1.一种基于Prophet模型提取网络流量的预测方法，其特征在于，包括以下步骤：步骤1、获取网络流量数据y(t)；

步骤2、利用Prophet模型将网络流量数据y(t)分解成非线性分量A(t)与附加分量D(t)；

步骤3、将非线性分量A(t)预处理后依次通过卷积神经网络模型和基于注意力机制的长短期记忆网络模型进行预测；

步骤4、将附加分量D(t)通过Prophet模型进行预测；

步骤5、将步骤3和步骤4的预测结果相加得到最终的网络流量预测值；

步骤6、对比网络流量数据的原始值与预测值，验证模型的有效性；

其中，步骤3中，所述预处理包括读取数据流，数据分集和归一化处理；

步骤3中，所述预测方法包括以下步骤：(1)将前70‑80％的数据作训练集，初次训练选取训练集中10‑15％的数据作为验证集，保存好最佳模型后继续用完整的训练集进行训练，后20‑30％组作测试集；

(2)将数据进行归一化处理，利用MinMaxScaler函数将数据规范在(‑1,1)区间，输出结果前再进行反归一化操作，t时刻A(t)归一化的结果为A'(t)：其中，Amax，Amin分别为流量数据的最大值和最小值；

(3)利用滑动窗口T对步骤(2)的结果进行处理实现单步预测；

(4)将单步预测后的数据输入卷积神经网络模型中，提取时间序列的细粒度特征；

(5)通过基于注意力机制的长短期记忆网络模型从前端抽取出细粒度特征中的粗粒度特征，同时对细粒度特征和粗粒度特征的维度使用注意力机制，并对特征分配权重，其中注意力层的权重为：

T

其中，f(a(t))是评价函数，可表达为f(a(t))＝Wa(t)，W为训练参数，对注意力层权重求和得到最后的特征向量：

其中，x(t)表示输入序列，a(t)表示学习得到的输入序列x(t)的特征，β(t)表示各特征的注意力权重；

步骤4中，所述Prophet模型预测方法为通过建模与评估模型两个模块的循环迭代优化出结果。

2.根据权利要求1所述的基于Prophet模型提取网络流量的预测方法，其特征在于，步骤2中，所述非线性分量A(t)包括趋势项g(t)和随机项ε(t)；所述附加分量D(t)包括季节项s(t)和节假日h(t)。

3.根据权利要求1所述的基于Prophet模型提取网络流量的预测方法，其特征在于，步2

骤6中，所述对比采用选取平均绝对百分比误差MAPE和决定系数R这两个评价指标对比。

4.根据权利要求3所述的基于Prophet模型提取网络流量的预测方法，其特征在于，所述平均绝对百分比误差MAPE的取值范围为[0,+∞)，具体公式如下：其中，y(t)表示第t时刻网络流量的实际值， 表示第t时刻网络流量的预测值，表示数据样本的均值，n为样本数量。

5.根据权利要求3所述的基于Prophet模型提取网络流量的预测方法，其特征在于，所2

述决定系数R的取值范围为[0,1]，具体公式如下：其中，y(t)表示第t时刻网络流量的实际值， 表示第t时刻网络流量的预测值，表示数据样本的均值，n为样本数量。