1.一种LSTM与XGBoost融合的带宽预测方法，其特征在于，所述方法包括以下步骤：

1）数据收集：收集与带宽相关的时序特征数据，包括：

历史带宽：记录用户在过去时间窗口内的带宽使用情况；

用户位置信息：通过GPS获取用户的位置数据，捕捉用户移动对带宽需求的影响；

延迟数据：记录网络传输的延迟情况，评估网络性能；

网络负载：统计当前网络的流量负载，分析网络拥塞程度；

对时序特征数据进行清理、标准化与归一化，以保证不同特征的尺度一致，便于输入到模型中；将数据分为训练集和测试集，用于模型训练和性能评估；

2）LSTM模型与注意力机制：使用LSTM模型来处理时序特征数据，捕捉历史带宽的动态变化；在LSTM模型中引入注意力机制，通过计算时间步的权重，使得LSTM+Attention模型能够聚焦于对预测最有影响的时间步，忽略不相关的信息；

3）特征融合：将LSTM+Attention模型的输出，即经过注意力机制加权的时间序列预测值作为特征之一，同时引入其他网络状态特征，包括以下：RSSI、RSRP、RSRQ和SINR；将上述特征与LSTM+Attention模型的输出拼接成一个新的特征矩阵，形成一个高维特征空间矩阵；

4）XGBoost模型：使用XGBoost算法对拼接后的高维特征空间矩阵进行建模；XGBoost通过构建多棵决策树，逐步捕捉特征之间的复杂非线性关系；在每棵树的分裂过程中，XGBoost会自动评估每个特征的重要性，并选择最优的分裂点，从而实现对特征的有效筛选和建模；

使用标准的回归损失函数来最小化预测误对XGBoost模型进行训练，通过梯度提升方法，每一棵新树都会根据前一棵树的残差进行训练，并对其进行优化；

5）输出结果：所有XGBoost树的预测结果会被加权求和，得到最终的带宽预测值；

所述1）的过程为：

步骤1.1）使用6个设备，分别是3个移动设备，用于模拟用户的慢速移动，该设备的位置和状态会根据实验设计进行调整，以模拟用户在不同网络环境下的带宽需求；3个HMD，用于模拟高性能设备，确保设备差异性以满足对实验的准确性；

步骤1.2）每个设备通过 WiFi 与服务器连接，传输VR 视频数据；历史带宽、延迟数据、网络负载实时数据通过 Android APIs 以1秒的粒度收集关键指标被采集，以用于后续的带宽预测模型训练；每个设备的用户位置信息通过GPS信号收集，帮助建模用户的移动行为；

步骤1.3）数据清理，操作如下：

1.3.1）检测并移除缺失值或无效数据点；

1.3.2）处理异常值，通过设定阈值过滤掉极端值；

1.3.3）对不完整的时间序列数据进行插值，保证数据的连续性；

步骤1.4）对所有特征进行标准化和归一化，如下：

1.4.1）标准化：将数据转换为均值为0、标准差为1的分布，公式为：；

其中， 为原始数据， 为均值， 为标准差；

1.4.2）归一化：将数据缩放到[0, 1]区间，公式为：；

其中， 和  分别为数据的最小值和最大值；

步骤1.5）数据划分：将数据分为训练集和测试集，用于模型训练和性能评估，操作如下：

1.5.1）按照时间顺序划分数据，将80%的数据作为训练集，20%的数据作为测试集；

1.5.2）确保训练集和测试集的时间连续性，避免数据泄漏。

2.如权利要求1所述的LSTM与XGBoost融合的带宽预测方法，其特征在于，所述2）中，LSTM 网络结构构建和训练过程如下：步骤2.1）输入层：输入特征包括历史带宽、用户位置信息、延迟数据和网络负载数据，每个时间步的输入是一个由多个特征组成的向量；

步骤2.2）LSTM 层：由 num_layers个LSTM层构成，用来学习时间序列数据中的长短期依赖关系，设定各层的神经元数量；

步骤2.3）注意力机制：在LSTM的输出层之后，加入一个加性注意力机制，该机制为每个时间步的LSTM输出分配一个权重，重点关注那些对带宽预测有较大影响的时刻；

步骤2.4）输出层：LSTM和注意力机制结合后的输出被传递到一个全连接层，用于预测当前时刻的带宽值；

步骤2.5）LSTM模型的训练：使用均方误差MSE作为损失函数训练模型，损失函数定义为：；

其中， 是样本数量,  是第i个样本的真实带宽值,  是第i个样本的模型预测的带宽值；

使用梯度下降法更新模型参数，确保模型能够逐步减小预测误差，Adam优化器更新规则是：；

其中，η 是学习率； 是梯度的一阶矩估计， ； 是

梯度的二阶矩估计， ；ϵ 是一个非常小的常数1e‑8，用于防止除以零稳定性常数； 是当前时刻的梯度， 是一阶矩的衰减率， 是当前梯度的平方，是二阶矩的衰减率；

步骤2.6）注意力机制模型训练：采用Additive Attention方法，通过计算每个时间步的重要性权重来调整模型的焦点，自动筛选出重要的时间片段进行更精细的学习，每个时刻的输出通过加权求和得到最终的带宽预测结果；

步骤2.7）在训练过程中，LSTM+Attention模型会使用训练数据进行前向传播和反向传播，通过梯度下降法不断调整LSTM的权重，最小化损失函数，直到模型收敛；在训练过程中，使用早停法来避免过拟合，当验证集的损失在连续设定数量个epochs内没有改善时，停止训练。

3.如权利要求1所述的LSTM与XGBoost融合的带宽预测方法，其特征在于，所述4）中，对多维特征之间复杂的非线性关系进行建模，过程为：步骤4.1）XGBoost使用决策树来建模输入数据的特征，在每次迭代中，XGBoost会通过分裂节点来选择最佳特征和分裂点，逐步构建树，每棵树都在前一棵树的残差上进行建模，XGBoost会自动评估哪些特征对带宽预测最重要，并根据这些特征构建预测模型；

步骤4.2）XGBoost模型的训练：使用标准的回归损失函数来最小化预测误差，使用XGBoost的树模型来捕捉特征之间的复杂非线性关系，XGBoost 采用加法模型来迭代生成树，每生成一棵树后，会对前面生成的树的残差进行拟合；每棵树的节点会根据特征的不同值进行分裂，目标是最小化分裂后的均方误差；通过正则化控制模型的复杂度，防止过拟合；XGBoost使用了 L1 和 L2 正则化，通过惩罚树的复杂度来控制模型的灵活性；

步骤4.3）XGBoost模型优化：通过梯度提升方法，每一棵新树都会根据前一棵树的残差进行训练，并对其进行优化；通过交叉验证调整模型的超参数，超参数包括树的深度、学习率和子采样比例，每棵树通过调整前一棵树的预测来减少误差，从而提高模型的精度；

步骤4.4）使用均方误差MSE、均方根误差RMSE和平均绝对误差MAE回归评价指标对模型进行评估，公式为：， ， ；

其中，  是样本数量,  是第i个样本的真实值,  是第i个样本的预测值。