流量预测模型的训练方法、预测方法、装置、设备及介质制造方法及图纸

本公开涉及一种流量预测模型的训练方法、流量预测方法、装置、电子设备及计算机可读介质，属于深度学习技术领域。该流量预测模型的训练方法包括：获取待预测链路的空间关联链路和流量曲线相关链路；将待预测链路、空间关联链路和流量曲线相关链路的历史流量数据进行拼接，得到待预测链路对应的多链路特征矩阵；根据流量变化周期长度和多链路特征矩阵，得到待预测链路对应的多链路多时间段特征矩阵；将每一个待预测链路对应的多链路多时间段特征矩阵作为一组训练数据对原始神经网络进行训练，根据训练结果得到流量预测模型。本公开通过构造多链路多时间段特征矩阵，可以增强训练数据的特征多样性和特征表达能力，提高流量预测的准确率。测的准确率。测的准确率。

【技术实现步骤摘要】
流量预测模型的训练方法、预测方法、装置、设备及介质


[0001]本公开涉及深度学习
，具体而言，涉及一种流量预测模型的训练方法、流量预测方法、流量预测模型的训练装置、流量预测装置、电子设备及计算机可读介质。

技术介绍

[0002]网络短期/长期流量预测对于工作人员开展突发流量处置，线路故障告警，网络拓扑优化等网络运营工作有着重要的支撑作用。流量预测问题的核心是为时序流量数据构造或训练符合其变化规律的模型。传统的回归和主成分分析等预测方案对于具有自相关性的流量数据预测问题有着良好的效果。
[0003]但由于现有IP(Internet Protocol，互联网协议)网络流量的突发性和波动性较强，流量采样值序列的变化幅度比较剧烈，且采样的随机性误差明显，流量变化趋势常呈现非线性规律，因而基于线性回归和自回归的研究思路在处理现有IP网络流量预测问题时表现不佳。
[0004]鉴于此，本领域亟需一种流量预测模型的训练方法以及流量预测方法，能够提高流量预测的准确率。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]本公开的目的在于提供一种流量预测模型的训练方法、流量预测方法、流量预测模型的训练装置、流量预测装置、电子设备及计算机可读介质，进而至少在一定程度上能够提高流量预测的准确率。
[0007]根据本公开的第一个方面，提供一种流量预测模型的训练方法，包括：
[0008]获取待预测链路的空间关联链路和流量曲线相关链路，其中，所述空间关联链路为起始节点或者目标节点与所述待预测链路相同的链路，所述流量曲线相关链路为流量曲线与所述待预测链路具有相关性的链路；
[0009]将所述待预测链路、所述空间关联链路和所述流量曲线相关链路的历史流量数据按照相同的时间维度进行拼接，得到所述待预测链路对应的多链路特征矩阵；
[0010]确定所述待预测链路的流量变化周期长度，并根据所述流量变化周期长度和所述多链路特征矩阵，得到所述待预测链路对应的多链路多时间段特征矩阵；
[0011]将每一个所述待预测链路对应的多链路多时间段特征矩阵作为一组训练数据对原始神经网络进行训练，根据所述原始神经网络的训练结果得到流量预测模型。
[0012]在本公开的一种示例性实施例中，获取所述待预测链路的空间关联链路，包括：
[0013]获取所述待预测链路对应的网络节点流量矩阵，根据所述网络节点流量矩阵确定包含所述待预测链路在内的各个链路的起始节点和目标节点；
[0014]若所述链路的起始节点与所述待预测链路的起始节点相同，或者所述链路的目标
节点与所述待预测链路的目标节点相同，则将所述链路确定为所述待预测链路的空间关联链路。
[0015]在本公开的一种示例性实施例中，获取所述待预测链路的流量曲线相关链路，包括：
[0016]获取所述待预测链路的流量变化曲线，以及所述网络节点流量矩阵中除所述待预测链路和所述空间关联链路以外的其他链路对应的流量变化曲线；
[0017]根据所述待预测链路的流量变化曲线以及所述其他链路的流量变化曲线，确定所述待预测链路与所述其他链路之间的曲线相关系数；
[0018]根据所述曲线相关系数从所述其他链路中确定出一个或多个链路作为所述待预测链路的流量曲线相关链路。
[0019]在本公开的一种示例性实施例中，所述确定所述待预测链路的流量变化周期长度，包括：
[0020]获取所述待预测链路的流量变化曲线，并根据所述流量变化曲线得到所述待预测链路的频谱特征曲线；
[0021]通过所述待预测链路的频谱特征曲线确定所述待预测链路的流量变化周期长度。
[0022]在本公开的一种示例性实施例中，所述根据所述流量变化周期长度和所述多链路特征矩阵，得到所述待预测链路对应的多链路多时间段特征矩阵，包括：
[0023]根据所述流量变化周期长度对所述多链路特征矩阵进行分段，得到各个流量变化周期对应的子特征矩阵；
[0024]将所述各个流量变化周期对应的子特征矩阵按照流量变化周期的先后顺序依次拼接至当前流量变化周期内，得到所述待预测链路对应的多链路多时间段特征矩阵。
[0025]在本公开的一种示例性实施例中，所述原始神经网络包括多级循环神经网络，所述将每一个所述待预测链路对应的多链路多时间段特征矩阵作为一组训练数据对原始神经网络进行训练，包括：
[0026]根据所述待预测链路对应的多链路多时间段特征矩阵，得到一个流量变化周期内的各个采样时刻对应的链路流量数据；
[0027]将所述各个采样时刻对应的链路流量数据作为第一级神经网络的输入数据，并依次根据上一级神经网络的输出数据得到下一级神经网络的输入数据；
[0028]将最后一级神经网络的输出数据输入全连接层中，根据所述全连接层的输出结果得到所述待预测链路的流量预测结果；
[0029]根据所述待预测链路的流量预测结果以及流量真实值之间的差值得到模型损失，并根据所述模型损失对所述原始神经网络进行迭代训练。
[0030]在本公开的一种示例性实施例中，所述方法还包括：
[0031]根据待测试链路对应的多链路多时间段特征矩阵得到测试数据，并将所述测试数据输入所述流量预测模型中，得到所述待测试链路的流量预测结果；
[0032]根据所述待测试链路的流量预测结果得到所述流量预测模型的预测准确率，并根据所述预测准确率对所述流量预测模型的模型参数进行调整。
[0033]根据本公开的第二个方面，提供一种流量预测方法，包括：
[0034]构造目标链路在目标时刻对应的多链路多时间段特征矩阵，并将所述多链路多时
间段特征矩阵中的数据输入流量预测模型中，其中，所述流量预测模型是通过如上所述的流量预测模型的训练方法得到的；
[0035]根据所述流量预测模型的输出结果得到所述目标链路在所述目标时刻对应的流量预测结果。
[0036]在本公开的一种示例性实施例中，所述构造目标链路在目标时刻对应的多链路多时间段特征矩阵，包括：
[0037]在所述目标链路的多链路多时间段特征矩阵中存在缺失数据时，根据所述目标链路的历史流量数据，以及所述目标链路的空间关联链路和流量曲线相关链路的历史流量数据，对所述多链路多时间段特征矩阵中的缺失数据进行填充，以得到完整的多链路多时间段特征矩阵。
[0038]根据本公开的第三方面，提供一种流量预测模型的训练装置，包括：
[0039]关联链路获取模块，用于获取待预测链路的空间关联链路和流量曲线相关链路，其中，所述空间关联链路为起始节点或者目标节点与所述待预测链路相同的链路，所述流量曲线相关链路为流量曲线与所述待预测链路具有相关性的链路；
[0040]历史数据拼接模块，用于将所述待预测链路、所述空间关联链路和所述流量曲线相关链路的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量预测模型的训练方法，其特征在于，包括：获取待预测链路的空间关联链路和流量曲线相关链路，其中，所述空间关联链路为起始节点或者目标节点与所述待预测链路相同的链路，所述流量曲线相关链路为流量曲线与所述待预测链路具有相关性的链路；将所述待预测链路、所述空间关联链路和所述流量曲线相关链路的历史流量数据按照相同的时间维度进行拼接，得到所述待预测链路对应的多链路特征矩阵；确定所述待预测链路的流量变化周期长度，并根据所述流量变化周期长度和所述多链路特征矩阵，得到所述待预测链路对应的多链路多时间段特征矩阵；将每一个所述待预测链路对应的多链路多时间段特征矩阵作为一组训练数据对原始神经网络进行训练，根据所述原始神经网络的训练结果得到流量预测模型。2.根据权利要求1所述的流量预测模型的训练方法，其特征在于，获取所述待预测链路的空间关联链路，包括：获取所述待预测链路对应的网络节点流量矩阵，根据所述网络节点流量矩阵确定包含所述待预测链路在内的各个链路的起始节点和目标节点；若所述链路的起始节点与所述待预测链路的起始节点相同，或者所述链路的目标节点与所述待预测链路的目标节点相同，则将所述链路确定为所述待预测链路的空间关联链路。3.根据权利要求2所述的流量预测模型的训练方法，其特征在于，获取所述待预测链路的流量曲线相关链路，包括：获取所述待预测链路的流量变化曲线，以及所述网络节点流量矩阵中除所述待预测链路和所述空间关联链路以外的其他链路对应的流量变化曲线；根据所述待预测链路的流量变化曲线以及所述其他链路的流量变化曲线，确定所述待预测链路与所述其他链路之间的曲线相关系数；根据所述曲线相关系数从所述其他链路中确定出一个或多个链路作为所述待预测链路的流量曲线相关链路。4.根据权利要求1所述的流量预测模型的训练方法，其特征在于，所述确定所述待预测链路的流量变化周期长度，包括：获取所述待预测链路的流量变化曲线，并根据所述流量变化曲线得到所述待预测链路的频谱特征曲线；通过所述待预测链路的频谱特征曲线确定所述待预测链路的流量变化周期长度。5.根据权利要求1所述的流量预测模型的训练方法，其特征在于，所述根据所述流量变化周期长度和所述多链路特征矩阵，得到所述待预测链路对应的多链路多时间段特征矩阵，包括：根据所述流量变化周期长度对所述多链路特征矩阵进行分段，得到各个流量变化周期对应的子特征矩阵；将所述各个流量变化周期对应的子特征矩阵按照流量变化周期的先后顺序依次拼接至当前流量变化周期内，得到所述待预测链路对应的多链路多时间段特征矩阵。6.根据权利要求1所述的流量预测模型的训练方法，其特征在于，所述原始神经网络包括多级循环神经网络，所述将每一个所述待预测链路对应的多链路多时间段特征矩阵作为
一组训练数据对原始神经网络进行训练，包括：根据所述待预测链路对应的多链路多时间段特征矩阵，得到一个流量变化周期内的各个采样时刻对应的链路流量数据；将所述各个采样时刻对应的链路流量数据作为第一级神经网络的输入数据，并依次根据上一级神经网络的输出数据得到下一级神经网络的输入数据；将最后一级神经网络的输出数据输入全连接层中，根据所述全连接层的输出结果得到所述待预测链路的流量预测结果；根据所述待预...

【专利技术属性】
技术研发人员：唐宏，钱刘熠辉，武娟，徐晓青，刘晓军，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：