基于双向GRU模型的网络流量预测的研究

摘要

当前使用门控循环单元(Gated Recurrent Units,GRU)神经网络进行流量预测时,普遍存在滞后性以及预测准确性不高的问题,因此提出一种改进的GRU模型进行流量预测的方法。首先基于GRU神经网络提出一种双向GRU神经网络和人工神经网络堆叠的网络模型,适用于流量特征、时间特征、事件特征等多维向量的输入;同时为解决部分时间段准确度不高的问题,将训练样本进行日期分类,针对每一类日期生成单独的网络模型,能大幅提升预测的准确度以及改善预测的滞后性。最后,为了提升流量峰值的预测准确度,采用样本的再平衡手段以及自定义损失函数,实验结果表明,能较好地达成预期目标。