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！

申请/专利权人：南昌大学

摘要：本申请涉及网络运行指标预测技术领域，公开了一种基于Transformer时序预测模型的网络运行指标预测方法及系统，该方法包括：对原始时间序列数据进行预处理和多项时序分解，多项时序分解包括趋势项时序分解和周期项时序分解，以得到网络运行的多项时序数据；将多项时序数据输入嵌入层以得到可嵌入特征序列；将可嵌入特征序列输入引入了多头稀疏自注意力的编码器中以捕捉序列的全局信息和局部特征；将编码器输出特征和补充掩码序列输入解码器以得到预测网络运行指标。该方法能够解决现有的Transformer时序预测模型在长非平稳序列预测退化明显、对局部特征和周期特征提取不充分，使得无法满足复杂的非平稳时序预测需求的问题。

主权项：1.一种网络运行指标预测方法，其特征在于，基于改进的Transformer时序预测模型，所述改进的Transformer时序预测模型包括嵌入层、编码器和解码器，所述方法包括：获取网络运行指标的原始时间序列数据，对所述原始时间序列数据进行预处理和多项时序分解，所述多项时序分解包括趋势项时序分解和周期项时序分解，以得到网络运行的多项时序数据；其中，所述多项时序分解的步骤包括：定义原始时间序列数据的变量值，其中，st为周期项，为趋势项，为余项；将预处理后的原始时间序列数据进行T阶差分，所述T阶差分公式为： ，其中，表示预处理后的原始时间序列数据的T阶差分，表示在另一时间T-t上的时序数据，表示趋势项的T阶差分，表示周期项的T阶差分，表示余项的T阶差分；所述趋势项时序分解的步骤包括：通过最小化加权来对所述趋势项进行增强以构建目标函数，将所述目标函数改写为等价矩阵，对所述等价矩阵进行范式替代，得到变换后的目标函数，再最小化所述变换后的目标函数，将最小化所述变换后的目标函数的输出作为分解增强后的趋势项；所述周期项时序分解的步骤包括：将所述分解增强后的趋势项从所述预处理后的原始时间序列数据中去除后更新为，将所述作为周期项时序分解的处理对象；使用非局部季节性滤波从所述中提取分解周期项，提取分解后的周期项的公式为： ，其中，表示双边滤波器权重，为第个子序列的第j个时序，的取值范围为，，K表示子序列数量，h大小范围为1至H，H表示过滤窗口大小；将所述多项时序数据输入所述嵌入层进行转换，以得到可嵌入特征序列；将所述可嵌入特征序列输入编码器，所述编码器中引入多头稀疏自注意力，以捕捉所述可嵌入特征序列的全局信息和局部特征；其中，所述引入多头稀疏自注意力的步骤包括：引入的多头稀疏自注意力的计算公式为： ，其中，AttentionQ,K,V表示关于查询向量Q、键向量K和值向量V定义的多头稀疏自注意力，为激活函数，表示每个查询向量中概率最高的向量，表示键向量的转置矩阵，d表示维度；将所述编码器输出特征和补充掩码序列输入所述解码器，以得到网络运行指标的预测结果。

全文数据：

权利要求：

百度查询： 南昌大学 基于Transformer时序预测模型的网络运行指标预测方法及系统