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：国网吉林省电力有限公司;国网吉林省电力有限公司信息通信公司;长春理工大学高技术产业有限责任公司

摘要：基于混合时空深度学习模型的电力光通信链路流量预测方法，涉及电力光通信网络技术领域，解决现有电力通信网预测方法难以适应网络结构动态的拓扑结构关系问题，本发明基于一种深度卷积神经网络和门控循环单元的动态DCNN‑GRU预测模型，该模型不仅捕捉时间序列信息，还综合分析网络拓扑结构，全面描绘了网络的时空特征。并将提出的DCNN‑GRU模型与独立的长短期记忆模型进行集成，结合前者的动态捕捉能力和后者的长期依赖处理能力对流量进行预测，提高了预测的准确性和鲁棒性。实验结果表明，相较于其他预测模型，本发明的模型在流量预测方面降低了误差，展现了更高的预测准确性。

主权项：1.基于混合时空深度学习模型的电力光通信链路流量预测方法，其特征是：该方法由以下步骤实现：步骤一、获取预测模型的输入流量数据集；步骤二、采用步骤一获得的流量数据集构建邻接矩阵和时间特征矩阵，根据所述邻接矩阵和时间特征矩阵构建时空图；具体过程为：对步骤一所述的流量数据集进行处理，构建邻接矩阵和时间特征矩阵；根据网络节点之间的关系构建加权网络拓扑图GTopo＝VTopo,ETopo,A，其中VTopo为所有网络节点的集合，ETopo为边的集合，A为网拓扑图的邻接矩阵，将所有的元素都初始为0；遍历收集的拓扑数据，对于每一条链路，确定它连接的两个节点，若节点i和节点j之间有一条光纤链路，那么Aij和Aji均设置为1，即Aij＝Aji＝1，否则Aij＝Aji＝0，i,j∈[1,n]，n为节点数量；节点i的度degree记作Dii是与其相连的边的数量； 将处理后的流量数据集中的链路信息作为节点的属性特征，采用X表示网络拓扑图GTopo中节点的特征矩阵；构建时间特征矩阵；所述时间特征矩阵Ftime表示为：Ftime＝[f1,f2,...,ft]其中，ft表示在时间步长t的节点流量特征向量；ft＝[ξ1,ξ2,…,ξn]其中，ξn为特征向量ft中节点n的特征值；采用最小最大归一化方法对时间特征矩阵Ftime进行标准化，将矩阵中所有特征值缩放到0-1范围内；构建时空图的具体过程为：将电力光通信网络视为时空网络图，每个时空网络图Gτ描述在对应时间点的网络拓扑结构和节点状态；根据流量数据集的采集频率设定时间步长，对每个时间步长创建一个独立的时间图层，在各自的时间图层中，根据实际的网络拓扑结构连接相应的节点，通过边的权重体现流量在时间维度上的变化情况；连接相邻时间图层中对应的同一节点，并为每个节点及边赋予丢包率的关键网络指标作为属性；将所述时间特征矩阵和用于表述空间特征的邻接矩阵作为时空特征矩阵，即采用时空特征矩阵表示时空图输入到所述预测模型；步骤三、构建DCNN-GRU预测模型，将所述时空图即时空特征矩阵作为DCNN-GRU预测模型的输入，经过DCNN-GRU预测获得空间特征和时间特征，预测输出流量数据矩阵；步骤四、划分流量数据集进行DCNN-GRU预测模型和LSTM模型集成的训练优化；步骤五、使用加权平均法对DCNN-GRU预测模型和LSTM模型进行集成，输出下一个时间段内的流量数据矩阵，完成电力光通信链路流量预测。

全文数据：

权利要求：

百度查询： 国网吉林省电力有限公司 国网吉林省电力有限公司信息通信公司 长春理工大学高技术产业有限责任公司 基于混合时空深度学习模型的电力光通信链路流量预测方法