面向数字孪生的动态模式感知时空流量预测

摘要

为提升数字孪生网络中流量建模的精度，面向骨干网场景提出一种时空流量预测模型，称为动态模式感知流量预测模型，旨在解决现有方法在捕捉长程空间依赖与适应动态流量模式演变方面的不足。所提模型引入两项核心机制以增强预测性能：首先，基于流量模式相似度动态构建模式感知邻接图，实现全局节点关联性建模，突破静态邻接结构在空间依赖建模上的局限；其次，融合图注意力网络，通过学习节点间的注意力权重自适应调节时空特征传递强度，从而提升模型对未知流量场景的泛化能力。基于2个真实骨干网数据集的实验结果表明，所提模型在不同网络环境与流量模式下的表现均优于现有基准模型，在多项误差评估指标上展现出更高精度和鲁棒性。

关键词

数字孪生网络 / 时空流量预测 / 图注意力网络 / 模式感知邻接图