一种链路流量预测方法、系统、电子设备及介质技术方案

本发明专利技术涉及链路流量预测领域，尤其涉及一种链路流量预测方法、系统、电子设备及介质。一种链路流量预测方法，包括：获取新链路组的流量实时数据；将所述流量实时数据输入到流量预测模型中，得到下一时间段网络流量预测值；其中，所述流量预测模型基于模拟新链路的模拟历史数据训练得到。通过新链路的模拟历史数据训练得到的流量预测模型，在训练时大大降低对数据集大小的依赖，能够有效的解决新链路组新任务这样的冷启动问题，而且得到的流量预测模型更可控，且准确率大大提高。且准确率大大提高。且准确率大大提高。

【技术实现步骤摘要】
一种链路流量预测方法、系统、电子设备及介质


[0001]本专利技术涉及链路流量预测领域，尤其涉及一种链路流量预测方法、系统、电子设备及介质。

技术介绍

[0002]随着网络技术的蓬勃发展，用户对网络资源的需求日益增长，网络上承载周转的业务以及应用也与日俱增，尤其是在5G风口的现在，加强网络建设的管理、合理分配并高效利用资源对于各大运营商来说无疑是一大亟待解决的难题。考虑到网络建设需要大量的物资和时间准备，对于网络链路组流量的准确预测正是加强网络建设管理的一大要点。
[0003]而链路组的流量数据属于时空数据，是同时具有时间和空间维度的数据，具有多维、语义、时空动态关联的复杂性。鉴于目前时空数据收集机制仍然不算健全，数据收集、储存困难，数据量往往与现实客体存在时间挂钩，所以在新任务中，时空数据总是极其稀缺的。而历史数据稀缺对模型的影响是非常严重的，不仅增加了模型的训练难度，还会导致模型准确度下降。
[0004]目前的网络流量预测技术主要分为三种。第一种是直接将流量数据当作时间序列数据看待，忽略了流量数据的时空关联性，直接使用时间序列预测的方法来进行预测，结果必然不如使用时空预测；第二种方法虽然考虑了流量数据的时空特性，也使用了各种深度神经网络进行时空预测，但是对数据量的要求十分庞大，这对新链路组这样的冷启动问题来说是不现实的；第三种方法进一步考虑到了时空数据的稀缺性，使用了GAN模型进行了数据生成与预测。与其他生成式模型相比，GAN这种竞争的方式不再要求一个假设的数据分布，而是使用一种分布直接进行采样，从而真正达到理论上可以完全逼近真实数据，这也是GAN最大的优势。然而，对于时空数据这种复杂数据来说，基于简单GAN的这种不需要预先建模的方法就太过于自由不可控了，且模型训练不稳定容易失败。

技术实现思路

[0005]鉴于上述现有技术的不足之处，本专利技术的目的在于提供一种链路流量预测方法、系统、电子设备及介质，用于因新链路数据量过少，无法基于现有模型进行长跨度的预测，且生成的预测数据准确率低的问题。
[0006]为了达到上述目的，本专利技术采取了以下技术方案：一方面，本专利技术提供一种链路流量预测方法，包括：获取新链路组的流量实时数据；将所述流量实时数据输入到流量预测模型中，得到下一时间段网络流量预测值；其中，所述流量预测模型基于模拟新链路的模拟历史数据训练得到。
[0007]进一步的，所述流量预测模型的训练过程包括：获取每个链路组的时序数据和空间数据；其中，所述时序数据为链路组的流量数据，所述空间数据为链路组的外部数据；
使用模拟模型基于所述时序数据和所述空间数据生成模拟历史数据；所述预测模型基于生成对抗网络模型得到；将所述模拟历史数据作为新链路组的第一历史链路数据，结合其他链路的第二历史链路数据一起作为训练数据；使用所述训练数据对初始化的多重时序高阶算法
‑
DeepAR神经网络模型进行训练得到所述流量预测模型。
[0008]进一步的，所述模拟模型的获取过程包括：构建初始化的生成对抗网络模型；所述生成对抗网络模型包括生成网络和判别网络；将所述时序数据和所述空间数据输入到所述生成网络中生成模拟数据；将所述模拟数据和新链路的真实数据输入到判别网络中，确定所述模拟数据的真实性；基于所述模拟数据的真实性调整所述生成网络的网络参数，直到所述模拟数据与所述真实数据的分布相同，得到所述模拟模型。
[0009]进一步的，所述生成网络包括编码层和解码层；所述模拟数据生成过程包括：所述编码层对二维高斯分布数据进行采样得到噪声数据；基于门限循环网络和自注意力机制获取所述时序数据的时序特征；基于图卷积神经网络获取所述空间数据的空间特征；将所述时序特征和所述空间特征输入到三维CNN网络中获取时空共性特征；所述解码层将所述时序特征、所述空间特征以及所述时空共性特征使用双边门限机制得到特征融合数据；基于所述特征融合数据和所述噪声数据得到所述模拟数据。
[0010]进一步的，所述门限循环网络基于LSTM生成，包括更新门和重置门；所述更新门由LSTM中的遗忘门和输入门结合得到，用于决定更新当前的隐藏状态时使用历史信息和当前信息的第一数量；所述重置门用于决定保留历史信息的第二数量。
[0011]进一步的，所述外部数据包括链路的起点信息、终点信息以及走向信息；得到所有链路的外部数据后，还执行：获取空间数据中链路之间的空间拓扑关系，构建空间拓扑图；使用互相关系数对拓扑图中链路之间的拓扑关系进行量化，得到量化后的临时图。
[0012]另一方面，本专利技术提供一种链路流量预测系统，包括：获取模块，用于获取新链路组的流量实时数据；处理模块，用于将所述流量实时数据输入到流量预测模型中，得到下一时间段网络流量预测值；其中，所述流量预测模型基于模拟新链路的模拟历史数据训练得到。
[0013]进一步的，所述流量预测模型的训练过程包括：获取每个链路组的时序数据和空间数据；其中，所述时序数据为链路组的流量数据，所述空间数据为链路组的外部数据；使用模拟模型基于所述时序数据和所述空间数据生成模拟历史数据；所述预测模型基于生成对抗网络模型得到；将所述模拟历史数据作为新链路组的第一历史链路数据，结合其他链路的第二历史链路数据一起作为训练数据；使用所述训练数据对初始化的多重时序高阶算法
‑
DeepAR
神经网络模型进行训练得到所述流量预测模型。
[0014]另一方面，本专利技术提供一种电子设备，包括：存储器，存储有计算机程序；处理器，执行所述计算机程序时实现任一所述的链路流量预测方法。
[0015]另一方面，本专利技术提供一种计算机可读介质，存储有计算机程序，所述计算机程序被处理器执行时实现任一所述的链路流量预测方法。
[0016]相较于现有技术，本专利技术提供的一种链路流量预测方法、系统、电子设备及介质，具有以下有益效果：通过新链路的模拟历史数据训练得到的流量预测模型，在训练时大大降低对数据集大小的依赖，能够有效的解决新链路组新任务这样的冷启动问题，而且得到的流量预测模型更可控，且准确率大大提高。
附图说明
[0017]图1是本专利技术提供的链路流量预测方法的流程图。
[0018]图2是本专利技术提供的流量预测模型的生成步骤流程图。
[0019]图3是本专利技术提供的模拟模型的获取过程流程图。
[0020]图4是本专利技术提供的模拟模型的获取过程的一种实施方式流程图。
[0021]图5是本专利技术提供的模拟数据生成过程的流程图。
[0022]图6是本专利技术提供的链路流量预测方法一种实施方式的流程图。
[0023]图7是本专利技术提供的模拟模型的结构框图。
[0024]图8是本专利技术提供的链路流量预测系统的结构框图。
具体实施方式
[0025]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种链路流量预测方法，其特征在于，包括：获取新链路组的流量实时数据；将所述流量实时数据输入到流量预测模型中，得到下一时间段网络流量预测值；其中，所述流量预测模型基于模拟新链路的模拟历史数据训练得到；所述流量预测模型的训练过程包括：获取每个链路组的时序数据和空间数据；其中，所述时序数据为链路组的流量数据，所述空间数据为链路组的外部数据；使用模拟模型基于所述时序数据和所述空间数据生成模拟历史数据；所述预测模型基于生成对抗网络模型得到；将所述模拟历史数据作为新链路组的第一历史链路数据，结合其他链路的第二历史链路数据一起作为训练数据；使用所述训练数据对初始化的多重时序高阶算法
‑
DeepAR神经网络模型进行训练得到所述流量预测模型。2.根据权利要求1所述的链路流量预测方法，其特征在于，所述模拟模型的获取过程包括：构建初始化的生成对抗网络模型；所述生成对抗网络模型包括生成网络和判别网络；将所述时序数据和所述空间数据输入到所述生成网络中生成模拟数据；将所述模拟数据和新链路的真实数据输入到判别网络中，确定所述模拟数据的真实性；基于所述模拟数据的真实性调整所述生成网络的网络参数，直到所述模拟数据与所述真实数据的分布相同，得到所述模拟模型。3.根据权利要求2所述的链路流量预测方法，其特征在于，所述生成网络包括编码层和解码层；所述模拟数据生成过程包括：所述编码层对二维高斯分布数据进行采样得到噪声数据；基于门限循环网络和自注意力机制获取所述时序数据的时序特征；基于图卷积神经网络获取所述空间数据的空间特征；将所述时序特征和所述空间特征输入到三维CNN网络中获取时空共性特征；所述解码层将所述时序特征、所述空间特征以及所述时空共性特征使用双边门限机制得到特征融合数据；基于所述特征融合数据和所述噪声数据得到所述模拟数据。4.根据权...

【专利技术属性】
技术研发人员：陈曦，王鹏亮，钟国海，汤启礼，
申请(专利权)人：广州丰石科技有限公司，
类型：发明
国别省市：