的隐藏状态;和均为扩散卷积操作;Xm为第m个计算子单元的输入;Hm-1为第m-1个计算子单元输出的隐藏状态;tanh.表示双曲正切函数;br、bu、bc均为偏置项;σ.表示Sigmoid函数;⊙表示哈达玛积;第M个计算子单元输出的隐藏状态为矩阵化后的数据中的空间特征中的时间特征当m取值为1时,Xm为矩阵化后的数据,H0表示初始隐藏状态,H0的值通过全零初始化方法进行设定;步骤S4中获取外部影响因素数据中的影响特征的具体方法包括以下子步骤:S4-1、通过GoogleAPI抓取目标区域中的外部影响因素数据;其中外部影响因素数据包括基站数量、兴趣点分布和社交活动水平;S4-2、将同一种外部影响因素数据划分为N×N的矩阵,使其映射到空间地理单元集合分别得到基站数量矩阵、兴趣点分布矩阵和社交活动水平矩阵;S4-3、将基站数量矩阵、兴趣点分布矩阵和社交活动水平矩阵进行级联,得到外部影响矩阵;S4-4、将外部影响矩阵与张量矩阵进行卷积操作后,对该卷积操作结果进行非线性变换,得到外部影响因素数据中的影响特征Ocross。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人中国石油大学(华东),其通讯地址为:266555 山东省青岛市黄岛区长江西路66号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。