流量预测系统的更新方法及装置制造方法及图纸

本说明书实施例提供一种流量预测系统的更新方法及装置。其中流量预测系统包括图生成模块、时序网络和两个图神经网络，该方法包括：先基于图生成模块中用于表征N个对象节点的节点表征参数生成第一图结构数据，其指示挖掘出的节点间连接关系；再利用第一图神经网络处理第一图结构数据和节点流量数据，得到N个第一节点嵌入表征，并利用第二图神经网络处理预先构建的第二图结构数据和所述节点流量数据，得到N个第二节点嵌入表征；之后，利用时序网络处理所述节点流量数据，以及对上述两部分节点嵌入表征进行融合处理而得到的融合表征矩阵，得到各个对象节点在节点流量数据之后时刻下的预测流量值，用于结合真实流量值更新流量预测系统中的参数。系统中的参数。系统中的参数。

【技术实现步骤摘要】
流量预测系统的更新方法及装置


[0001]本说明书一个或多个实施例涉及机器学习
，尤其涉及一种流量预测系统的更新方法及装置，以及一种指标预测系统的更新方法及装置。

技术介绍

[0002]构建机器学习模型进行多变量时序预测，已成为当下的一大研究热点，其中涉及的多个变量通常为某个业务场景下具有一些关联关系的变量，时序预测涉及利用该多个变量中各个变量的历史序列数据预测未来时刻下的数据。比如说，在云服务场景中，多个业务变量为不同应用(Applications)中多个页面对应的多个流量变量，此时，可以认为对应相同应用的页面之间具有关联关系，从而基于此关联关系以及针对各个页面采集的历史流量序列，预测各个页面在未来某个时刻的数据流量，进而使得云服务平台能够根据预测结果提前对相关服务资源的调度进行决策，以更好地服务用户。
[0003]然而，目前进行多变量时序预测的方式难以满足日益提升的实际应用需求。因此，需要一种方案，可以有效提高多变量时序预测结果的准确度，从而实现用户体验的提升。

技术实现思路

[0004]本说明书实施例描述了一种流量预测系统的更新方法及装置，以及一种指标预测系统的更新方法及装置。通过对基于先验知识确定出的显式的图结构数据，以及挖掘出的图结构数据进行融合，从而将融合结果用于流量等指标的预测，进而有效提高对流量等指标的预测准确度。
[0005]根据第一方面，提供一种流量预测系统的更新方法，所述流量预测系统包括图生成模块、时序网络和两个图神经网络；所述方法包括：基于所述图生成模块中用于表征N个对象节点的节点表征参数，生成第一图结构数据，其指示针对所述N个对象节点挖掘出的连接关系；利用第一图神经网络处理第一图结构数据和节点流量数据，得到所述N个对象节点的N个第一嵌入表征；所述节点流量数据包括各个对象节点在T个时刻下的T个流量值；利用第二图神经网络处理第二图结构数据和所述节点流量数据，得到所述N个对象节点的N个第二嵌入表征；所述第二图结构数据指示针对所述N个对象节点预先构建的原始连接关系；基于所述N个第一嵌入表征和N个第二嵌入表征进行融合处理，得到融合表征矩阵；利用所述时序网络处理所述融合表征矩阵和所述T个流量值，确定所述各个对象节点在所述T个时刻之后时刻下的预测流量值；根据所述预测流量值和对应的真实流量值，更新所述流量预测系统中的参数。
[0006]在一个实施例中，所述N个对象节点对应的业务对象为应用软件，流量为数据流量；或者，所述业务对象为兴趣点POI，流量为交通流量。
[0007]在一个实施例中，基于所述图生成模块中用于表征N个对象节点的节点表征参数，生成第一图结构数据，包括：基于所述节点表征参数，确定相似度矩阵，其中第i行第j列的矩阵元素表示第i个对象节点和第j个对象节点之间的相似度；基于所述相似度矩阵，确定
所述第一图结构数据。
[0008]在一个实施例中，基于所述相似度矩阵，确定所述第一图结构数据，包括：对所述相似度矩阵进行稀疏化处理，得到所述第一图结构数据。
[0009]在一个具体的实施例中，所述稀疏化处理包括：利用Gumbel
‑
softmax函数处理所述相似度矩阵。
[0010]在一个实施例中，所述流量预测系统还包括第一自注意力网络和第二自注意力网络；其中，基于所述N个第一嵌入表征和N个第二嵌入表征进行融合处理，得到融合表征矩阵，包括：将所述N个第一嵌入表征共同输入所述第一自注意力网络，得到N个第一编码向量；将所述N个第二嵌入表征共同输入所述第二自注意力网络，得到N个第二编码向量；对与同一对象节点对应的第一编码向量和第二编码向量进行融合处理，得到融合向量，用以形成所述融合表征矩阵。
[0011]在一个实施例中，利用所述时序网络处理所述融合表征矩阵和所述T个流量值，确定所述各个对象节点在所述T个时刻之后时刻下的预测流量值，包括：将基于所述T个流量值确定出的T个流量数据依次输入所述时序网络，并在所述时序网络中利用所述融合表征矩阵处理所述输入，从而得到所述预测流量值。
[0012]在一个具体的实施例中，所述T个流量数据中的第t个流量数据包括，所述T个流量值中第1个流量值至第t个流量值按时序形成的序列。
[0013]在一个具体的实施例中，在所述时序网络中利用所述融合表征矩阵处理所述输入，包括：在所述时序网络的隐层中，利用所述融合表征矩阵对当前时刻输入的流量数据和上一时刻的隐层状态进行线性变换处理，并基于所述线性变换处理的结果和所述上一时刻的隐层状态，确定当前隐层状态。
[0014]进一步，在一个更具体的实施例中，确定当前隐层状态，包括：对所述线性变换处理的结果进行非线性激活处理，基于激活处理结果和所述上一时刻的隐层状态，确定所述当前隐层状态。
[0015]根据第二方面，提供一种指标预测系统的更新方法，所述指标预测系统包括图生成模块、时序网络和两个图神经网络；所述方法包括：基于所述图生成模块中用于表征N个对象节点的节点表征参数，生成第一图结构数据，其指示针对所述N个对象节点挖掘出的连接关系；利用第一图神经网络处理第一图结构数据和节点指标数据，得到所述N个对象节点的N个第一嵌入表征；所述节点指标数据包括各个对象节点在T个时刻下的T个指标值；利用第二图神经网络处理第二图结构数据和所述节点指标数据，得到所述N个对象节点的N个第二嵌入表征；所述第二图结构数据指示针对所述N个对象节点预先构建的原始连接关系；基于所述N个第一嵌入表征和N个第二嵌入表征进行融合处理，得到融合表征矩阵；利用所述时序网络处理所述融合表征矩阵和所述T个指标值，确定所述各个对象节点在所述T个时刻之后时刻下的预测指标值；根据所述预测指标值和对应的真实指标值，更新所述指标预测系统中的参数。
[0016]在一个实施例中，所述N个对象节点对应的业务对象为用户或商品，指标为交易额或交易笔数。
[0017]根据第三方面，提供一种流量预测系统的更新装置，所述流量预测系统包括图生成模块、时序网络和两个图神经网络；所述装置包括：图数据生成单元，配置为基于所述图
生成模块中用于表征N个对象节点的节点表征参数，生成第一图结构数据，其指示针对所述N个对象节点挖掘出的连接关系；第一图嵌入单元，配置为利用第一图神经网络处理第一图结构数据和节点流量数据，得到所述N个对象节点的N个第一嵌入表征；所述节点流量数据包括各个对象节点在T个时刻下的T个流量值；第二图嵌入单元，配置为利用第二图神经网络处理第二图结构数据和所述节点流量数据，得到所述N个对象节点的N个第二嵌入表征；所述第二图结构数据指示针对所述N个对象节点预先构建的原始连接关系；表征融合单元，配置为基于所述N个第一嵌入表征和N个第二嵌入表征进行融合处理，得到融合表征矩阵；流量预测单元，配置为利用所述时序网络处理所述融合表征矩阵和所述T个流量值，确定所述各个对象节点在所述T个时刻之后时刻下的预测流量值；参数更新单元，配置为根据所述预测流量值和对应的真实流量值，更新所述流量预测系统中的参数。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量预测系统的更新方法，所述流量预测系统包括图生成模块、时序网络和两个图神经网络；所述方法包括：基于所述图生成模块中用于表征N个对象节点的节点表征参数，生成第一图结构数据，其指示针对所述N个对象节点挖掘出的连接关系；利用第一图神经网络处理第一图结构数据和节点流量数据，得到所述N个对象节点的N个第一嵌入表征；所述节点流量数据包括各个对象节点在T个时刻下的T个流量值；利用第二图神经网络处理第二图结构数据和所述节点流量数据，得到所述N个对象节点的N个第二嵌入表征；所述第二图结构数据指示针对所述N个对象节点预先构建的原始连接关系；基于所述N个第一嵌入表征和N个第二嵌入表征进行融合处理，得到融合表征矩阵；利用所述时序网络处理所述融合表征矩阵和所述T个流量值，确定所述各个对象节点在所述T个时刻之后时刻下的预测流量值；根据所述预测流量值和对应的真实流量值，更新所述流量预测系统中的参数。2.根据权利要求1所述的方法，其中，所述N个对象节点对应的业务对象为应用软件，流量为数据流量；或者，所述业务对象为兴趣点POI，流量为交通流量。3.根据权利要求1所述的方法，其中，基于所述图生成模块中用于表征N个对象节点的节点表征参数，生成第一图结构数据，包括：基于所述节点表征参数，确定相似度矩阵，其中第i行第j列的矩阵元素表示第i个对象节点和第j个对象节点之间的相似度；基于所述相似度矩阵，确定所述第一图结构数据。4.根据权利要求3所述的方法，其中，基于所述相似度矩阵，确定所述第一图结构数据，包括：对所述相似度矩阵进行稀疏化处理，得到所述第一图结构数据。5.根据权利要求4所述的方法，其中，所述稀疏化处理包括：利用Gumbel
‑
softmax函数处理所述相似度矩阵。6.根据权利要求1所述的方法，其中，所述流量预测系统还包括第一自注意力网络和第二自注意力网络；其中，基于所述N个第一嵌入表征和N个第二嵌入表征进行融合处理，得到融合表征矩阵，包括：将所述N个第一嵌入表征共同输入所述第一自注意力网络，得到N个第一编码向量；将所述N个第二嵌入表征共同输入所述第二自注意力网络，得到N个第二编码向量；对与同一对象节点对应的第一编码向量和第二编码向量进行融合处理，得到融合向量，用以形成所述融合表征矩阵。7.根据权利要求1所述的方法，其中，利用所述时序网络处理所述融合表征矩阵和所述T个流量值，确定所述各个对象节点在所述T个时刻之后时刻下的预测流量值，包括：将基于所述T个流量值确定出的T个流量数据依次输入所述时序网络，并在所述时序网络中利用所述融合表征矩阵处理所述输入，从而得到所述预测流量值。8.根据权利要求7所述的方法，其中，所述T个流量数据中的第t个流量数据包括，所述T个流量值中第1个流量值至第t个流量值按时序形成的序列。9.根据权利要求7所述的方法，其中，在所述时序网络中利用所述融合表征矩阵处理所
述输入，包括：在所述时序网络的隐层中，利用所述融合表征矩阵对当前时刻输入的流量数据和上一时刻的隐层状态进行线性变换处理，并基于所述线性变换处理的结果和所述上一时刻的隐层状态，确定当前隐层状态。10.根据权利要求9所述的方法，其中，确定当前隐层状态，包括：对所述线性变换处理的结果进行非线性激活处理，基于激活处理结果和所述上一时刻的隐层状态，确定所述当前隐层状态。11.一种指标预测系统的更新方法，所述指标预测系统包括图生成模块、时序网络和两个图神经网络；所述方法包括：基于所述图生成模块中用于表征N个对象节点的节点...

【专利技术属性】
技术研发人员：李婷，刘向阳，李建国，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：