一种流量预测自适应调整方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种流量预测自适应调整方法、装置、设备及存储介质。本申请实施例提供的技术方案根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量，同时，通过多假设节点预测矩阵和网络矩阵预测矩阵确定预测残差，并根据预测残差对多假设节点预测矩阵进行重构得到网络重构预测矩阵，从而逐渐缩小预测误差，提高流量预测的精度。

【技术实现步骤摘要】
一种流量预测自适应调整方法、装置、设备及存储介质
本申请实施例涉及信息
，尤其涉及一种流量预测自适应调整方法、装置、设备及存储介质。
技术介绍
在物联网时代，万物互联的传感器数据的传输以及后期数据处理和计算面临巨大的挑战，为了改善网络性能，结合用户实际需求分配相应的网络资源，需要根据当前的网络流量进行预测，以便实现网络性能优化、资源合理分配。低功耗广域网是物联网时代的一种新型网络，为了最大化保证海量传感器节点的服务质量，对低功耗广域网的流量估计显得尤为重要。然而，物联网时代的低功耗广域网具有海量的传感节点，低功耗广域网节点具有不同程度的异构特征，通过直接监控获取网络流量的方法不现实，而且数据拥塞、数据丢失和信息泄漏问题加剧了直接获取网络流量数据的难度。因此，采用间接测量的方法通过有限的测量信息重构出满足一定需求的流量矩阵已经成为了网络流量信息估计的主流方法。目前，对网络流量的采样是固定的时间间隔，如果时间间隔选取过小，虽然准确度较高，但是计算代价过高；相反，如果时间间隔选取过大，虽然计算代价较低，但是准确度不能保证。
技术实现思路
本申请实施例提供一种流量预测自适应调整方法、装置、设备及存储介质，以自适应调节采样间隔，提高流量预测质量。在第一方面，本申请实施例提供了一种流量预测自适应调整方法，包括：基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。进一步的，所述流量预测误差基于以下公式确定：其中，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差，为第i次的链路流量矩阵，为第i次的多假设节点预测矩阵，φ0为全维随机采样矩阵。进一步的，所述自适应采样参数基于以下公式确定：C＝k/et,i其中，C为自适应采样参数，k为设定常数，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差。进一步的，所述传感器网络的采样间隔基于以下公式确定：INTt＝C×INTt-1其中，INTt为t时刻对所述传感器网络的采样间隔，INTt-1为t-1时刻对所述传感器网络的采样间隔，C为自适应采样参数。进一步的，所述流量预测自适应调整方法还包括：基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量矩阵，确定预测残差；基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。进一步的，所述流量预测自适应调整方法还包括：基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵，确定传感器网络在当前时刻的多假设节点预测矩阵。在第二方面，本申请实施例提供了一种流量预测自适应调整装置，包括误差检测模块和自适应调整模块，其中：所述误差检测模块，用于基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；所述自适应调整模块，用于基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。进一步的，所述流量预测自适应调整装置还包括残差检测模块和预测重构模块，其中：所述残差检测模块，用于基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量矩阵，确定预测残差；所述预测重构模块，用于基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。在第三方面，本申请实施例提供了一种流量预测自适应调整设备，包括：存储器以及一个或多个处理器；所述存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的流量预测自适应调整方法。在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的流量预测自适应调整方法。本申请实施例根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量，同时，通过多假设节点预测矩阵和网络矩阵预测矩阵确定预测残差，并根据预测残差对多假设节点预测矩阵进行重构得到网络重构预测矩阵，从而逐渐缩小预测误差，提高流量预测的精度。附图说明图1是本申请实施例提供的一种流量预测自适应调整方法的流程图；图2是本申请实施例提供的另一种流量预测自适应调整方法的流程图；图3是本申请实施例提供的另一种流量预测自适应调整方法的流程图；图4是本申请实施例提供的一种流量预测自适应调整装置的结构示意图；图5是本申请实施例提供的另一种流量预测自适应调整装置的结构示意图；图6是本申请实施例提供的一种流量预测自适应调整设备的结构示意图。具体实施方式为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。图1给出了本申请实施例提供的一种流量预测自适应调整方法的流程图，本申请实施例提供的流量预测自适应调整方法可以由流量预测自适应调整装置来执行，该流量预测自适应调整装置可以通过硬件和/或软件的方式实现，并集成在流量预测自适应调整设备中。下述以流量预测自适应调整装置执行流量预测自适应调整方法为例进行描述。参考图1，该流量预测自适应调整方法包括：S101：基于传感器网络在本文档来自技高网...

【技术保护点】
1.一种流量预测自适应调整方法，其特征在于，包括：/n基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；/n基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。/n

【技术特征摘要】
1.一种流量预测自适应调整方法，其特征在于，包括：
基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；
基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。


2.根据权利要求1所述的流量预测自适应调整方法，其特征在于，所述流量预测误差基于以下公式确定：



其中，et，i为按照采样间隔t进行流量采样，第i次的流量预测误差，为第i次的链路流量矩阵，为第i次的多假设节点预测矩阵，φ0为全维随机采样矩阵。


3.根据权利要求1所述的流量预测自适应调整方法，其特征在于，所述自适应采样参数基于以下公式确定：
C＝k/et，i
其中，C为自适应采样参数，k为设定常数，et，i为按照采样间隔t进行流量采样，第i次的流量预测误差。


4.根据权利要求1所述的流量预测自适应调整方法，其特征在于，所述传感器网络的采样间隔基于以下公式确定：
INTt＝C×INTt-1
其中，INTt为t时刻对所述传感器网络的采样间隔，INTt-1为t-1时刻对所述传感器网络的采样间隔，C为自适应采样参数。


5.根据权利要求1-4任一项所述的流量预测自适应调整方法，其特征在于，所述流量预测自适应调整方法还包括：
基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量矩阵，确定预测残差；
基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。

【专利技术属性】
技术研发人员：杨睛龙，詹宏强，骆观庆，任后文，唐瑞波，
申请(专利权)人：广州技象科技有限公司，
类型：发明
国别省市：广东;44