一种基于LSTM神经网络的片上光网络热点预测方法

摘要

本发明请求保护一种基于LSTM神经网络的片上光网络热点预测方法，通过对片上光网络中每个节点的流量值进行清洗、归一化和划分后获取训练数据与测试数据；为适应片上光网络中具有多节点特征搭建了一种多输入输出LSTM神经网络模型，并将训练数据输入该模型进行训练；得到训练模型后再将数据输入到该模型得到每个节点的预测流量值。相比较传统的建模方法来说，LSTM神经网络具有自学习与自适应强等特点，因此可以利用该特点分析并预测网络中节点的热点变化情况。相比较当前比较典型的预测模型循环神经网络(RNN)和门循环单元(GRU)来说，本模型的均方误差分别降低了8.57％与15.7％，拟合度分别提高了3.35％和1.73％。