1.一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，包括以下步骤：

1)通过公开途径获取片上光网络中每个节点的流量值，将其作为LSTM神经网络的输入样本；

2)将输入样本进行划分后输入到搭建的多输入多输出LSTM神经网络模型进行预测；多输入多输出LSTM神经网络可以一次性输入多个变量，经过处理后再同时输出多个变量的预测值；

3)得到预测流量后，将节点对应的流量值划分为n个区间，计算每个流量区间内的节点占比数，取流量值较大区间内的节点作为下一时刻的热点。

2.根据权利要求1所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，所述2)的多输入输出LSTM神经网络模型包括：输入层、隐藏层、训练模块以及输出层，其中，输入层用于处理输入到LSTM网络中的数据以满足网络要求；隐藏层有多层，每层包含多个LSTM神经网络元，LSTM神经网络元用于数据的训练；训练模块根据输入和输出的关系调整训练过程中的权值和偏置以优化网络训练；输出层用于输出隐藏层的训练结果。

3.根据权利要求1所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，所述输入层包括数据清洗、数据归一化、数据划分在内的步骤，数据清洗用于去除流量数据中的NAN值以及不符合要求的值；数据归一化采用Min‑Max方法对原始数据集线性化，用于消除奇异样本数据对训练的影响；归一化后再按照一定的比例将数据集划分出训练集与测试集，训练集与测试集用于模型的训练与测试。

4.根据权利要求1所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，所述隐藏层包含两层LSTM循环层，每层包含32个LSTM神经元，每个LSTM神经元内部包含一个遗忘门、一个输入门和一个输出门；其中，遗忘门由输入数据和上一个细胞单元的输出确定，用于确定从输入中丢弃无用数据；输入门由sigmoid函数和tanh函数决定从输入中保留有用数据以及更新细胞状态；输出门也由sigmoid函数和tanh函数确定，用于细胞单元的输出。

5.根据权利要求4所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，为避免每个细胞单元的输出与输入之间存在线性特征，在隐藏层内添加一个激活函数，用于增加神经网络的学习能力，所述激活函数采用线性整流RELU激活函数，其数学表达式为：

6.根据权利要求1所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，所述训练模块主要包括计算理论输出与模型输出的损失误差，然后根据该损失值利用优化算法反馈给隐藏层用于不断调整参数更新权重以加快网络的收敛速度，其数学表达式为： 其中yi为第i个时刻每个节点的流量真实值， 为第i个时刻网络输入的流量预测值；

所述损失误差采用均方误差MSE计算，优化算法采用Adma优化算法。

7.根据权利要求6所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，在隐藏层后添加一层Dropout层，用于防止训练产生过拟合。

所述输出层用于输出预测数据以及反归一化。

8.根据权利要求7所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，所述隐藏层输出的xn、yn输出代表在网络在训练时得到的预测数据，该值实际上是真实数据，用于网络的学习，与训练过程中的超参数时间步有关；网络训练完成后，LSTM模型已经了解数据集的基本发展趋势，此时可以将测试数据输入到网络中以得到预测数据；由于输入到网络中的数据已经归一化，因此预测值也是属于[0,1]之间的归一化数据，为得到真实的预测值，需要将其反归一化，反归一化公式为：

9.根据权利要求1‑8任一项所述的一种基于LSTM神经网络的片上光网络热点预测方法，其特征在于，还采用多个模型评价指标来评价预测结果的好坏，包括均方根误差RMSE、平均绝对误差MAE和决定系数R2。