模型构建方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种模型构建方法、装置、设备及存储介质，该方法包括：获取采样得到的网络流量序列；对网络流量序列进行特性分析，得到特性分析结果；从多个模型类型中，确定与特性分析结果相匹配的目标模型类型；基于网络流量序列和特性分析结果，构建与目标模型类型对应的网络流量预测模型。如此，能够构建符合网络流量序列的特性的网络流量预测模型，构建的网络流量模型更准确，为高精度的准确预测网络流量奠定了基础。流量奠定了基础。流量奠定了基础。

【技术实现步骤摘要】
模型构建方法、装置、设备及存储介质


[0001]本申请涉及网络流量预测领域，尤其涉及一种模型构建方法、装置、设备及存储介质。

技术介绍

[0002]网络流量预测可以为网络管理、设计等提供良好的支撑。传统的网络流量预测模型中，例如泊松模型等，只能表现出短相关性，导致理论与实际之间存在较大偏差。为减小偏差，相关技术中，采用自相似流量预测模型进行网络流量的预测，该自相似流量预测模型主要是以采集的网络流量序列为样本进行统计预测，但是，所构建的自相似流量预测模型可能并不符合所预测的网络流量序列的特点，导致不能对网络流量进行高精度的准确预测。

技术实现思路

[0003]本申请的目的是提供一种模型构建方法、装置、设备及存储介质，以解决相关技术中不能对网络流量进行高精度的准确预测的问题。
[0004]本申请的目的是通过以下技术方案实现的：
[0005]第一方面，本申请实施例提供一种模型构建方法，包括：
[0006]获取采样得到的网络流量序列；
[0007]对网络流量序列进行特性分析，得到特性分析结果；
[0008]从多个模型类型中，确定与特性分析结果相匹配的目标模型类型；
[0009]基于网络流量序列和特性分析结果，构建与目标模型类型对应的网络流量预测模型。
[0010]在一种实施方式中，对网络流量序列进行特性分析，包括：
[0011]对网络流量序列进行自相关特性分析。
[0012]在一种实施方式中，对网络流量序列进行自相关特性分析，包括：/>[0013]对网络流量序列，按照时间序列的先后顺序，选择当前滞后的阶数p，计算滞后p阶的自相关系数，并分析当前计算出的自相关系数是否满足p阶截尾或者p阶拖尾，当分析出自相关系数满足p阶截尾或者p阶拖尾时，停止选择当前滞后的阶数；
[0014]对网络流量序列，按照时间序列的先后顺序，选择当前滞后的阶数q，计算滞后q阶的偏相关系数，并分析当前计算出的偏相关系数是否满足q阶截尾或者q阶拖尾，当分析出偏相关系数满足q阶截尾或者q阶拖尾时，停止选择滞后的阶数；
[0015]其中，网络流量序列包括n个时刻的网络流量样本，p和q的取值为1至n中的正整数。
[0016]在一种实施方式中，多个模型类型包括自回归模型AR、移动平均MA和自回归移动平均模型ARMA；
[0017]从多个模型类型中，确定与特性分析结果相匹配的目标模型类型，包括：
[0018]若自相关系数满足p阶拖尾且偏相关系数满足q阶截尾，确定目标模型类型为AR；
[0019]若自相关系数满足p阶截尾且偏相关系数满足q阶拖尾，确定目标模型类型为MA；
[0020]若自相关系数满足p阶拖尾且偏相关系数满足q阶拖尾，确定目标模型类型为ARMA。
[0021]在一种实施方式中，基于网络流量序列和特性分析结果，构建与目标模型类型对应的网络流量预测模型，包括：
[0022]若目标模型类型为AR，将拖尾的阶数p作为初始阶数，构建初始模型AR(p)，并针对AR(p)，基于网络流量序列进行参数估计，得到网络流量预测模型；
[0023]若目标模型类型为MA，将拖尾的阶数q作为初始阶数，构建初始模型MA(q)，并针对MA(q)，基于网络流量序列进行参数估计，得到网络流量预测模型；
[0024]若目标模型类型为ARMA，将拖尾的阶数p和阶数q作为初始阶数，构建初始模型ARMA(p，q)，并针对ARMA(p，q)，基于网络流量序列进行参数估计，得到网络流量预测模型。
[0025]在一种实施方式中，进行参数估计的步骤至少包括如下阶数估计的步骤：
[0026]从初始阶数开始，逐渐增大阶数，基于当前阶数对应的子序列，得到预设准则函数的取值，直至基于已得到的预设准则函数的取值确定出准则函数的极小值；
[0027]将准则函数的极小值对应的阶数作为估计得到的阶数。
[0028]在一种实施方式中，还包括：
[0029]对网络流量预测模型进行检验，以基于检验结果，优化网络流量预测模型。
[0030]在一种实施方式中，还包括：
[0031]利用网络流量预测模型，进行网络流量预测。
[0032]第二方面，本申请实施例提供一种模型构建装置，包括：
[0033]获取模块，用于获取采样得到的网络流量序列；
[0034]分析模块，用于对网络流量序列进行特性分析，得到特性分析结果；
[0035]确定模块，用于从多个模型类型中，确定与特性分析结果相匹配的目标模型类型；
[0036]构建模块，用于基于网络流量序列和特性分析结果，构建与目标模型类型对应的网络流量预测模型。
[0037]在一种实施方式中，分析模块，具体用于：
[0038]对网络流量序列进行自相关特性分析。
[0039]在一种实施方式中，分析模块，具体用于：
[0040]对网络流量序列，按照时间序列的先后顺序，选择当前滞后的阶数p，计算滞后p阶的自相关系数，并分析当前计算出的自相关系数是否满足p阶截尾或者p阶拖尾，当分析出自相关系数满足p阶截尾或者p阶拖尾时，停止选择当前滞后的阶数；
[0041]对网络流量序列，按照时间序列的先后顺序，选择当前滞后的阶数q，计算滞后q阶的偏相关系数，并分析当前计算出的偏相关系数是否满足q阶截尾或者q阶拖尾，当分析出偏相关系数满足q阶截尾或者q阶拖尾时，停止选择滞后的阶数；
[0042]其中，网络流量序列包括n个时刻的网络流量样本，p和q的取值为1至n中的正整数。
[0043]在一种实施方式中，多个模型类型包括自回归模型AR、移动平均MA和自回归移动平均模型ARMA；
[0044]确定模块，具体用于：
[0045]若自相关系数满足p阶拖尾且偏相关系数满足q阶截尾，确定目标模型类型为AR；
[0046]若自相关系数满足p阶截尾且偏相关系数满足q阶拖尾，确定目标模型类型为MA；
[0047]若自相关系数满足p阶拖尾且偏相关系数满足q阶拖尾，确定目标模型类型为ARMA。
[0048]在一种实施方式中，构建模块，具体用于：
[0049]若目标模型类型为AR，将拖尾的阶数p作为初始阶数，构建初始模型AR(p)，并针对AR(p)，基于网络流量序列进行参数估计，得到网络流量预测模型；
[0050]若目标模型类型为MA，将拖尾的阶数q作为初始阶数，构建初始模型MA(q)，并针对MA(q)，基于网络流量序列进行参数估计，得到网络流量预测模型；
[0051]若目标模型类型为ARMA，将拖尾的阶数p和阶数q作为初始阶数，构建初始模型ARMA(p，q)，并针对ARMA(p，q)，基于网络流量序列进行参数估计，得到网络流量预测模型。
[0052]在一种实施方式中，构建模块，具体用于：
[0053]从初始阶数开始，逐渐增大阶数，基于当前阶数对应的子序列，得到预设准则函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型构建方法，其特征在于，包括：获取采样得到的网络流量序列；对所述网络流量序列进行特性分析，得到特性分析结果；从多个模型类型中，确定与所述特性分析结果相匹配的目标模型类型；基于所述网络流量序列和所述特性分析结果，构建与所述目标模型类型对应的网络流量预测模型。2.根据权利要求1所述的方法，其特征在于，所述对所述网络流量序列进行特性分析，包括：对所述网络流量序列进行自相关特性分析。3.根据权利要求2所述的方法，其特征在于，所述对所述网络流量序列进行自相关特性分析，包括：对所述网络流量序列，按照时间序列的先后顺序，选择当前滞后的阶数p，计算滞后p阶的自相关系数，并分析当前计算出的自相关系数是否满足p阶截尾或者p阶拖尾，当分析出自相关系数满足p阶截尾或者p阶拖尾时，停止选择当前滞后的阶数；对所述网络流量序列，按照时间序列的先后顺序，选择当前滞后的阶数q，计算滞后q阶的偏相关系数，并分析当前计算出的偏相关系数是否满足q阶截尾或者q阶拖尾，当分析出偏相关系数满足q阶截尾或者q阶拖尾时，停止选择滞后的阶数；其中，所述网络流量序列包括n个时刻的网络流量样本，p和q的取值为1至n中的正整数。4.根据权利要求3所述的方法，其特征在于，所述多个模型类型包括自回归模型AR、移动平均MA和自回归移动平均模型ARMA；所述从多个模型类型中，确定与所述特性分析结果相匹配的目标模型类型，包括：若自相关系数满足p阶拖尾且偏相关系数满足q阶截尾，确定所述目标模型类型为所述AR；若自相关系数满足p阶截尾且偏相关系数满足q阶拖尾，确定所述目标模型类型为所述MA；若自相关系数满足p阶拖尾且偏相关系数满足q阶拖尾，确定所述目标模型类型为所述ARMA。5.根据权利要求4所述的方法，其特征在于，所述基于所述网络流量序列和所述特性分析结果，构建与所述目标模型类型对应的网络流量预测模型，包括：若所述目标模型类型为AR，将拖尾的阶数p作为初始阶数，构建初始模型AR(p)，并针对所述AR(p)，基于所述网络流量序列进行参数估计，得到网络流量预测模型；若所述目标模型类型为MA，将拖尾的阶数q作为初始阶数，构建初始模型MA(q)，并针对所述MA(q)，基于所述网络流量序列进行参数估计，得到网络流量预测模型；若所述目标模型类型为ARMA，将拖尾的阶数p和阶数q作为初始阶数，构建初始模型ARMA(p,q)，并针对所述ARMA(p,q)，基于所述网络流量序列进行参数估计，得到网络流量预测模型。6.根据权利要求5所述的方法，其特征在于，进行参数估计的步骤至少包括如下阶数估计的步骤：
从初始阶数开始，逐渐增大阶数，基于当前阶数对应的子序列，得到预设准则函数的取值，直至基于已得到的所述预设准则函数的取值确定出所述准则函数的极小值；将所述准则函数的极小值对应的阶数作为估计得到的阶数。7.根据权利要求1所述的方法，其特征在于，还包括：对所述网络流量预测模型进行检验，以基于检验结果，优化所述网络流量预测模型。8.根据权利要求1
‑
7任一项所述的方法，其特征在于，还包括：利用所述网络流量预测模型，进行网络流量预测。9.一种模型构建装置，其特征在于，包括：获取模块，用于获取采样得到的网络流量序列；分析模块，用于对所述网络流量序列进行特性分析，得到特性分析结果...

【专利技术属性】
技术研发人员：李源，赵晶，喻波，王志海，安鹏，
申请(专利权)人：北京明朝万达科技股份有限公司，
类型：发明
国别省市：