网络流量预测入门（三）之LSTM预测网络流量

网络流量预测入门（三）之LSTM预测网络流量

网络流量预测入门（三）之LSTM预测网络流量

在上篇博客LSTM机器学习生成音乐中，介绍了如何使用LSTM生成音乐，而在上上篇网络流量预测入门（二）之LSTM介绍中，介绍了LSTM的基本原理

在这篇博客中，将介绍如何使用SVR和LSTM对网络流量进行预测。

环境版本信息：

keras：2.4.3
numpy：1.19.2
tensorflow：2.4.1
sklearn：0.23.2

项目地址：network-traffic-predict

数据集介绍

数据集来自欧洲11个城市的ISP互联网流量（用ec_data表示）和英国学术网流量（用uk_data表示），数据集见Github。

ec_data统计了从2005年7月6号至2005年7月28号共计14772组网络流量数据，uk_data统计了从2004年11月19号至2005年1月27号共计19888组网络数据。ec_data和uk_data都是以5分钟为间隔进行采样得到的数据，数据见下图。由图中可以看出，ec_data和uk_data具有很强的周期性以及规律性，因此可以大胆的搏一搏单车变摩托：LSTM在预测的时候能够有着比较好的结果。

预测流程

在这篇博客中，使用前10个序列去预测下一个时间序列的网络流量值。当然，也可以如同简单明朗的 RNN 写诗教程一样，通过前10个序列去预测后面\(N\)个序列的网络流量值，如下图所示。

数据集准备

流量预测的目的是使用前\(K\)个序列去预测后面\(N\)个序列（这篇博客\(K=10,N=1\)），从机器学习训练的角度去看，前\(K\)个序列为\(X\)，后面\(N\)个序列则为\(Y\)。因此，需要从网络流量数据中构建数据集。构建数据集的过程原理在简单明朗的 RNN 写诗教程详细说过，以诗为例，过程如下：

通过上面的操作，就可以将网络流量序列变成X_Data和Y_Data，部分代码如下：

# all_data 即为数据集，sequence_len即为K
sequence_len = 10
X = []
Y = []
for i in range(len(all_data)-sequence_len):
    X.append(all_data[i:i+sequence_len])
    Y.append(all_data[i+sequence_len])
X = np.array(X)
Y = np.array(Y)