一种针对流量序列分析及预测的方法、设备和介质技术

本发明专利技术公开了一种针对流量序列分析及预测的方法，以历史序列数据为依据进行分析，通过神经网络进行预测，所述神经网络具有输入变换层和输出逆变换层，输入变换层用于将输入神经网络的数据进行box

【技术实现步骤摘要】
一种针对流量序列分析及预测的方法、设备和介质


[0001]本专利技术涉及时间序列分析及预测领域，特别是涉及一种针对流量序列的分析及预测方法，属于信息管理领域。

技术介绍

[0002]流量分析及预测与诸多领域密切相关，包括互联网流量、无线网络流量、工业互联网接入流量、交通客流等。流量数据呈现一定的周期性与可预测性。为保障业务质量，提高用户感知，需要对流量进行预测，用于相关业务的日常维护和规划建设工作。
[0003]各网络系统涉及不同的网络节点，例如维护互联网的的端口和链路，或者用于交通站点的维护。流量分析及预测的准确性对这些节点的维护具有积极意义。
[0004]传统的流量分析及预测方法，对流量数据的时序性质关注度不足，对时间序列的特征项利用率较低，难以把握具有大幅度高频波动的数据，难以给出更能反映其固有变化趋势的预测。
[0005]因此，有必要研究一种针对时间序列特征的流量分析及预测方法。

技术实现思路

[0006]为了克服上述问题，本专利技术人进行了深入研究，设计出一种针对流量序列分析及预测的方法，收集历史流量数据；将历史流量数据中不同天的同一个时间点的流量构造成时间序列数据,以该时间序列为依据，通过神经网络对未来天中相同时间点的流量进行预测，根据预测的流量对设施进行增减或维护；所述神经网络具有输入变换层和输出逆变换层。
[0007]进一步地，所述输入变换层用于将输入神经网络的数据进行box
‑
cox变换，所述输出逆变换层用于将神经网络输出的数据进行box
‑
cox逆变换。
[0008]在本专利技术中，采用多个不同时间点的时间序列数据对神经网络进行训练。
[0009]优选地，所述输入变换层和输出逆变换层中设置有可学习参数。
[0010]优选地，所述输入变换层表示为其中，表示可学习参数,表示输入变换层的输入，表示输入变换层的输出；所述输出变换层表示为：
其中，表示可学习参数,表示输出逆变换层的输入，表示输出逆变换层的输出。
[0011]优选地，在所述神经网络中包含一个或多个堆结构，堆的输入为输入变换层的输出，堆的输出为输出逆变换层的输入，所述堆包含多个块，每个块能够对输入的数据进行前向预测输出和反向预测输出。
[0012]优选地，第一个块的输入为堆的输入数据，后续块的输入为上一个块的输入与输出的差值，所述输入与输出的差值是指输入与前向预测输出的差值。
[0013]优选地，所述块包含多个全连接层、两个线性映射层、一个前向预测层和一个反向预测层。
[0014]优选地，所述堆中包含3个块，其中，第一个块的反向预测层表示为：优选地，所述堆中包含3个块，其中，第一个块的反向预测层表示为：其中，表示反向预测序列的长度，表示拟合的次数，表示该层的输入数据；第一个块的前向预测层表示为：第一个块的前向预测层表示为：其中，表示前向预测序列的长度，表示拟合的次数，表示该层的输入数据；第二个块的反向预测层表示为：第二个块的反向预测层表示为：第二个块的反向预测层表示为：其中，表示反向预测序列的长度，表示该层的输入数据, ⌊
.
⌋
表示向下取整；第二个块的前向预测层表示为：第二个块的前向预测层表示为：第二个块的前向预测层表示为：其中，表示前向预测序列的长度，表示该层的输入数据, ⌊
.
⌋
表示向下取整；第三个块的反向预测层表示为：其中，表示该层的权重矩阵，表示该层的输入数据。
[0015]第三个块的前向预测层表示为：
其中，表示该层的权重矩阵，表示该层的输入数据。
[0016]本专利技术还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
[0017]本专利技术还提供了一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一项所述的方法。
[0018]本专利技术所具有的有益效果包括：（1）预测结果准确率高、稳定性好；（2）能够把握统一时间点在日间的变化趋势；（3）将数据变换的过程集成到神经网络当中，实现数据变换的动态调整，进一步增强神经网络的表达能力。
附图说明
[0019]图1示出根据本专利技术一种优选实施方式的针对流量序列分析及预测的方法中神经网络结构示意图。
具体实施方式
[0020]下面通过附图和实施例对本专利技术进一步详细说明。通过这些说明，本专利技术的特点和优点将变得更为清楚明确。
[0021]在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0022]根据本专利技术提供的一种针对流量序列分析及预测的方法，收集历史流量数据；将历史流量数据中不同天的同一个时间点的流量构造成时间序列数据,以该时间序列为依据，利用神经网络提供预测；根据预测的流量对设施进行增减或维护。
[0023]在本专利技术中，所述历史流量数据按照时间点进行收集，即不仅仅需要收集流量数据，还需要收集流量数据对应的时间点。
[0024]在本专利技术中， 对历史流量数据的收集方式不做特别限定，可以通过专用的设备进行，例如采用摄像头对道路进行拍摄后提取道路车流量数据。
[0025]进一步地，从历史流量数据中选择时间点相同的流量构造成时间序列数据，从而能够把握统一时间点在日间的变化趋势，进而获取更为准确的预测流量。
[0026]根据本专利技术，在获取预测流量后，根据预测流量对设施进行增减或维护，当预测流量高于设施最大能力时，增加设施或进行限流管控；当预测流量低于设施最大能力时，减少设施投入量或对部分设施进行维护。
[0027]根据本专利技术，所述同一个时间点为开始时间时刻、结束时间时刻相同的时间区间。
[0028]本专利技术中的神经网络，不同于传统的神经网络，具有输入变换层和输出逆变换层，所述输入变换层用于将输入神经网络的数据进行box
‑
cox变换，所述输出逆变换层用于将神经网络输出的数据进行box
‑
cox逆变换。
[0029]通过输入变换层和输出逆变换层，将输入神经网络的数据进行动态调整，从而增强神经网络对时间序列的把握程度，增强神经网络的表达能力。
[0030]进一步地，通过box
‑
cox变换和逆变换过程，还能够使输入神经网络的数据范围更加集中，降低流量数据数量级跨度较大对神经网络预测精准度的干扰。
[0031]所述box
‑
cox变换是Box和Cox在1964年提出的一种广义幂变换方法，可以表示为：其中，表示参数,表示待变换数据，表示待变换数据变换后对应的数据。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对流量序列分析及预测的方法，其特征在于，收集历史流量数据；将历史流量数据中不同天的同一个时间点的流量构造成时间序列数据,以该时间序列为依据，通过神经网络对未来天中相同时间点的流量进行预测；根据预测的流量对设施进行增减或维护；所述神经网络具有输入变换层和输出逆变换层；所述输入变换层用于将输入神经网络的数据进行box
‑
cox变换，所述输出逆变换层用于将神经网络输出的数据进行box
‑
cox逆变换。2.根据权利要求1所述的针对流量序列分析及预测的方法，其特征在于，采用多个不同时间点的时间序列数据对神经网络进行训练。3.根据权利要求1所述的针对流量序列分析及分析及预测的方法，其特征在于，所述输入变换层和输出逆变换层中设置有可学习参数。4.根据权利要求3所述的针对流量序列分析及预测的方法，其特征在于，所述输入变换层表示为其中，表示可学习参数,表示输入变换层的输入，表示输入变换层的输出；所述输出变换层表示为：其中，表示可学习参数,表示输出逆变换层的输入，表示输出逆变换层的输出。5.根据权利要求1所述的针对流量序列分析及预测的方法，其特征在于，在所述神经网络中包含一个或多个堆结构，堆的输入为输入变换层的输出，堆的输出为输出逆变换层的输入，所述堆包含多个块，每个块能够对输入的数据进行前向预测输出和反向预测输出。6.根据权利要求5所述的针对流量序列分析及预测的方法，其特征在于，第一个块的输入为堆的输入数据，后续块的输入为上一个块的输入与输出的差值，所述输入与输出的差值是指输入与前向预测输出的差值。7.根据权利要求5所述的针对流量序列分析及预测的...

【专利技术属性】
技术研发人员：王田，侯伯尧，吕金虎，杨予光，张宝昌，刘克新，刘阳，池程，
申请(专利权)人：中国信息通信研究院，
类型：发明
国别省市：