基于动态扩散卷积交互图神经网络的网络流量预测

摘要

现有的网络流量预测模型存在着泛化能力弱和预测准确率低等问题,为了解决此问题,提出了一种结合动态扩散卷积模块和卷积交互模块的预测模型。动态扩散卷积模块可以提取网络流量中复杂的空间特征和动态特性,而卷积交互模块则能捕获到流量中的时间特征,两者的有机结合可以有效预测网络中的流量。通过与其他网络流量预测模型在美国能源科学网(ESnet)流量数据上进行对比实验,验证了提出的动态扩散卷积交互图神经网络模型(DDCIGNN)的有效性。实验结果表明,DDCIGNN模型的均方根误差(RMSE)在最好的情况下优化了大约13.0%,说明该模型能够进行更有效的网络流量预测。