一种移动流量预测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种移动流量预测方法、装置、计算机设备及存储介质，其中方法包括对流量初始数据处理生成流量目标数据，将流量目标数据转换成等长的核极限学习机输入和输出数据；构建流量预测模型；用松鼠搜索算法优化模型搜索流量预测模型的最优参数；将最优参数代入核极限学习机流量预测模型中预测预定场景下的流量数据。通过将松鼠搜索算法用于搜索预测算法核极限学习机的最优参数，并将其用于流量预测，免去了人工选择最优参数的繁琐过程，实现多场景移动流量的快速、准确预测，不仅可以快速高效的找到核极限学习机的最优参数，还可以准确的预测流量数据。

A mobile traffic prediction method, device, computer equipment and storage medium

【技术实现步骤摘要】
一种移动流量预测方法、装置、计算机设备及存储介质
本专利技术涉及计算机
，尤其涉及一种移动流量预测方法、装置、计算机设备及存储介质。
技术介绍
目前，移动通信技术高度发展，以智能手机和智能应用为代表的移动通信市场的爆发式增长，由此可见，移动通信网络流量在现在和未来将保持高速増长。增长的流量给其网络架构带来极大的压力，无线网络的突发信令、话务和数据流量会导致基站设备无法正常工作，轻则用户上网感知速度变慢，手机主被叫出现个别不通畅的情况。重则手机用户无法进行主被叫和上网，手机接通率急剧下降。而人们往往在这样的情况下会不停的尝试与网络进行连接，这样会给无线网络和核心网络带来二次冲击。快速、准确的预测具体场景的的移动流量，按照人员流动流向和业务量的潮汐效应，可以快速准确的预测关键公共场景的用户规模和移动流量，可以帮助运营商预测即将到来的拥塞，提前做好网络扩容、调整、优化，用有限的无线载波资源来满足可能到来的网络高峰冲击，以保证网络安全、稳定的运行。极限学习机(ExtremeLearningMachine,ELM)是一种新型高性能单隐层前馈神经网络，显著优点就是速度快，且克服了人工神经网络训练速率慢、易陷入局部最优及对学习敏感等不足，极大地提高了算法学习速度以及泛化能力，具有较强的非线性拟合能力；为实现多场景移动流量快速准确预测，本文提出一种基于松鼠搜索算法(Squirrelsearchalgorithm，SSA)优化的核极限学习机(kernel-ELM)流量快速预测方法，将先进的元启发算法松鼠搜索算法用于搜索预测算法kernelELM的最优参数，并将其用于流量预测。相对于上述所提专利技术专利，本专利技术的预测方法不仅可以快速高效的找到核极限学习机的最优参数，还可以准确的预测流量数据。
技术实现思路
本专利技术提供了一种移动流量预测方法、装置、计算机设备及存储介质，旨在实现多场景移动流量的快速、准确预测，且不用手动参数优化。第一方面，本申请提供了一种移动流量预测方法，其包括：获取预定场景下的序列化的流量初始数据，对每个所述流量初始数据进行处理生成流量目标数据，并将序列化的所述流量目标数据转换成等长的核极限学习机输入数据以及与所述核极限学习机输入数据对应的核极限学习机输出数据；基于核极限学习机算法构建流量预测模型；将所述核极限学习机输入数据和所述核极限学习机输出数据作为所述流量预测模型的输入和输出序列，用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数；将所述最优参数代入核极限学习机流量预测模型中，预测所述预定场景下的流量数据。第二方面，本申请提供了一种移动流量预测装置，其包括：第一处理单元，用于获取预定场景下的序列化的流量初始数据，对每个所述流量初始数据进行处理生成流量目标数据，并将序列化的所述流量目标数据转换成等长的核极限学习机输入数据以及与所述核极限学习机输入数据对应的核极限学习机输出数据；第二处理单元，用于基于核极限学习机算法构建流量预测模型；第三处理单元，用于将所述核极限学习机输入数据和所述核极限学习机输出数据作为所述流量预测模型的输入和输出序列，用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数；执行单元，用于将所述最优参数代入核极限学习机流量预测模型中，预测所述预定场景下的流量数据。第三方面，本申请还提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请提供的任意一项所述的移动流量预测方法的步骤。第四方面，本申请还提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本申请提供的任意实施例所述的移动流量预测方法的步骤。本专利技术实施例通过将松鼠搜索算法用于搜索预测算法核极限学习机的最优参数，并将其用于流量预测，免去了人工选择最优参数的繁琐过程，实现多场景移动流量的快速、准确预测，不仅可以快速高效的找到核极限学习机的最优参数，还可以准确的预测流量数据。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种移动流量预测方法的流程示意图；图2是本专利技术实施例提供的一种移动流量预测方法的松鼠优化实现原理流程图；图3是本专利技术实施例提供的一种移动流量预测方法的松鼠优化的核极限学习机的流量预测原理流程图；图4是本专利技术实施例提供的一种移动流量预测方法的实验流量数据示意图；图5是本专利技术实施例提供的一种移动流量预测方法的松鼠优化核极限学习机的参数曲线图；图6是本专利技术实施例提供的一种移动流量预测方法的核极限学习机预测结果和实际值的对比图；图7是本专利技术实施例提供的一种移动流量预测装置的示意性框图；图8是本专利技术实施例提供的一种移动流量预测的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。本申请实施例提供了一种移动流量预测方法、装置、计算机设备和存储介质。本申请实施例的移动流量预测方法所适用的应用场景包括用户终端和服务器。其中，用户终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备；服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。请参阅图1，图1是本申请一实施例提供的一种移动流量预测方法的示意流程图。如图1所示，该移动流量预测方法包括步骤S101～S104。步骤S101：获取预定场景下的序列化的流量初始数据，对每个流量初始数据进行处理生成流量目标数据，并将序列化的所述流量目标数据转换成等长的核极限学习机输入数据以及与核极限学习机输入数据对应的核极限学习机输出数据。...

【技术保护点】
1.一种移动流量预测方法，其特征在于，包括：/n获取预定场景下的序列化的流量初始数据，对每个所述流量初始数据进行处理生成流量目标数据，并将序列化的所述流量目标数据转换成等长的核极限学习机输入数据以及与所述核极限学习机输入数据对应的核极限学习机输出数据；/n基于核极限学习机算法构建流量预测模型；/n将所述核极限学习机输入数据和所述核极限学习机输出数据作为所述流量预测模型的输入和输出序列，用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数；/n将所述最优参数代入核极限学习机流量预测模型中，预测所述预定场景下的流量数据。/n

【技术特征摘要】
1.一种移动流量预测方法，其特征在于，包括：
获取预定场景下的序列化的流量初始数据，对每个所述流量初始数据进行处理生成流量目标数据，并将序列化的所述流量目标数据转换成等长的核极限学习机输入数据以及与所述核极限学习机输入数据对应的核极限学习机输出数据；
基于核极限学习机算法构建流量预测模型；
将所述核极限学习机输入数据和所述核极限学习机输出数据作为所述流量预测模型的输入和输出序列，用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数；
将所述最优参数代入核极限学习机流量预测模型中，预测所述预定场景下的流量数据。


2.根据权利要求1所述的移动流量预测方法，其特征在于，所述对每个所述流量初始数据进行处理生成流量目标数据包括：
根据预设处理公式对所述流量初始数据进行处理生成所述流量目标数据；
所述预设处理公式为：



其中，s为流量初始数据，s′为流量目标数据，smax和smin分别为所述流量初始数据里的流量最大值和流量最小值；
对于给定的序列化的流量初始数据s1,s2,…,sn，其经过所述预设处理公式处理后的序列化的流量目标数据为s′1,s′2,...,s′n；
所述核极限学习机输入数据和对应的核极限学习机输出数据为：



其中I为核极限学习机输入数据，O为核极限学习机输出数据。


3.根据权利要求2所述的移动流量预测方法，其特征在于，所述基于核极限学习机算法构建流量预测模型包括：
设定对于给定数据集D＝{(s′i，ti)|si∈Rd,ti∈Rm,i＝1,2,…,n}，kernel-ELM的隐藏层节点为L，隐藏层输出函数为h(s′)＝[h1(s′),h2(s′),…hL(s′)]，隐藏层到输出层的权值向量为b＝[b1,b2,…bL]，ELM模型的输出函数为：



核极限学习机模型的训练目标为：






其中ζi代表理论输出值ti与预测值f(s′)的误差，C为惩罚系数；
其对偶问题为：



其中αi为拉格朗日乘子；
再根据KKT条件：



其中H＝[hT(s′1),hT(s′2),…,hT(s′n)]T,α＝[α1,α2,…,αn]T,求解得：



核极限学习机的输出为；



将核函数引入核极限学习机，定义核函数矩阵为：
Ω＝HHT,Ωi,j＝h(s′i)h(s′j)＝K(s′i,s′j)
核极限学习机输出为：



使用高斯核函数：令为核函数参数；
模型的预测误差为：



其中F为实际值，f(s′)为预测值。


4.根据权利要求3所述的移动流量预测方法，其特征在于，所述用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数包括：
初始化种群，根据初始位置公式获取松鼠在森林中的初始位置；
所述初始位置公式为：
FSi＝FSL+U(0，1)×(FSU-FSL)
其中，FSU和FSL分别为种群的上界和下界，U(0，1)介于0和1之间的随机数；
对松鼠进行分类，设定松鼠个数以及包含与松鼠个数相对应的树木的森林，并要求每棵树上有且只有一只松鼠，森林内包括一棵食物资源最佳...

【专利技术属性】
技术研发人员：郑晓亮，来文豪，薛生，陈华亮，李重情，李尧斌，江丙友，郑春山，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽;34