技术特征：1.一种基于小波分解和改进型lstm的算力网络流量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
3.根据权利要求2所述的方法，其特征在于,所述卷积长短时记忆网络的表达式为
4.根据权利要求3所述的方法，其特征在于,所述双向长短时记忆网络的表达式为
5.根据权利要求4所述的方法，其特征在于,所述步骤3具体包括：
6.根据权利要求5所述的方法，其特征在于,所述步骤4具体包括：
7.根据权利要求6所述的方法，其特征在于,所述均方根误差的表达式为
8.根据权利要求5所述的方法，其特征在于,所述模型参数包括隐藏层的层数、隐藏层的神经元个数、卷积核的大小、学习率、最大迭代次数和预测未来时刻的数量。
9.根据权利要求7所述的方法，其特征在于,所述步骤5具体包括：
技术总结本发明实施例中提供了一种基于小波分解和改进型LSTM的算力网络流量预测方法，属于通信技术领域，具体包括：数据预处理；构建算力网络流量预测模型；将训练集输入算力网络流量预测模型中，进行迭代训练；将测试集输入训练好的算力网络流量预测模型，评价其精度是否符合要求；采集目标流量数据并将其输入训练好的算力网络流量预测模型中，得到多个分量并拼接为矩阵，卷积长短时记忆网络提取各分量之间的时间和空间特征，之后将特征矩阵转为一维特征向量，双向长短时记忆网络对一维特征向量采用顺序和逆序计算，通过向量拼接得到最终的隐藏表示，再通过全连接层输出实时预测结果。通过本发明的方案，提高了预测实时性、精准度和适应性。
技术研发人员：刘利枚,曹嘉建,黄璜,史庆宇
受保护的技术使用者：湘江实验室
技术研发日：技术公布日：2024/9/29