1.一种基于图卷积网络融合多特征输入的网络流量预测方法,其特征在于,包括以下步骤:(1)获取网络流量数据;
(2)利用皮尔森相关系数对流量进行相关性分析;
(3)采用时空特征提取单元来提取流量间的时空特征;所述时空特征提取单元通过双通道GCN模型提取空间特征,通过GRU模型提取时间特征,时空特征提取单元的输出为 ;所述双通道GCN模型包括邻接特征提取模块AGCN和相关特征提取模块PGCN;所述邻接特征提取模块AGCN包括两层GCN模型,其输入为网络流量特征矩阵X及其邻接矩阵;所述相关特征提取模块PGCN包括两层GCN模型,其输入为网络流量特征矩阵X及其相关系数矩阵;
(4)提取历史上每周同一时刻的网络流量数据 ,将 构建成与步骤(3)中 相同尺寸的矩阵;
(5)特征融合得到预测结果:
其中, 为权值, 表示哈达玛乘子, 为预测结果。
2.根据权利要求1所述基于图卷积网络融合多特征输入的网络流量预测方法,其特征在于,在步骤(3)中,设 为双通道GCN模型的输出, 为邻接特征提取模块AGCN的输出, 为相关特征提取模块PGCN的输出,则:其中,“|”表示矩阵的拼接,A为邻接矩阵,P为相关系数矩阵。
3.根据权利要求2所述基于图卷积网络融合多特征输入的网络流量预测方法,其特征在于,邻接特征提取模块AGCN的输出 的表达式如下:其中, 为单位矩阵, 为 的
第i行第j列的元素, 为对角矩阵 的第i行第i列的元素, 为输入层到隐藏层的权重, 为隐藏层到输出层的权重, 表示修正线性单元。
4.根据权利要求2所述基于图卷积网络融合多特征输入的网络流量预测方法,其特征在于,在步骤(3)中,时空特征提取单元的计算过程如下:其中, 为T时刻网络流量特征 对应的双通道GCN模型的输出, 为GRU模型中的更新门, 为GRU模型中的重置门, 为激活函数, 为T时刻隐藏状态, 为T-1时刻隐藏状态, 为T时刻候选隐藏状态, 为权重,为偏置项。
5.根据权利要求1所述基于图卷积网络融合多特征输入的网络流量预测方法,其特征在于,在步骤(5)中,采用PSO算法选出 的最优值。