网络流量预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种网络流量预测方法、装置、电子设备及存储介质，属于机器学习技术领域，所述方法包括：将时序网络流量数据输入至第一深度森林模型，得到第一深度森林模型输出的第一预测结果；将时序网络流量数据输入至时序预测模型的时序特征提取网络，得到时序特征提取网络输出的特征图；将特征图输入至第二深度森林模型，得到第二深度森林模型输出的第二预测结果；将特征图输入至时序预测模型的预测网络，得到预测网络输出的第三预测结果；将第一预测结果、第二预测结果和第三预测结果输入至加权平均模块，得到加权平均模块输出的网络流量预测结果。本发明专利技术能够从大量用户数据中提取有价值的特征，在多变的网络环境中精确预测通信流量。

【技术实现步骤摘要】

本专利技术涉及机器学习，尤其涉及一种网络流量预测方法、装置、电子设备及存储介质。

技术介绍

1、在数字化转型的背景下，通信运营商通过先进的技术手段积累了大量的用户数据。这些数据不仅反映了用户的通信行为，还包含了丰富的用户生活习惯和偏好信息。利用这些数据进行准确的流量预测，对于网络规划、资源分配和用户体验优化具有重要意义。

2、目前，通常使用如自回归移动平均模型等统计模型，或使用如支持向量机等机器学习模型进行建模拟合，利用建模得到的模型进行网络流量预测。但传统模型无论是统计模型还是机器学习模型，存在可能无法充分利用数据中的所有相关信息的问题，尤其是在面对网络流量预测这种高维数据场景时，无法有效地提取和选择有助于预测的特征，这限制了模型在处理复杂模式和隐藏关系时的性能。

技术实现思路

1、本专利技术提供一种网络流量预测方法、装置、电子设备及存储介质，用以解决现有技术中传统模型在面对网络流量预测这种高维数据场景时，无法有效地提取和选择有助于预测的特征的缺陷。

2、第一方面，本专利技术提供一种本文档来自技高网...

【技术保护点】

1.一种网络流量预测方法，其特征在于，包括：

2.根据权利要求1所述的网络流量预测方法，其特征在于，所述将所述时序网络流量数据输入至时序预测模型的时序特征提取网络，得到所述时序特征提取网络输出的特征图，包括：

3.根据权利要求2所述的网络流量预测方法，其特征在于，所述多个第一卷积网络中的各第一卷积网络分别包括依次连接的膨胀因果卷积层、权重归一化层、激活层和丢弃层。

4.根据权利要求2所述的网络流量预测方法，其特征在于，所述第二卷积网络包括一个1*1卷积层。

5.根据权利要求2-4中任一项所述的网络流量预测方法，其特征在于，所述将所述多个特征...

【技术特征摘要】

1.一种网络流量预测方法，其特征在于，包括：

2.根据权利要求1所述的网络流量预测方法，其特征在于，所述将所述时序网络流量数据输入至时序预测模型的时序特征提取网络，得到所述时序特征提取网络输出的特征图，包括：

3.根据权利要求2所述的网络流量预测方法，其特征在于，所述多个第一卷积网络中的各第一卷积网络分别包括依次连接的膨胀因果卷积层、权重归一化层、激活层和丢弃层。

4.根据权利要求2所述的网络流量预测方法，其特征在于，所述第二卷积网络包括一个1*1卷积层。

5.根据权利要求2-4中任一项所述的网络流量预测方法，其特征在于，所述将所述多个特征向量、所述第一特征向量和所述第二特征向量进行融合，得到特征图并输出，包括：

6.根据权利要求1所述...

【专利技术属性】
技术研发人员：郑才华，杨弋鋆，
申请(专利权)人：浪潮通信信息系统有限公司，
类型：发明
国别省市：