基于ST--LSTM神经网络的网络流量预测方法研究的任务书.docx

基于ST--LSTM神经网络的网络流量预测方法研究的任务书
一、选题背景及意义
随着互联网的迅速发展，网络流量的爆发式增长也成为了当今社会最重要的问题之一。对于网络管理者来说，能够准确地预测网络流量，进行合理的调配资源，是保障网络正常运行的重要手段之一。因此，对于网络流量预测方法的研究具有非常重要的意义。
目前，已有很多的网络流量预测研究成果。其中，基于神经网络的方法一直是研究的热点之一。但是，由于网络的复杂性和流量的不确定性，导致现有的神经网络模型在预测网络流量表现出一定的局限性。针对这一问题，本课题将基于ST--LSTM神经网络模型，对网络流量进行预测，以期提高预测的准确性。
二、研究内容
本课题将主要研究基于ST--LSTM神经网络的网络流量预测方法。
1、对网络流量数据进行分析，选取适合的算法进行预处理，包括数据清洗、数据转化、数据规约等。
2、基于ST--LSTM神经网络模型，构建网络流量预测模型。该模型将从时间和空间两个维度对网络流量进行建模，分别采用LSTM网络模型和卷积神经网络(CNN)进行特征提取。并且，模型将结合时空关系，以减少模型的误差。
3、通过实验模拟，对基于ST--LSTM神经网络的网络流量预测模型进行性能评估，包括模型的准确性、稳定性等指标。并和其他网络流量预测方法进行比较，以验证所提出方法的有效性。
三、研究方法
1、数据来源：通过uchicago.edu提供的新闻数据集、互联网社交媒体数据集、城市空气质量数据集、全球地震数据集等数据源进行数据收集。
2、数据预处理：对收集到的数据进行清洗、转化、规约，使得数据处理后符合ST--LSTM神经网络的输入要求。
3、模型设计：基于ST--LSTM神经网络进行模型的构建，模型输入以时间和空间作为主要维度，将LSTM和CNN两种网络结构进行融合处理，以提高模型的准确性和稳定性。
4、模型评估：通过实验模拟，对模型进行性能评估，包括准确性、稳定性等指标。并和其他网络流量预测方法进行比较，以验证所提出方法的有效性。
四、研究计划
时间节点|研究任务
2021.10-2021.11|数据收集和预处理
2021.11-2022.1|建立ST--LSTM神经网络模型
2022.1-2022.3|实验模拟和性能评估
2022.3-2022.5|撰写研究报告并完成论文
五、预期结果
通过本课题的研究，我们期望得到以下几个方面的结果：
1、对于网络流量数据进行预处理，选取适合的预处理算法，使得数据能够符合ST--LSTM神经网络的输入要求。
2、基于ST--LSTM神经网络构建流量预测模型，并在性能上实现一定的提升。
3、对所提出的模型进行性能评估和比较，验证其有效性。
4、为网络管理者提供参考，以提高网络流量预测和网络调配的效率。
六、参考文献
[1]LiX,WangS,ZhangS,etal.SpatiotemporalLSTMnetworkfortrafficprediction[J].IEEETransactionsonIntelligentTransportationSystems,2017,18(10):1-12.
[2]SharmaP,SinghT.AHybridapproachforpredictingnetworktrafficusingCAPTURE[C]//InternationalConferenceonEmergingTechnologies(ICET).IEEE,2020:1-6.
[3]SunY,ZhangZ,HuX,etal.Large-scaletaxidemandpredictionwithspatiotemporalgraphconvolutionalnetwork[C]//Proceedingsofthe25thACMSIGKDDInternationalConferenceonKnowledgeDiscovery&DataMining.2019:1098-1108.