技术摘要：
本发明公开了一种基于时空流量矩阵预测的流量动态调度方法，包括：获取时空流量矩阵；将时空流量矩阵输入CNN‑GRU网络模型，生成时空特征矩阵；构造外部特征，将外部特征和时空特征矩阵输入两层神经网络模型，生成所述待预测站点下一时刻的流量预测值；基于所述待预测 全部
背景技术：
电力多站融合系统站点流量的预测与动态调度是研究站点性能、管理以及服务质 量的基础。精准的预测站点流量的动态变化，感知站点运行状态并进行动态调度对提高电 网站点网络服务的稳定性，提升用户体验，节省运营与维护成本有着重要意义。 一般地，现有基于大数据的流量预测系统都是根据流量序列自身的历史数据进行 预测，只考虑站点流量的时间特性，导致站点流量预测准确度低，进一步导致流量调度效果 差。
技术实现要素：
本发明的目的在于解决现有所存在的其中一个问题，提供基于时空流量矩阵预测 的流量动态调度方法，提高流量调度效果。 本公开的一方面，基于时空流量矩阵预测的流量动态调度方法，包括： 获取时空流量矩阵； 将时空流量矩阵输入CNN-GRU网络模型，生成时空特征矩阵； 构造外部特征，将外部特征和时空特征矩阵输入两层神经网络模型，生成所述待 预测站点下一时刻的流量预测值； 基于所述待预测站点下一时刻的流量预测值，执行流量动态调度操作。 所述获取时空流量矩阵包括： 获取待预测站点的时间流量序列、空间流量序列以及周期流量序列； 根据待预测站点的时间流量序列、空间流量序列以及周期流量序列，生成时空流 量矩阵； 可选的，根据待预测站点的时间流量序列、空间流量序列以及周期流量序列，生成 时空流量矩阵，包括： 对站点流量数据进行预处理； 对预处理后的流量数据进行归一化操作； 将归一化后的时间流量序列和周期流量序列组成一个第一流量序列，作为时空流 量矩阵的横向数据； 将待预测站点以及与待预测站点距离较近的n个站点的第一流量序列纵向拼接， 以生成时空流量矩阵。 可选的，所述方法还包括构建CNN-GRU网络模型； 所述构建CNN-GRU网络模型包括： 构建CNN-GRU初始模型，所述CNN-GRU初始模型包括CNN网络层和GRU网络层，CNN网 络层用于提取空间特征，获取同一时刻各站点流量数据间的空间关系；GRU用于提取时间特 4 CN 111585783 A 说 明 书 2/8 页 征，获得同一站点不同时刻流量序列间的时序关系； 训练CNN-GRU初始模型，得到CNN-GRU网络模型； 所述训练CNN-GRU初始模型包括：训练CNN网络层，在训练CNN网络层后，通过固定 CNN网络层的参数训练GRU网络层。 可选的，将时空流量矩阵输入CNN-GRU网络模型，生成时空特征矩阵，包括： 将时空流量矩阵，输入CNN-GRU流量预测模型中的CNN网络层，以提取各站点流量 数据的空间特征； 将流量数据的空间特征压缩成一维数组，输入GRU网络层，以生成站点流量数据的 时空特征。 可选的，将外部特征和时空特征矩阵输入两层神经网络模型，生成所述待预测站 点下一时刻的流量预测值包括： 对外部特征做定性哑编码，与生成的时空特征相结合生成一个第一特征序列； 将第一特征序列输入到两层神经网络模型，生成流量输出值，将流量输出值反归 一化，以得到待预测站点下一时刻的流量预测值。 所述外部特征为对站点流量预测产生影响的特征，包括是否为工作日、一天中的 第几个小时、是否为节假日以及处于哪个月份。 可选的，所述方法还包括基于站点下一时刻的流量预测值和当前时刻流量数据， 生成告警信息； 所述基于站点下一时刻的流量预测值和当前时刻流量数据，生成告警信息包括： 比较站点下一时刻的流量预测值Y′、站点当前时刻流量数据Y和预设的站点安全 阈值上限vh； 若Y′
