一种网络流量预测模型的构建方法、预测方法及装置制造方法及图纸

本发明专利技术涉及数据处理技术领域，尤其涉及一种网络流量预测模型的构建方法、预测方法及装置。包括，获取按时间顺序排列的历史网络流量数据；对历史网络流量数据进行小波分解，得到历史网络流量数据的多尺度分量；对分解的多尺度分量进行相空间重构，得到非线性网络流量子序列；根据非线性网络流量子序列对历史网络流量数据进行特征提取，将提取到的多个网络流量数据作为多个特征；将多个特征作为训练样本，输入到极限学习模型中进行训练，得到网络流量预测模型。通过本发明专利技术实施例，提高了网络流量的预测的准确性，解决了现有技术中网络流量的预测的准确性低的问题，为网络服务质量保障等提供数据支撑。提供数据支撑。提供数据支撑。

【技术实现步骤摘要】
一种网络流量预测模型的构建方法、预测方法及装置


[0001]本专利技术涉及数据处理
，尤其涉及一种网络流量预测模型的构建方法、预测方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]目前对于网络流量的预测使用的这些方法具备一定的网络流量的预测能力。虽然具有自身的一些特点及优势,但也有一些缺陷与不足,如线性回归模型无法准确描述网络流量变化特性,应用范围有限,在大规模数据集的情况下难以达到最优的网络流量的预测效果；支持向量机参数对学习和泛化能力的大小有很大的影响；极限学习机存在的训练时间较长的缺陷；聚类模型主要面向网络流量数据在时间分布差异较大的情况下，如局部高峰交易场景下的流量较为拥挤，其他时间段部分较为空闲的场景。
[0004]现在亟需一种网络流量预测模型的构建方法及预测方法，从而解决现有技术中网络流量的预测的准确性低的问题。

技术实现思路

[0005]为解决现有技术中存在的问题，本专利技术实施例提供了一种网络流量预测模型的构建方法、预测方法及装置，可以应用于目前迅速发展的、高要求的网络流量的预测场景中，提高了网络流量的预测的准确性，解决了现有技术中网络流量的预测的准确性低的问题，为网络服务质量保障等提供数据支撑。
[0006]为了解决上述技术问题，本专利技术的具体技术方案如下：
[0007]一方面，本专利技术实施例提供一种网络流量模型的构建方法，该方法包括：
[0008]获取按时间顺序排列的历史网络流量数据；
[0009]对所述历史网络流量数据进行小波分解，得到所述历史网络流量数据的多尺度分量；
[0010]对分解的所述多尺度分量进行相空间重构，得到非线性网络流量子序列；
[0011]根据所述非线性网络流量子序列对所述历史网络流量数据进行特征提取，将提取到的多个网络流量数据作为多个特征；
[0012]将所述多个特征作为训练样本，输入到极限学习模型中进行训练，得到网络流量预测模型。
[0013]进一步地，根据所述非线性网络流量子序列对所述历史网络流量数据进行特征提取，得到多个特征进一步包括，
[0014]按照所述历史网络流量数据的时间序列，从后往前取所述历史网络流量数据中所述非线性网络流量子序列对应的数据，得到所述多个特征。
[0015]进一步地，将所述特征作为训练样本进一步包括，
[0016]对所述多个特征进行聚类分析，将聚类分析的结果作为所述训练样本。
[0017]进一步地，得到网络流量预测模型之后，所述方法还包括，
[0018]将包括预定特征的流量数据作为模型验证样本，对所述网络流量预测模型进行优化。
[0019]进一步地，将包括预定特征的流量数据作为模型验证样本，对所述网络流量预测模型进行优化进一步包括，
[0020]利用所述网络流量预测模型对所述模型验证样本进行计算，得到所述模型验证样本对应的预测结果；
[0021]计算所述预测结果与所述模型验证样本的实际值的差值以及方差；
[0022]将所述差值以及方差作为预测误差评估指标，以预测误差最小为决策条件对所述网络流量预测模型进行优化。
[0023]另一方面，本专利技术实施例还提供了一种网络流量预测模型的构建装置，包括：
[0024]历史网络流量数据获取单元，用于获取按时间顺序排列的历史网络流量数据；
[0025]小波分解单元，用于对所述历史网络流量数据进行小波分解，得到所述历史网络流量数据的多尺度分量；
[0026]相空间重构单元，用于对分解的所述多尺度分量进行相空间重构，得到非线性网络流量子序列；
[0027]特征提取单元，用于根据所述非线性网络流量子序列对所述历史网络流量数据进行特征提取，将提取到的多个网络流量数据作为多个特征；
[0028]模型训练单元，用于将所述多个特征作为训练样本，输入到极限学习模型中进行训练，得到网络流量预测模型。
[0029]基于同一专利技术构思，本专利技术实施例还提供了一种网络流量的预测方法，包括，获取当前网络流量数据；
[0030]根据上述所述的网络流量预测模型的构建方法构建的网络流量预测模型对所述当前网络流量数据进行计算，得到当前网络流量数据之后的网络流量数据，以便于根据计算的所述网络流量数据评价未来的网络服务质量。
[0031]另一方面，本专利技术实施例还提供了一种网络流量的预测装置，包括：
[0032]当前网络流量数据获取单元，用于获取当前网络流量数据；
[0033]未来网络流量数据计算单元，用于根据上述所述的网络流量预测模型的构建方法构建的网络流量预测模型对所述当前网络流量数据进行计算，得到当前网络流量数据之后的网络流量数据，以便于根据计算的所述网络流量数据评价未来的网络服务质量。
[0034]另一方面，本专利技术实施例还提供一种计算机设备，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计算机程序时实现上述方法。
[0035]另一方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0036]最后，本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0037]本专利技术实施例中，首先获取按照时间顺序排序的历史网络流量数据，然后对历史
网络流量数据进行小波分解，得到历史网络流量数据的多尺度分量，实现了将历史网络流量数据按照多尺度频率进行分解，分解后的网络流量分量将不再具有多尺度频率，进行流量预测的复杂度也大为降低，有效地减少多尺度频率对于预测结果的准确性的影响。然后对分解后得到的所述多尺度分量进行相空间重构，得到非线性网络流量子序列，然后根据所述非线性网络流量子序列对所述历史网络流量数据进行特征提取，将提取到的多个网络流量数据作为多个特征，实现了从较长的时间序列中提取出可以反映系统规律的较短的时间序列，非线性网络流量子序列可以反映网络系统规律的较短的时间序列，从而减小计算量。最后将所述多个特征作为训练样本，输入到极限学习模型中进行训练，得到网络流量预测模型，极限学习模型与传统的神经网络学习算法相比，只需要设置合适的隐层节点数，随机生成隐层所需的所有参数，利用最小二乘法先确定输出层权值，整个学习过程只需一步而无需多次更新隐层参数，具有较强的快速学习能力以及较强的非线性逼近能力。通过本专利技术实施例的方法，提高了网络流量的预测的准确性，解决了现有技术中网络流量的预测的准确性低的问题。本专利技术实施例所述的方法可以适用于目前迅速发展的、高要求的网络流量预测场景中，为网络服务质量保障等提供数据支撑。网络流量预测还可以提前识别可能出现的流量异常情形，根据流量预测模型进行事前评估，提前识别风险，避免出现网络服务质量下降或网络不可用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络流量预测模型的构建方法，其特征在于，所述方法包括，获取按时间顺序排列的历史网络流量数据；对所述历史网络流量数据进行小波分解，得到所述历史网络流量数据的多尺度分量；对分解的所述多尺度分量进行相空间重构，得到非线性网络流量子序列；根据所述非线性网络流量子序列对所述历史网络流量数据进行特征提取，将提取到的多个网络流量数据作为多个特征；将所述多个特征作为训练样本，输入到极限学习模型中进行训练，得到网络流量预测模型。2.根据权利要求1所述的方法，其特征在于，根据所述非线性网络流量子序列对所述历史网络流量数据进行特征提取，得到多个特征进一步包括，按照所述历史网络流量数据的时间序列，从后往前取所述历史网络流量数据中所述非线性网络流量子序列对应的数据，得到所述多个特征。3.根据权利要求1所述的方法，其特征在于，将所述特征作为训练样本进一步包括，对所述多个特征进行聚类分析，将聚类分析的结果作为所述训练样本。4.根据权利要求1所述的方法，其特征在于，得到网络流量预测模型之后，所述方法还包括，将包括预定特征的流量数据作为模型验证样本，对所述网络流量预测模型进行优化。5.根据权利要求4所述的方法，其特征在于，将包括预定特征的流量数据作为模型验证样本，对所述网络流量预测模型进行优化进一步包括，利用所述网络流量预测模型对所述模型验证样本进行计算，得到所述模型验证样本对应的预测结果；计算所述预测结果与所述模型验证样本的实际值的差值以及方差；将所述差值以及方差作为预测误差评估指标，以预测误差最小为决策条件对所述网络流量预测模型进行优化。6.一种网络流量预测模型的构建装置，其特征在于，包括，历史网络流量数据获取单元，用于获取按时间顺序排列的历史网络流量数据；小波分解单元，用于对...

【专利技术属性】
技术研发人员：夏梦，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：