CN109379240A - 车联网流量预测模型构建方法、装置和电子设备 - Google Patents
车联网流量预测模型构建方法、装置和电子设备 Download PDFInfo
- Publication number
- CN109379240A CN109379240A CN201811598746.1A CN201811598746A CN109379240A CN 109379240 A CN109379240 A CN 109379240A CN 201811598746 A CN201811598746 A CN 201811598746A CN 109379240 A CN109379240 A CN 109379240A
- Authority
- CN
- China
- Prior art keywords
- car networking
- flows
- data
- time series
- auto
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006855 networking Effects 0.000 title claims abstract description 151
- 230000004907 flux Effects 0.000 title claims abstract description 29
- 238000010276 construction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 29
- 238000013461 design Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0894—Packet rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车联网流量预测模型构建方法、装置和电子设备；其中，该车联网流量预测模型构建方法中，首先获取用户的车联网流量数据，并对该车联网流量数据进行预处理；然后将预处理的车联网流量数据输入至自回归时间序列模型中，得到流量预测值；通过流量预测值和流量预测值对应的流量实际值训练该自回归时间序列模型，直至模型的损失值满足预设的损失值阈值，得到目标模型。本发明通过目标模型预测车联网流量数据，可针对不同用户进行定制化流量服务，有效地控制了流量成本。
Description
技术领域
本发明涉及流量预测技术领域，尤其是涉及一种车联网流量预测模型构建方法、装置和电子设备。
背景技术
通讯是车联网的基础，车联网领域信息互通的主要目的就是将车联网领域的信息孤岛进行连接，从而提升汽车行业内的信息流转速度以达到提升产业效率、加速行业成长的终极目的；当前车辆联网主要通过移动网络，或者通过车载T-BOX(Telematics BOX，远程信息处理器)、娱乐系统、手机或者是WIFI与互联网产生信息交换，而且这些信息的交换都会产生流量；但是现有技术中没有车联网流量预测系统，难以针对不同用户进行定制化流量服务和控制流量成本。
发明内容
有鉴于此，本发明的目的在于提供车联网流量预测模型构建方法、装置和电子设备，以针对不同用户进行定制化流量服务，并控制流量成本。
第一方面，本发明实施例提供了一种车联网流量预测模型构建方法，该方法包括：获取用户的车联网流量数据，对该车联网流量数据进行预处理；将预处理后的车联网流量数据输入至自回归时间序列模型中，得到流量预测值；根据流量预测值和流量预测值对应的流量实际值，对自回归时间序列模型进行训练，直至模型的损失值满足预设的损失值阈值，得到目标模型。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述获取用户的车联网流量数据，对该车联网流量数据进行预处理的步骤，包括：获取用户的车联网流量数据，查找该车联网流量数据中的异常值和缺失值；将异常值替换为通过均值法重新确定的异常值对应的数据值；将缺失值替换为通过均值法重新确定的缺失值对应的数据值。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述将预处理后的车联网流量数据输入至自回归时间序列模型中，得到流量预测值的步骤之前，包括：根据数据平稳性，得到车联网流量数据的长期趋势、季节趋势和随机性趋势；根据车联网流量数据的长期趋势、季节趋势和随机性趋势，通过曲线拟合对车联网流量数据进行分析；根据分析结果确定采用自回归时间序列模型。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，自回归时间序列模型为其中，B表示滞后算子，εt表示白噪声序列，Θ(B)＝1-θ1B-θ2B-...-θiB-...-θqBq，Θ(B)表示平稳可逆时自回归时间序列模型的自回归系数多项式，θi(i＝1,2,...,q)表示自回归时间序列模型中的具体参数，q表示移动平均项数，Bq表示移动平均项数为q时的滞后算子，Φ(B)表示平稳可逆时自回归时间序列模型的移动平均系数多项式，表示自回归时间序列模型中的具体参数，p为自回归项数，Bp表示自回归项数为p时的滞后算子，ΘS(B)表示周期为S且平稳可逆时自回归时间序列模型的自回归系数多项式，ΦS(B)表示周期为S且平稳可逆时自回归时间序列模型的移动平均系数多项式。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述根据流量预测值和流量预测值对应的流量实际值，对自回归时间序列模型进行训练，直至模型的损失值满足预设的损失值阈值，得到目标模型的步骤包括：按照预设比例，将车联网流量数据分为训练集和测试集；根据训练集中的数据，得到自回归时间序列模型的流量预测值；计算流量预测值与训练集中的流量实际值的差值，得到模型的损失值；通过梯度下降法，降低模型的损失值，直至模型的损失值满足预设的损失值阈值，确定自回归时间序列模型中的具体参数，以得到参数确定后的自回归时间序列模型；将测试集中的数据输入至参数确定后的自回归时间序列模型，得到数据预测值；判断数据预测值与测试集中实际值的差值是否在预设的阈值范围内，如果在预设的阈值范围内，将参数确定后的自回归时间序列模型确定为目标模型；如果不在预设的阈值范围内，重新训练自回归时间序列模型中的具体参数。
第二方面，本发明实施例还提供一种车联网流量预测方法，该方法采用第一方面所述方法训练得到的目标模型；该方法包括：获取用户待预测的车联网流量数据；将车联网流量数据输入至目标模型中，得用户的预测车联网流量数据。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述方法还包括：将目标模型得到预测车联网流量数据存入数据库；将该数据库中的预测车联网流量数据在显示屏中进行显示。
第三方面，本发明实施例还提供一种车联网流量预测装置，该装置采用第一方面所述方法构建得到的目标模型；该装置包括：流量获取模块，用于获取用户待预测的车联网流量数据；流量预测模块，用于将车联网流量数据输入至目标模型中，得到用户的预测车联网流量数据。
第四方面，本发明实施例还提供一种车联网流量预测模型构建装置，该装置包括：数据获取模块，用于获取用户的车联网流量数据，对车联网流量数据进行预处理；数据输入模块，用于将预处理后的车联网流量数据输入至自回归时间序列模型中，得到流量预测值；模型训练模块，用于根据流量预测值和流量预测值对应的流量实际值，对自回归时间序列模型进行训练，直至模型的损失值满足预设的损失值阈值，得到目标模型。
第五方面，本发明实施例还提供一种电子设备，电子设备包括存储器和处理器；存储器用于存储支持处理器执行第一方面所述方法的程序，处理器被配置为用于执行存储器中存储的程序。
本发明实施例带来了以下有益效果：
本发明提供了一种车联网流量预测模型构建方法、装置和电子设备；其中，该车联网流量预测模型构建方法中，首先获取用户的车联网流量数据，并对该车联网流量数据进行预处理；然后将预处理后的车联网流量数据输入至预设的自回归时间序列模型中，得到流量预测值；通过流量预测值和流量预测值对应的流量实际值训练该自回归时间序列模型，直至模型的损失值满足预设的损失值阈值，得到目标模型。本发明通过目标模型预测车联网流量数据，可针对不同用户进行定制化流量服务，有效地控制了流量成本。
本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车联网流量预测模型构建方法的流程图；
图2为本发明实施例提供的另一种车联网流量预测模型构建方法的流程图；
图3为本发明实施例提供的一种车联网流量预测方法的流程图；
图4为本发明实施例提供的一种车联网流量预测模型构建装置的结构示意图；
图5为本发明实施例提供的一种车联网流量预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中没有车联网流量预测系统，难以控制流量成本和针对不同用户进行定制化流量服务，浪费了流量资源，基于此，本发明实施例提供的车联网流量预测模型构建方法、装置和电子设备，可以应用于车载或者机载各联网软件的流量预测的场景中。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种车联网流量预测模型构建方法进行详细介绍。
参见图1所示的一种车联网流量预测模型构建方法的流程图；该方法包括如下步骤：
步骤S102，获取用户的车联网流量数据，对车联网流量数据进行预处理；
车联网流量数据库中存储着各个用户的车联网流量数据；需要从车联网流量数据库中获取用户的车联网流量数据，该车联网流量数据包括每天车机各应用设备的流量使用量和使用时长、以及车机各应用设备使用的总流量等数据。
上述车机是安装在汽车里面的车载信息娱乐产品的简称，车机在功能上要能够实现人与车，车与外界(车与车)的信息通讯；车机各应用设备会的使用的过程中会产生流量，例如，使用车机地图、音乐等应用均会产生流量。
对车联网流量数据进行预处理的过程包括：查询车联网流量数据中的异常值和缺失值；将异常值删除，和缺失值一同采用均值法将数据值补齐；该均值法通常为根据待补入数据值的前后两个数据值的平均值，得到该待补入数据值的确定值。
步骤S104，将车联网流量数据输入至自回归时间序列模型中，输出流量预测值；
上述自回归时间序列模型是时间序列预测分析方法之一；自回归时间序列模型是在平稳的时间序列基础上建立起来的，因此时间序列的平稳性是建模的重要前提；检验时间序列模型平稳的方法一般采用ADF单位根检验模型去检验。
由于用户的车联网流量数据具有一定的季节效应，并且具有短期相关性,也就是说车联网流量数据时平稳的时间序列，所以确定采用自回归时间序列模型。
上述自回归时间序列模型为：其中，B表示滞后算子，εt表示白噪声序列，Θ(B)＝1-θ1B-θ2B-...-θiB-...-θqBq，Θ(B)表示平稳可逆时自回归时间序列模型的自回归系数多项式，θi(i＝1,2,...,q)表示自回归时间序列模型中的具体参数，q表示移动平均项数，Bq表示移动平均项数为q时的滞后算子，Φ(B)表示平稳可逆时自回归时间序列模型的移动平均系数多项式，表示自回归时间序列模型中的具体参数，p为自回归项数，Bp表示自回归项数为p时的滞后算子，ΘS(B)表示周期为S且平稳可逆时自回归时间序列模型的自回归系数多项式，ΦS(B)表示周期为S且平稳可逆时自回归时间序列模型的移动平均系数多项式。
通过获得的车联网流量数据对上述自回归时间序列模型进行训练，可得到自回归时间序列模型中的具体参数θi(i＝1,2,...,q)和根据参数确定后的自回归时间序列模型可以得到流量预测值。
步骤S106，根据流量预测值和流量预测值对应的流量实际值，对自回归时间序列模型进行训练，直至模型的损失值满足预设的损失值阈值，得到目标模型。
根据流量预测值和流量预测值对应的流量实际值之间的差距，计算模型的损失值，通过对自回归时间序列模型的多次训练，得到最大限度降低损失值的模型，即为目标模型。
上述预设的损失值阈值通常为可以最大限度降低到的损失值，该损失值可根据用户想要预测的精度确定。
上述自回归时间序列模型多次训练的方法可以是：通过不断调整深度学习算法的学习速率、批次大小和迭代次数等来训练自回归时间序列模型；并采用随机梯度下降法降低模型的损失值，从而得到最大限度降低损失值的模型。
上述随机梯度下降法通常对于每一次更新参数，不必遍历所有的训练集合的数据，仅仅使用少量的数据，来变换一个参数；也就是说在计算损失值时，使用少量的车联网流量数据可以变化自回归时间序列模型中的具体参数。
本发明提供了一种车联网流量预测模型构建方法、装置和电子设备；其中，该车联网流量预测模型训练方法中，首先获取用户的车联网流量数据，并对该车联网流量数据进行预处理；然后将预处理后的车联网流量数据输入至预设的自回归时间序列模型中，得到流量预测值；通过流量预测值和流量预测值对应的流量实际值训练该自回归时间序列模型，直至模型的损失值满足预设的损失值阈值，得到目标模型。本发明通过目标模型预测车联网流量数据，可针对不同用户进行定制化流量服务，有效地控制了流量成本。
本发明实施例还提供另一种车联网流量预测模型构建方法，该方法在上述实施例所提供方法的基础上实现；参见图2所示的另一种车联网流量预测模型构建方法的流程图；该方法的步骤包括：
步骤S202，获取用户的车联网流量数据，查找该车联网流量数据中的异常值和缺失值；
上述车联网流量数据通常为时序数据，该时序数据是具有稳定性和完整性的，可以根据时序上数据值的异常来判定该数据值为异常值和缺失值；其中异常值通常为数据值的大小明显偏离其所属样本(时序数据)的其余数据的数据值，缺失值通常为现有的车联网流量数据中某个或某些时刻上的数据是不完全的。
步骤S204，将异常值替换为通过均值法重新确定的异常值数据对应的数据值；将缺失值替换为通过均值法确定的缺失值对应的数据值；
将异常值删除，把该异常值当作缺失值，通过均值法确定异常值和缺失值对应的数据值。
例如，在车联网流量数据对应的时序数据上，某一时刻存在异常值，将该异常值删除，通过该异常值前一时刻和后一时刻的数据值的平均值，确定得到该异常值对应的数据值；某一时刻存在缺失值，通过该缺失值前一时刻和后一时刻的数据值的平均值，确定得到该缺失值对应的数据值。
步骤S206，按照预设比例，将车联网流量数据分为训练集和测试集；
上述预设比例通常采用7:3的比例，可以选择车联网流量数据中70％的数据作为训练集，30％的数据作为测试集；其中训练集通常用于训练已建立好的模型，也就是说通过训练集的数据确定模型中拟合曲线的具体参数；测试集通常是为了评估已经训练好的模型的精确度，在训练模型的时候，模型中的参数全是根据现有训练集里的数据进行修正、拟合，有可能会出现过拟合的情况，即这个参数仅对训练集里的数据拟合比较准确，这个时候再有一个数据需要利用模型进行预测，那么得到的预测结构的准确率可能就会很差，所以需要测试集对模型进行评估，并进行再次训练，获得精确度高的模型。
步骤S208，根据训练集中的数据，得到自回归时间序列模型的流量预测值；
确定采用自回归时间序列模型的步骤包括：
步骤01，根据数据平稳性，得到车联网流量数据的长期趋势、季节趋势和随机性趋势；
数据平稳性中的平稳性检验方法可采用ADF(augmented Dickey-Fuller，增广单位根)检验方法，该检验方法通常是检验时序数据中是否存在单位根，如果时序数据的检验方程的所有特征根都在单位圆内，则时序数据具有平稳性，否则，该时序数据不具有平稳性；那么该检验方法的检验方程可表示为：ΔXt＝γΔXt-1+ξΔXt-2+Λ+ξm-1ΔXt-m-1+εt，其中，ΔXt表示t时刻的车联网流量数据，ΔXt-1表示t-1时刻的车联网流量数据，ΔXt-2表示t-2时刻的车联网流量数据，ΔXt-m-1表示t-m-1时刻的车联网流量数据，参数m为保证白噪声εt最小情况下的数值，γ表示数据的平稳性，ξ、Λ和ξm-1表示常数项。
根据数据平稳性得到了车联网流量数据的长期趋势、季节趋势和随机性趋势；其中，长期趋势通常是指某种现象在相当长的时间内沿着一定方向发展变动的基本趋势，例如，某用户每次开车时都会使用音乐软件，那么因为音乐软件的使用流量和使用时长在相当长的时间内就会有一个相似的基本趋势；季节趋势通常是指在某一段较短的时间内具有重复性和可预测的趋势，例如，由于用户的工作性质，可能在10～12月份经常出差，也会在出差的过程中频繁的使用导航，那么在这段时间内用户的导航流量数据就会呈现季节性趋势；随机性趋势通常是指由不可控因素引起的没有规律的随机性趋势，例如，用户心情欠佳的时候可能会关掉音乐软件或者多次使用车上的电话软件，此时就难以找到流量数据的规律。
步骤02，根据车联网流量数据的长期趋势、季节趋势和随机性趋势，通过曲线拟合对车联网流量数据进行分析；
根据车联网流量数据中的流量使用值和使用时长以及季节性变化规律(相当于上述季节趋势)和长期趋势，通过曲线拟合的方法对时序数据(相当于上述车联网流量数据)进行分析；曲线拟合通常是用连续的曲线近似地刻画或者比拟离散数据所表示的坐标之间的函数关系的一种数据处理方法。
步骤03，根据分析结果确定采用自回归时间序列模型。
由于用户的车联网流量数据具有一定的季节趋势和长期趋势，并且具有短期相关性,所以确定采用自回归时间序列模型，而且通过曲线拟合的方法对时序数据进行分析，可计算得出自回归时间序列模型的部分参数(相当于除去上述具体参数之外的参数)。
步骤S210，计算流量预测值与训练集中的流量实际值的差值，得到模型的损失值；
步骤S212，通过梯度下降法，降低模型的损失值，直至模型的损失值满足预设的损失值阈值，确定自回归时间序列模型中的具体参数，以得到参数确定后的自回归时间序列模型；
通过计算自回归时间序列模型的流量预测值和测试集中的流量实际值的差距，计算模型的损失值，通过不断调整深度学习的学习速率、批次大小和迭代次数等，采用随机梯度下降法降低模型的损失值，从而找出可最大限度降低损失的模型，该模型即为参数确定后的自回归时间序列模型。
步骤S214，将测试集中的数据输入至参数确定后的自回归时间序列模型，得到数据预测值。
通过测试集中的数据可以评估参数确定后的自回归时间序列模型的泛化能力，从而确定模型对新的样本同样具有很好的适应能力，保证未来对流量数据预测的准确性。
步骤S216，判断数据预测值与测试集中实际值的差值是否在预设的阈值范围内，如果在预设的阈值范围内，执行步骤S218；如果不在预设的阈值范围内，执行步骤S212，重新训练自回归时间序列模型中的具体参数。
步骤S218，将参数确定后的自回归时间序列模型确定为目标模型。
根据数据预测值与测试集中真实值的差值是否在预设的阈值范围内，可以判定该差值是否达到了预设的准确度，也就是说可以判断该模型是否具有普适性。
如果上述差值在预设的阈值范围内，则将参数确定后的自回归时间序列视为目标模型；否则，重新训练模型的具体参数，直到上述差值在预设的阈值范围内为止。
本发明实施例采用时间序列的自回归模型对用户的车联网流量数据进行建模分析，更加准确地体现了用户的车联网流量数据的规律，使构建的目标模型更加符合实际的用户流量使用情况；而且通过深度学习框架对构建好的自回归时序数据模型进行训练，采用随机梯度下降法降低模型的损失值，将模型的损失值降到最低，最大程度的减小了预测数据的误差。
对应于上述车联网流量预测模型构建方法，本发明实施例还提供一种车联网流量预测方法，该方法采用上述实施例中的车联网流量预测模型训练得到的目标模型；如图3所示，该方法包括如下步骤：
步骤S302，获取用户待预测的车联网流量数据；
该待预测的车联网流量数据中包含之前时刻用户每天的车机各应用设备的流量使用值和使用时长，以及所有应用设备每日使用的总流量值。
步骤S304，将车联网流量数据输入至目标模型中，得到用户的预测车联网流量数据。
由于目标模型是多个训练得到最大限度降低损失值的模型，也就是说通过目标模型得到的流量预测值与流量真实值的误差很小，从而提高了流量数据预测的准确性。
进一步地，将目标模型得到预测车联网流量数据存入数据库；再将数据库中的预测车联网流量数据在显示屏中进行显示。
将预测的车联网流量数据在显示屏中形成可视化的显示页面，有助于用户对预测的流量进行查看，帮助用户了解此后一段时间内的流量使用情况；显示屏还可以根据预测的流量显示为用户进行的制定化流量，从而有效地控制流量的使用成本。
对应于上述车联网流量预测模型构建方法实施例，参见图4所示的一种车联网流量预测模型构建装置的结构示意图；该车联网流量预测模型构建装置实现的功能对应上述方法执行的步骤。该装置包括：
数据获取模块40，用于获取用户的车联网流量数据，对车联网流量数据进行预处理；
数据输入模块41，用于将预处理后的车联网流量数据输入至自回归时间序列模型中，输出流量预测值；
模型训练模块42，用于根据流量预测值和流量预测值对应的流量实际值，对自回归时间序列模型进行训练，直至模型的损失值满足预设的损失值阈值，得到目标模型。
本发明实施例提供的车联网流量预测模型构建装置，与上述实施例提供的车联网流量预测模型构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
对应于上述车联网流量预测方法的实施例，参见图5所示的一种车联网流量预测装置的结构示意图；该车联网流量预测装置实现的功能对应上述方法执行的步骤。该装置包括：
流量获取模块50，用于获取用户待预测的车联网流量数据；
流量预测模块51，用于将车联网流量数据输入至目标模型中，得到用户的预测车联网流量数据。
本发明实施例提供的车联网流量预测装置，与上述实施例提供的车联网流量预测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本实施例还提供了一种与上述车联网流量预测模型构建方法实施例相对应一种电子设备，该电子设备包括存储器和处理器；存储器用于存储支持处理器执行车联网流量预测模型构建方法的程序，处理器被配置为用于执行存储器中存储的程序。
本发明实施例所提供的车联网流量预测模型构建方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种车联网流量预测模型构建方法，其特征在于，所述方法包括：
获取用户的车联网流量数据，对所述车联网流量数据进行预处理；
将预处理后的车联网流量数据输入至自回归时间序列模型中，得到流量预测值；
根据所述流量预测值和所述流量预测值对应的流量实际值，对所述自回归时间序列模型进行训练，直至所述模型的损失值满足预设的损失值阈值，得到目标模型。
2.根据权利要求1所述的方法，其特征在于，所述获取用户的车联网流量数据，对所述车联网流量数据进行预处理的步骤，包括：
获取用户的车联网流量数据，查找所述车联网流量数据中的异常值和缺失值；
将所述异常值替换为通过均值法重新确定的所述异常值对应的数据值；将所述缺失值替换为通过均值法重新确定的所述缺失值对应的数据值。
3.根据权利要求1所述的方法，其特征在于，所述将预处理后的车联网流量数据输入至自回归时间序列模型中，得到流量预测值的步骤之前，包括：
根据数据平稳性，得到所述车联网流量数据的长期趋势、季节趋势和随机性趋势；
根据所述车联网流量数据的所述长期趋势、所述季节趋势和所述随机性趋势，通过曲线拟合对所述车联网流量数据进行分析；
根据分析结果确定采用自回归时间序列模型。
4.根据权利要求1所述的方法，其特征在于，所述自回归时间序列模型为：其中，B表示滞后算子，εt表示白噪声序列，Θ(B)＝1-θ1B-θ2B-...-θiB-...-θqBq，Θ(B)表示平稳可逆时所述自回归时间序列模型的自回归系数多项式，θi(i＝1,2,...,q)表示所述自回归时间序列模型中的具体参数，q表示移动平均项数，Bq表示移动平均项数为q时的滞后算子，Φ(B)表示平稳可逆时所述自回归时间序列模型的移动平均系数多项式，表示所述自回归时间序列模型中的具体参数，p为自回归项数，Bp表示自回归项数为p时的滞后算子，ΘS(B)表示周期为S且平稳可逆时所述自回归时间序列模型的自回归系数多项式，ΦS(B)表示周期为S且平稳可逆时所述自回归时间序列模型的移动平均系数多项式。
5.根据权利要求1所述的方法，其特征在于，所述根据所述流量预测值和所述流量预测值对应的流量实际值，对所述自回归时间序列模型进行训练，直至所述模型的损失值满足预设的损失值阈值，得到目标模型的步骤包括：
按照预设比例，将所述车联网流量数据分为训练集和测试集；
根据所述训练集中的数据，得到所述自回归时间序列模型的流量预测值；
计算所述流量预测值与训练集中的流量实际值的差值，得到模型的损失值；
通过梯度下降法，降低所述模型的损失值，直至所述模型的损失值满足预设的损失值阈值，确定所述自回归时间序列模型中的具体参数，以得到参数确定后的自回归时间序列模型；
将所述测试集中的数据输入至参数确定后的自回归时间序列模型，得到数据预测值；
判断所述数据预测值与所述测试集中实际值的差值是否在预设的阈值范围内，如果在预设的阈值范围内，将所述参数确定后的自回归时间序列模型确定为目标模型；如果不在预设的阈值范围内，重新训练所述自回归时间序列模型中的具体参数。
6.一种车联网流量预测方法，其特征在于，所述方法采用权利要求1至5任一项所述方法构建得到的目标模型；所述方法包括：
获取用户待预测的车联网流量数据；
将所述车联网流量数据输入至所述目标模型中，得到所述用户的预测车联网流量数据。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将所述目标模型得到预测车联网流量数据存入数据库；
将所述数据库中的所述预测车联网流量数据在显示屏中进行显示。
8.一种车联网流量预测模型构建装置，其特征在于，所述装置包括：
数据获取模块，用于获取用户的车联网流量数据，对所述车联网流量数据进行预处理；
数据输入模块，用于将预处理后的车联网流量数据输入至自回归时间序列模型中，得到流量预测值；
模型训练模块，用于根据所述流量预测值和所述流量预测值对应的流量实际值，对所述自回归时间序列模型进行训练，直至所述模型的损失值满足预设的损失值阈值，得到目标模型。
9.一种车联网流量预测装置，其特征在于，所述装置采用权利要求1至5任一项所述方法构建得到的目标模型；所述装置包括：
流量获取模块，用于获取用户待预测的车联网流量数据；
流量预测模块，用于将所述车联网流量数据输入至所述目标模型中，得到所述用户的预测车联网流量数据。
10.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811598746.1A CN109379240B (zh) | 2018-12-25 | 2018-12-25 | 车联网流量预测模型构建方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811598746.1A CN109379240B (zh) | 2018-12-25 | 2018-12-25 | 车联网流量预测模型构建方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109379240A true CN109379240A (zh) | 2019-02-22 |
| CN109379240B CN109379240B (zh) | 2021-06-25 |
Family
ID=65371814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811598746.1A Active CN109379240B (zh) | 2018-12-25 | 2018-12-25 | 车联网流量预测模型构建方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109379240B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009429A (zh) * | 2019-04-10 | 2019-07-12 | 金瓜子科技发展（北京）有限公司 | 一种预测流量数据的方法、装置和计算机设备 |
| CN110880984A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技（深圳）有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
| CN111489803A (zh) * | 2020-03-31 | 2020-08-04 | 重庆金域医学检验所有限公司 | 基于自回归模型的报告单编码模型生成方法、系统和设备 |
| CN111753459A (zh) * | 2019-03-11 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN113435122A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 实时流量数据处理方法、装置、计算机设备和存储介质 |
| CN113672642A (zh) * | 2021-07-07 | 2021-11-19 | 德特赛维技术有限公司 | 一种基于时序预测移动网络性能的方法及其系统 |
| CN114091357A (zh) * | 2022-01-19 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 交通流预测方法、装置、电子设备及存储介质 |
| CN114793197A (zh) * | 2022-03-29 | 2022-07-26 | 广州杰赛科技股份有限公司 | 基于nfv的网络资源配置方法、装置、设备及存储介质 |
| CN111753459B (zh) * | 2019-03-11 | 2024-06-04 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903429A (zh) * | 2014-03-26 | 2014-07-02 | 东南大学 | 一种快速公交停靠站的延误时间组合预测方法 |
| CN103903452A (zh) * | 2014-03-11 | 2014-07-02 | 东南大学 | 交通流短时预测方法 |
| CN104123845A (zh) * | 2013-04-28 | 2014-10-29 | 朱孝杨 | 基于现代控制理论的智能型动态导航 |
| CN105228180A (zh) * | 2015-09-29 | 2016-01-06 | 江苏大学 | 一种基于节点转发能力估计的车载容迟网络路由方法 |
| EP3136775A1 (en) * | 2015-08-28 | 2017-03-01 | Viavi Solutions UK Limited | Modeling mobile network performance |
| CN106935034A (zh) * | 2017-05-08 | 2017-07-07 | 西安电子科技大学 | 面向车联网的区域交通流量预测系统及方法 |
| CN108304355A (zh) * | 2018-02-08 | 2018-07-20 | 北京工业大学 | 一种基于sarima-wnn模型预测弹性云计算资源的方法 |
| CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
-
2018
- 2018-12-25 CN CN201811598746.1A patent/CN109379240B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123845A (zh) * | 2013-04-28 | 2014-10-29 | 朱孝杨 | 基于现代控制理论的智能型动态导航 |
| CN103903452A (zh) * | 2014-03-11 | 2014-07-02 | 东南大学 | 交通流短时预测方法 |
| CN103903429A (zh) * | 2014-03-26 | 2014-07-02 | 东南大学 | 一种快速公交停靠站的延误时间组合预测方法 |
| EP3136775A1 (en) * | 2015-08-28 | 2017-03-01 | Viavi Solutions UK Limited | Modeling mobile network performance |
| CN105228180A (zh) * | 2015-09-29 | 2016-01-06 | 江苏大学 | 一种基于节点转发能力估计的车载容迟网络路由方法 |
| CN106935034A (zh) * | 2017-05-08 | 2017-07-07 | 西安电子科技大学 | 面向车联网的区域交通流量预测系统及方法 |
| CN108304355A (zh) * | 2018-02-08 | 2018-07-20 | 北京工业大学 | 一种基于sarima-wnn模型预测弹性云计算资源的方法 |
| CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753459A (zh) * | 2019-03-11 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN111753459B (zh) * | 2019-03-11 | 2024-06-04 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN110009429A (zh) * | 2019-04-10 | 2019-07-12 | 金瓜子科技发展（北京）有限公司 | 一种预测流量数据的方法、装置和计算机设备 |
| CN110009429B (zh) * | 2019-04-10 | 2021-04-16 | 金瓜子科技发展（北京）有限公司 | 一种预测流量数据的方法、装置和计算机设备 |
| CN110880984A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技（深圳）有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
| CN111489803A (zh) * | 2020-03-31 | 2020-08-04 | 重庆金域医学检验所有限公司 | 基于自回归模型的报告单编码模型生成方法、系统和设备 |
| CN113435122A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 实时流量数据处理方法、装置、计算机设备和存储介质 |
| CN113435122B (zh) * | 2021-06-30 | 2023-11-07 | 平安科技（深圳）有限公司 | 实时流量数据处理方法、装置、计算机设备和存储介质 |
| CN113672642A (zh) * | 2021-07-07 | 2021-11-19 | 德特赛维技术有限公司 | 一种基于时序预测移动网络性能的方法及其系统 |
| CN114091357A (zh) * | 2022-01-19 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 交通流预测方法、装置、电子设备及存储介质 |
| CN114793197A (zh) * | 2022-03-29 | 2022-07-26 | 广州杰赛科技股份有限公司 | 基于nfv的网络资源配置方法、装置、设备及存储介质 |
| CN114793197B (zh) * | 2022-03-29 | 2023-09-19 | 广州杰赛科技股份有限公司 | 基于nfv的网络资源配置方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109379240B (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109379240A (zh) | 车联网流量预测模型构建方法、装置和电子设备 | |
| CN106533750A (zh) | 一种云环境下非平稳型应用用户并发量的预测系统及方法 | |
| EP4216117B1 (en) | Method and apparatus for training water-and-sediment prediction model for reservoir and method and apparatus for predicting water-and-sediment in reservoir | |
| CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
| CN110400010A (zh) | 预测方法、装置、电子设备以及计算机可读存储介质 | |
| CN103336891A (zh) | 一种用于配电网状态估计的伪量测生成方法 | |
| CN106549772A (zh) | 资源预测方法、系统和容量管理装置 | |
| CN108492141A (zh) | 一种多模型融合的预测方法及装置 | |
| CN107832866A (zh) | 一种流量预测方法及装置、存储介质、终端 | |
| CN107239846B (zh) | 停车场泊位预测处理方法及装置 | |
| CN104636874B (zh) | 检测业务异常的方法及设备 | |
| CN107506845A (zh) | 一种基于多模型融合的售电量预测方法及其系统 | |
| CN113065702B (zh) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 | |
| CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
| CN105825286A (zh) | 一种武器装备全生命周期费用估算系统及方法 | |
| CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
| CN102446135A (zh) | 软件质量的检测方法 | |
| CN108830417A (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
| CN109886737A (zh) | 需求预测方法、装置、电子设备及可读存储介质 | |
| WIJESINGHE | Time series forecasting: Analysis of LSTM neural networks to predict exchange rates of currencies | |
| Hyndman | Forecasting: An Overview. | |
| CN110009939A (zh) | 基于asm的航班延误预测及波及分析方法 | |
| CN105894138A (zh) | 一种制造业发货量的最优加权组合预测方法 | |
| CN104766193A (zh) | 干线物流运输需求预测方法 | |
| CN108170974A (zh) | 一种抽油机井系统效率寿命分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220324 Address after: 430090 No. b1336, chuanggu startup area, taizihu cultural Digital Creative Industry Park, No. 18, Shenlong Avenue, Wuhan Economic and Technological Development Zone, Hubei Province Patentee after: Yikatong (Hubei) Technology Co.,Ltd. Address before: 430000 no.c101, chuanggu start up area, taizihu cultural Digital Industrial Park, No.18 Shenlong Avenue, Wuhan Economic and Technological Development Zone, Hubei Province Patentee before: HUBEI ECARX TECHNOLOGY Co.,Ltd. |