一种基于深度学习的系统访问量预测方法、介质和设备技术方案

本发明专利技术涉及一种基于深度学习的系统访问量预测方法、介质和设备，加载历史数据并处理后，设置遗传算法的关联参数，采用遗传算法对变分模态分解算法进行优化，以优化后的变分模态分解算法将处理后的历史数据模态分解，得到当前历史数据的最优分解结果，将变分模态分解算法分解得到的多个本征模态分量进行归一化，将处理后的每个函数输入多尺度CNN神经网络，提取特征后，将特征作为参数输入到GRU网络中，训练模型直至稳定；采用优化后的变分模态分解算法将要预测的时间前的历史数据进行变分模态分解，将分解的结果输入训练好的模型，以模型输出的结果作为系统访问量预测值。本发明专利技术能准确、快速通过目前时刻的访问量预测出下一时刻的访问量。刻的访问量。刻的访问量。

【技术实现步骤摘要】
一种基于深度学习的系统访问量预测方法、介质和设备


[0001]本专利技术涉及电数字数据处理的
，特别涉及一种基于遗传算法优化变分模态分解参数、多尺度卷积神经网络(CNN)和门循环单元(GRU)的基于深度学习的系统访问量预测方法、介质和设备。

技术介绍

[0002]随着互联网的飞速发展和人民经济水平的提高，互联网服务由于其具有实时、交互、便捷等特点深受人们的欢迎，如今互联网服务已经成为人们日常生活当中不可缺少的部分，相应地，互联网的广泛使用也促进了互联网技术的快速发展。
[0003]由于互联网设备的普及，用户无时无刻不在对服务提供方进行访问、获取需要的信息，并且用户的访问并不是一直稳定不变，而是随着时间变化不断波动，具有一定的规律性，因此，确保用户的访问请求在访问高峰期和访问低谷期都能够快速高效获得返回信息是至关重要的，所以必须要确保服务提供方的系统在任何时候都能够快速高效处理并返回用户的请求。
[0004]系统快速高效处理并返回用户请求的能力和系统的资源存在直接的关系，而系统的访问量和系统可用资源也有直接的关系；用户的请求量增大会使系统消耗的资源增加、可用资源减少，如果可用资源不足则会导致系统处理请求的能力下降，用户就不能够立即得到请求的响应，所以要保证系统的可用资源一直充足；但如果系统在访问高峰期和访问低谷期资源不变，则会导致资源浪费或者系统负载过高、资源不足，进而请求不能被正常处理。
[0005]为了保证系统运行正常和系统资源的充分合理的利用，通过预测下一阶段系统访问量的变化以做出相应的调整是一种较好的方式，所以，对系统的访问量预测是具有重要价值的，若无法正确、快速的统计历史访问量及进行访问量预测，对于系统资源的充分、合理的利用是不利的。

技术实现思路

[0006]本专利技术解决了现有技术中存在的问题，提供了一种优化的基于深度学习的系统访问量预测方法、介质和设备。
[0007]本专利技术所采用的技术方案是，一种基于深度学习的系统访问量预测方法，所述方法包括以下步骤：
[0008]步骤1：加载历史数据并进行处理；
[0009]步骤2：基于历史数据，设置遗传算法的关联参数；
[0010]步骤3：采用遗传算法对变分模态分解算法进行优化，以优化后的变分模态分解算法将处理后的历史数据进行模态分解，得到当前历史数据的最优分解结果；
[0011]步骤4：将变分模态分解算法分解得到的多个本征模态分量进行归一化处理；
[0012]步骤5：将处理后的每个函数分别输入多尺度CNN神经网络，提取特征后，将特征作
为参数分别输入到GRU网络中，训练模型直至稳定；
[0013]步骤6：采用所述优化后的变分模态分解算法，将要预测的时间前的历史数据进行变分模态分解后，将分解的结果输入步骤5中训练好的模型，将模型输出的结果相加的结果作为系统访问量预测值。
[0014]优选地，所述步骤1中，记录受监控API每日被调用的次数，API每被调用一次，则访问量加一，按日存储每日的访问量，作为历史数据；读取访问量的历史数据作为训练模型的数据集，若任一天或多天存在缺失的数据，则以预设规则取关联日期的历史数据对缺失数据进行补全。
[0015]优选地，所述步骤2中，遗传算法的关联参数包括遗传算法的迭代次数、种群的规模、种群中的交叉概率、变异概率、变分模态算法的参数α的变化范围和K的变化范围。
[0016]优选地，所述步骤3包括以下步骤：
[0017]步骤3.1：初始化种群；
[0018]步骤3.2：对种群进行选择操作；
[0019]步骤3.3：对种群进行交叉操作；
[0020]步骤3.4：对种群进行变异操作；
[0021]步骤3.5：更新个体的适应度，选出迭代过程中适应度最好的个体，以此个体的参数作为变分模态分解算法中的参数α和K，对历史数据进行分解，得到K个本征模态函数。
[0022]优选地，所述步骤3.1和步骤3.2中，初始化种群时，随机生成染色体，任一染色体表示种群中的个体，所有随机生成的染色体对应整个种群；
[0023]每个染色体由个体适应度和变分模态分解算法的二次惩罚因子α、本征模态函数个数K值组成；重复生成个体并计算每个个体的适应度，直到个体数量满足种群的设定规模，其中个体的适应度函数为个体的样本熵；
[0024]对种群进行选择操作，采用轮盘赌法从种群中选择个体进入下一代，对每个个体的适应度值求倒数，每个个体进入下一代的概率为个体的适应度和整个种群适应度总和的比值；重复直至选出的个体数量和设置的种群规模相等。
[0025]优选地，所述步骤3.3和步骤3.4中，
[0026]随机选择两个个体进行交叉操作，是否进行交叉由交叉概率决定；确定需要进行交叉的两个个体后，随机选择个体的对应位置变量进行交叉操作，即将两个个体中相同位置的参数使用算术交叉法交叉，算术交叉将两个个体相同位置的参数进行线性组合产生新的个体；
[0027]对种群进行变异操作，个体是否变异由变异概率决定，随机对某个个体中的参数变异，变异时将该位置上的参数重新赋值一个在参数变化范围中的值。
[0028]优选地，所述步骤4中，归一化完成后，将每个函数划分为两部分，一部分为模型的输入，另一部分为模型的输出。
[0029]优选地，所述步骤5中，以若干不同尺寸的一维卷积核对输入数据进行若干尺度的卷积，尺寸不同的卷积核提取出不同的特征值，采用等宽卷积的方式，对特征进行两端补零，使得提取的特征维度相同；所述GRU网络由两层GRU单元、两层DroupOut层和一层全连接层组成。
[0030]一种计算机可读存储介质，其上存储有基于深度学习的系统访问量预测程序，该
程序被处理器执行时实现所述的基于深度学习的系统访问量预测方法。
[0031]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，基于所述的基于深度学习的系统访问量预测方法。
[0032]本专利技术提供了一种优化的基于深度学习的系统访问量预测方法、介质和设备，加载历史数据并进行处理后，设置遗传算法的关联参数，采用遗传算法对变分模态分解算法进行优化，以优化后的变分模态分解算法将处理后的历史数据进行模态分解，得到当前历史数据的最优分解结果，将变分模态分解算法分解得到的多个本征模态分量进行归一化处理，将处理后的每个函数输入多尺度CNN神经网络，提取特征后，将特征作为参数输入到GRU网络中，训练模型直至稳定；采用优化后的变分模态分解算法将要预测的时间前的历史数据进行变分模态分解，将分解的结果输入训练好的模型，以模型输出的结果作为系统访问量预测值。
[0033]本专利技术考虑到系统的访问量在一个时间段内具有规律性，故将系统以往访问量的数据记录并处理，以优化的变分模态分解算法找出历史数据之间的规律，按照规律构建出模型并对将来的时刻进行预测，能够准确、快速的通过目前时刻的访问量预测出下一时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的系统访问量预测方法，其特征在于：所述方法包括以下步骤：步骤1：加载历史数据并进行处理；步骤2：基于历史数据，设置遗传算法的关联参数；步骤3：采用遗传算法对变分模态分解算法进行优化，以优化后的变分模态分解算法将处理后的历史数据进行模态分解，得到当前历史数据的最优分解结果；步骤4：将变分模态分解算法分解得到的多个本征模态分量进行归一化处理；步骤5：将处理后的每个函数分别输入多尺度CNN神经网络，提取特征后，将特征作为参数分别输入到GRU网络中，训练模型直至稳定；步骤6：采用所述优化后的变分模态分解算法，将要预测的时间前的历史数据进行变分模态分解后，将分解的结果输入步骤5中训练好的模型，将模型输出的结果相加的结果作为系统访问量预测值。2.根据权利要求1所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤1中，记录受监控API每日被调用的次数，API每被调用一次，则访问量加一，按日存储每日的访问量，作为历史数据；读取访问量的历史数据作为训练模型的数据集，若任一天或多天存在缺失的数据，则以预设规则取关联日期的历史数据对缺失数据进行补全。3.根据权利要求1所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤2中，遗传算法的关联参数包括遗传算法的迭代次数、种群的规模、种群中的交叉概率、变异概率、变分模态算法的参数α的变化范围和K的变化范围。4.根据权利要求3所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤3包括以下步骤：步骤3.1：初始化种群；步骤3.2：对种群进行选择操作；步骤3.3：对种群进行交叉操作；步骤3.4：对种群进行变异操作；步骤3.5：更新个体的适应度，选出迭代过程中适应度最好的个体，以此个体的参数作为变分模态分解算法中的参数α和K，对历史数据进行分解，得到K个本征模态函数。5.根据权利要求4所述的一种基于深度学习的系统访问量预测方法，其特征在于：所述步骤3.1和步骤3.2中，初始化种群时，随机生成染色体，任一染色体表示种群中的个体，所有随机生成的染色...

【专利技术属性】
技术研发人员：叶蕾，陈康东，解子阳，王垒，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：