CN109873712A - 一种网络流量预测方法及装置 - Google Patents
一种网络流量预测方法及装置 Download PDFInfo
- Publication number
- CN109873712A CN109873712A CN201810481381.8A CN201810481381A CN109873712A CN 109873712 A CN109873712 A CN 109873712A CN 201810481381 A CN201810481381 A CN 201810481381A CN 109873712 A CN109873712 A CN 109873712A
- Authority
- CN
- China
- Prior art keywords
- flow
- network
- sample
- value
- denoising
- 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
Abstract
本申请实施例提供了一种网络流量预测方法及装置，涉及网络技术领域，包括：确定网络流量的预测时刻；根据第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量；第一特征向量包括第一流量特征和第一流量特征的变化特征；将第一特征向量输入至网络流量预测模型，获取预测时刻的流量预测值；网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，样本时刻为样本网络流量的实际产生时刻，样本特征向量包括：样本流量特征和样本流量特征的变化特征。应用本申请实施例提供的方案提高了网络流量预测的准确性。
Description
技术领域
本申请涉及网络技术领域，特别是涉及一种网络流量预测方法及装置。
背景技术
随着互联网技术的快速发展，互联网已深入到人们工作、生活的方方面面。在对网络进行管理的过程中，网络流量对网络容量规划、网络设备设计、网络资源分配、负载均衡等等具有较强的重要性，为此在实际应用中需要对网络流量进行预测。
在实现本申请过程中，发明人发现现有技术中至少存在如下问题。
现有技术中，对网络流量进行预测时，一般采用AR(Auto-Regressive Model，自回归模型)、MA(Moving Average Model，滑动平均模型)、ARMA(Auto-Regressive and MovingAverage Model，自回归滑动平均模型)、ARIMA(Autoregressive Integrated MovingAverage Model，自回归积分滑动平均模型)等线性时间序列模型对网络流量进行预测。该方法强调时间序列的未来值是由同一时间序列过去的值决定的，以当前时刻之前各个时刻的网络流量映射将来时刻的网络流量。应用这一方法虽然可以实现网络流量预测，但是由于这一方法中主要采用线性映射的方式，而线性映射的方式一般用于描述短期的时间序列，也就是说，线性映射主要用于预测短时期的网络流量，因此，易导致预测的网络流量准确性差。
发明内容
本申请实施例的目的在于提供一种网络流量预测方法及装置，以提高网络流量预测的准确性。具体技术方案如下：
第一方面，本申请的一个例子中提供了一种网络流量预测方法，所述方法包括：
确定网络流量的预测时刻；
根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
结合第一方面，在第一种可能的实施方式中，所述网络流量预测模型通过以下方式训练得到：
获得样本网络流量在样本时刻的流量实际值；
根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；
采用所述样本特征向量和流量实际值，对所述预设的回归模型进行训练，得到所述网络流量预测模型。
结合第一方面或第一种可能的实施方式，在第二种可能的实施方式中，所述在样本时刻的样本特征向量通过以下方式确定，包括：
采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，其中，所述第二网络流量信息为：第二时间段内第二预设时刻的网络流量信息，所述第二预设时刻包括第二历史时刻；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；和/或
所述根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量，包括：
采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，其中，所述第一网络流量信息为：第一时间段内第一预设时刻的网络流量信息，所述第一预设时刻包括第一历史时刻；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量。
结合第二种可能的实施方式，在第三种可能的实施方式中，所述网络流量信息包括：网络流量值，则
所述采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量，包括：
采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果，并根据第二流量去噪值和第二流量信息，确定网络流量在样本时刻的样本特征向量；其中，所述第二流量去噪值为：所述第二去噪结果中第二历史时刻的网络流量值，所述第二流量信息为：所述第二历史时刻的网络流量信息中除网络流量值以外的信息；和/或
所述采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量，包括：
采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果，并根据第一流量去噪值和第一流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一流量去噪值为：所述第一去噪结果中第一历史时刻的网络流量值，所述第一流量信息为：所述第一历史时刻的网络流量信息中除网络流量值以外的信息。
结合第三种可能的实施方式，在第四种可能的实施方式中，所述第一流量特征包括：第一流量估算值和第一流量子特征，其中，所述第一流量估算值为：根据所述第一流量去噪值估算的网络流量值，则所述第一特征向量通过以下方式得到：
根据所述第一流量去噪值，计算所述第一流量估算值的第一变化特征；
根据所述第一流量信息进行特征值估算，获得第一流量子特征的估算值；
根据所述第一流量信息，计算第一流量子特征的第二变化特征；
根据所述第一流量估算值、第一变化特征、第一流量子特征的估算值、第二变化特征，确定所述第一特征向量。
结合第三种可能的实施方式，在第五种可能的实施方式中，所述样本流量特征包括：样本流量估算值和样本流量子特征，其中，所述样本流量估算值为：根据所述第二流量去噪值估算的网络流量值，则所述样本特征向量通过以下方式得到：
根据所述第二流量去噪值，计算所述样本流量估算值的第三变化特征；
根据所述第二流量信息进行特征值估算，获得样本流量子特征的估算值；
根据所述第二流量信息，计算样本流量子特征的第四变化特征；
根据所述样本流量估算值、第三变化特征、样本流量子特征的估算值、第四变化特征，确定所述样本特征向量。
结合第三种可能的实施方式，在第六种可能的实施方式中，通过以下方式选择所述目标正交小波基和目标分解层数：
获得所述流量实际值和至少一候选正交小波基；
分别基于每一候选正交小波基对所述流量实际值进行小波分解，获得每一候选正交小波基对应的分解层数；
将分解层数最小的候选正交小波基确定为所述目标正交小波基，并将所述目标正交小波基对应的分解层数确定为所述目标分解层数。
结合第六种可能的实施方式，在第七种可能的实施方式中，采用以下方式获得每一候选正交小波基对应的分解层数：
采用候选正交小波基对所述流量实际值进行分解；
判断分解结果中高频信号的平稳程度是否达到预设平稳程度；
若为否，采用候选正交小波基对分解结果中的低频信号进行分解，并执行所述判断分解结果中高频信号的平稳程度是否达到预设平稳程度的步骤，直至分解结果中高频信号的平稳程度达到预设平稳程度；
若为是，将累积分解次数确定为候选正交小波基对应的分解层数。
结合第一方面、第一种可能的实施方式至第七种可能的实施方式中的一种，在第八种可能的实施方式中，所述第一流量特征包括以下特征中的至少一种：
根据第一历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第一历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第一历史时刻的网络流量信息中报文数获得的报文数；
根据第一历史时刻的网络流量信息中字节数获得的字节数；
根据第一历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第一历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数；或
所述第一流量特征的变化特征包括以下特征中的至少一种：第一流量特征的同比值、第一流量特征的环比值、第一流量特征的增速。
第二方面，本申请的一个例子中提供了一种网络流量预测装置，所述装置包括：
时刻确定模块，用于确定网络流量的预测时刻；
向量确定模块，用于根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
预测值获取模块，用于将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
结合第二方面，在第九种可能的实施方式中，所述装置还包括：
模型训练模块，用于训练所述网络流量预测模型；
其中，所述模型训练模块，包括：
实际值获得子模块，用于获得样本网络流量在样本时刻的流量实际值；
第一向量确定子模块，用于根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；
模型训练子模块，用于采用所述样本特征向量和流量实际值，对所述预设的回归模型进行训练，得到所述网络流量预测模型。
结合第二方面或第九种可能的实施方式，在第十种可能的实施方式中，
所述预测值获取模块或第一向量确定子模块，具体用于采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，其中，所述第二网络流量信息为：第二时间段内第二预设时刻的网络流量信息，所述第二预设时刻包括第二历史时刻；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；和/或
所述向量确定模块，具体用于采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，其中，所述第一网络流量信息为：第一时间段内第一预设时刻的网络流量信息，所述第一预设时刻包括第一历史时刻；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量。
结合第十种可能的实施方式，在第十一种可能的实施方式中，所述网络流量信息包括：网络流量值，则
所述预测值获取模块或第一向量确定子模块，包括：
结果获得单元，用于采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果；
第一向量确定单元，用于根据第二流量去噪值和第二流量信息，确定网络流量在样本时刻的样本特征向量，其中，所述第二流量去噪值为：所述第二去噪结果中第二历史时刻的网络流量值，所述第二流量信息为：所述第二历史时刻的网络流量信息中除网络流量值以外的信息；
和/或
所述向量确定模块，包括：
结果获得子模块，用于采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果；
第二向量确定子模块，用于根据第一流量去噪值和第一流量信息，确定网络流量在所述预测时刻的第一特征向量，其中，所述第一流量去噪值为：所述第一去噪结果中第一历史时刻的网络流量值，所述第一流量信息为：所述第一历史时刻的网络流量信息中除网络流量值以外的信息。
结合第十一种可能的实施方式，在第十二种可能的实施方式中，所述第一流量特征包括：第一流量估算值和第一流量子特征，其中，所述第一流量估算值为：根据所述第一流量去噪值估算的网络流量值，则所述第二向量确定子模块，包括：
第一特征计算单元，用于根据所述第一流量去噪值，计算所述第一流量估算值的第一变化特征；
估算值获得单元，用于根据所述第一流量信息进行特征值估算，获得第一流量子特征的估算值；
第二特征计算单元，用于根据所述第一流量信息，计算第一流量子特征的第二变化特征；
第二向量确定单元，用于根据所述第一流量估算值、第一变化特征、第一流量子特征的估算值、第二变化特征，确定所述第一特征向量。
结合第十一种可能的实施方式，在第十三种可能的实施方式中，所述样本流量特征包括：样本流量估算值和样本流量子特征，其中，所述样本流量估算值为：根据所述第二流量去噪值估算的网络流量值，则所述第一向量确定单元，包括：
第一特征计算子单元，用于根据所述第二流量去噪值，计算所述样本流量估算值的第三变化特征；
估算值获得子单元，用于根据所述第二流量信息进行特征值估算，获得样本流量子特征的估算值；
第二特征计算子单元，用于根据所述第二流量信息，计算样本流量子特征的第四变化特征；
向量确定子单元，用于根据所述样本流量估算值、第三变化特征、样本流量子特征的估算值、第四变化特征，确定所述样本特征向量。
结合第十一种可能的实施方式，在第十四种可能的实施方式中，所述装置还包括：
信息选择模块，用于选择所述目标正交小波基和目标分解层数；
其中，所述信息选择模块，包括：
信息获得子模块，用于获得所述流量实际值和至少一候选正交小波基；
层数获得子模块，用于分别基于每一候选正交小波基对所述流量实际值进行小波分解，获得每一候选正交小波基对应的分解层数；
信息确定子模块，用于将分解层数最小的候选正交小波基确定为所述目标正交小波基，并将所述目标正交小波基对应的分解层数确定为所述目标分解层数。
结合第十四种可能的实施方式，在第十五种可能的实施方式中，所述层数获得子模块，包括：
流量值分解单元，用于采用候选正交小波基对所述流量实际值进行分解；
程度判断单元，用于判断分解结果中高频信号的平稳程度是否达到预设平稳程度，若为否，触发信号分解单元，若为是，触发层数确定单元；
所述信号分解单元，用于采用候选正交小波基对分解结果中的低频信号进行分解，并触发所述程度判断单元，直至分解结果中高频信号的平稳程度达到预设平稳程度；
所述层数确定单元，用于将累积分解次数确定为候选正交小波基对应的分解层数。
结合第二方面、第九种可能的实施方式至第十五种可能的实施方式中的一种，在第十六种可能的实施方式中，所述第一流量特征包括以下特征中的至少一种：
根据第一历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第一历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第一历史时刻的网络流量信息中报文数获得的报文数；
根据第一历史时刻的网络流量信息中字节数获得的字节数；
根据第一历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第一历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数；或
所述第一流量特征的变化特征包括以下特征中的至少一种：第一流量特征的同比值、第一流量特征的环比值、第一流量特征的增速。
第三方面，本申请的一个例子中提供了一种电子设备，所述电子设备包括：处理器、机器可读存储介质和系统总线，所述处理器和机器可读存储介质通过所述系统总线完成相互间的通信，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述机器可执行指令包括：确定指令和获取指令；
所述处理器被所述确定指令促使执行：确定网络流量的预测时刻；
所述处理器被所述确定指令促使还执行：根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
所述处理器被所述获取指令促使执行：将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
第四方面，本申请的一个例子中提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令包括：确定指令和获取指令；
所述确定指令在被处理器调用和执行时，所述确定指令促使所述处理器执行：确定网络流量的预测时刻；
所述确定指令在被处理器调用和执行时，所述确定指令还促使所述处理器执行：根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
所述获取指令在被处理器调用和执行时，所述获取指令促使所述处理器执行：将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
由以上可见，本申请实施例提供的方案中，确定网络流量的预测时刻之后，采用第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量，并将上述第一特征向量输入至预先训练得到的网络流量预测模型，由网络流量预测模型进行预测，得到上述预测时刻的网络流量预测值。由于样本特征向量根据第二历史时刻的网络流量信息确定，第二历史时刻不仅可以选择距离样本时刻近的时刻，还可以选择距离样本时刻远的时刻，因此样本网络流量不仅能够反映网络流量的短期信息，还能反映网络流量的长期信息。故基于样本网络流量训练的网络流量预测模型，能够预测短时期、长时期的网络流量，因而能够提高网络流量预测的准确性，降低了预测误差。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种网络流量预测方法的流程示意图；
图2为本申请实施例提供的一种模型训练方法的流程示意图；
图3为本申请实施例提供的另一种模型训练方法的流程示意图；
图4为本申请实施例提供的一种网络流量预测装置的结构示意图；
图5为本申请实施例提供的一种模型训练装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
由于现有技术中存在网络流量预测结果准确性差的技术问题，为解决这一技术问题，本申请实施例提供了一种网络流量预测方法及装置。
本申请的一个例子中，提供了一种网络流量预测方法，该方法包括：
确定网络流量的预测时刻；
根据第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量；其中，第一历史时刻为当前时刻之前且与预设时刻具有周期时长间隔的时刻，第一特征向量包括：第一流量特征和第一流量特征的变化特征；
将第一特征向量输入至网络流量预测模型，获取预测时刻的流量预测值；其中，网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，第二历史时刻为样本时刻之前且与样本时刻具有所述周期时长间隔的时刻，样本时刻为样本网络流量的实际产生时刻，样本特征向量包括：样本流量特征和样本流量特征的变化特征。
由以上可见，上述网络流量预测模型是采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设的回归模型进行训练得到的模型。由于样本特征向量根据第二历史时刻的网络流量信息确定，第二历史时刻不仅可以选择距离样本时刻近的时刻，还可以选择距离样本时刻远的时刻，因此样本网络流量不仅能够反映网络流量的短期信息，还能反映网络流量的长期信息。故基于样本网络流量训练的网络流量预测模型，能够预测短时期、长时期的网络流量，因而能够提高网络流量预测的准确性，降低了预测误差。
下面先通过具体实施例对本申请各实施例提供的网络流量预测方法进行详细介绍。
图1提供了一种网络流量预测方法的流程示意图，该方法包括如下步骤。
S101：确定网络流量的预测时刻。
上述预测时刻可以为当前时刻的下一时刻，也可以为从当前时刻起下一天的每一时刻，还可以为当前时刻之后的一个特定时刻等等。其中，在相邻的两个时刻中，时间点靠前的为上一时刻，时间点靠后的为下一时刻，上一时刻与下一时刻的时间间隔可以为1秒、1分、或1小时，还可以自定义设置。例如：针对上午3:01、上午3:02两个时刻，上午3:01为上一时刻，上午3:02为下一时刻，上午3:01和上午3:02的时间间隔为1s。
S102：根据第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量。
其中，上述第一历史时刻为当前时刻之前、且与上述预测时刻具有周期时长间隔的时刻。上述周期时长间隔可以仅仅为一个时长，也可以为多个时长。例如，上述周期时长间隔可以为1小时、1日或1年，也可以为1小时、1日、1年中的至少一个，假设上述周期时长间隔为1小时、1日和1年，则预测时刻、当前时刻和第一历史时刻可以如下表1所示。
表1
为便于与其他特征向量区分，本申请中将确定的网络流量在预测时刻的特征向量，称为第一特征向量。第一特征向量在后续步骤中用于预测上述预测时刻的网络流量值，因此，第一特征向量也可以称之为预测特征向量。一个时刻的网络流量信息可以理解为：实际产生时刻为这一时刻的网络流量的特征信息。上述特征信息可以为流量特征，流量特征可以为：网络流量值、网络连接数、报文数、字节数、连接IP数等等。
上述第一特征向量可以包括：第一流量特征和第一流量特征的变化特征。
从不同的角度分析网络流量，具有不同的特征信息。也就是，网络流量可以具有多个流量特征。基于此，上述第一流量特征可以理解为网络流量的任一个流量特征。
第一流量特征的变化特征可以理解为：用于表征第一流量特征变化情况的信息。也就是，一个流量特征的变化特征可以理解为：用于表征这一流量特征变化情况的信息。
本申请的一个例子中，上述第一流量特征可以包括以下特征中的至少一种：
根据第一历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第一历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第一历史时刻的网络流量信息中报文数获得的报文数；
根据第一历史时刻的网络流量信息中字节数获得的字节数；
根据第一历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第一历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数。
应用本例子提供的方案进行网络流量预测时，不仅仅会考虑预测时刻之前第一历史时刻的网络流量值，还考虑了预测时刻之前第一历史时刻的网络连接数、报文数、字节数、连接IP数据、网络新建连接数等等，使得进行网络流量预测时，参考的信息多元化，进而能够更加全面的得到网络流量的变化趋势，得到更加准确的网络流量预测结果。
本申请的一个例子中，由于预测时刻是未来的时刻，即还未到达时刻，因此，上述第一流量特征中各个特征的取值并非网络流量在预测时刻的实际值，而是根据第一历史时刻的网络流量信息获得的估算值。
以网络流量值为例，根据第一历史时刻的网络流量信息中网络流量值，获得预测时刻的网络流量值时，也就是获得预测时刻的流量估算值时，可以采用对第一历史时刻的网络流量值进行加权计算的方式，获得预测时刻的流量估算值。
由于越靠近预测时刻的第一历史时刻与预测时刻的关联性越强，因此，越靠近预测时刻的第一历史时刻的网络流量值的加权系数越大，这样不仅考虑了各个时刻之间网络流量的短期影响，还兼顾了各个时刻之间网络流量的长期影响。
假设，预测时刻为2018.11.11 00:00:00，第一历史时刻为：2018.11.10 23:00:00、2018.11.10 22:00:00、2018.11.10 21:00:00、2017.11.11 00:00:00，上述各个第一历史时刻的网络流量值分别用F1、F2、F3和F4表示。
从上述第一历史时刻的具体值来看，与预测时刻之间的时间间隔越来越大，基于此，上述F1、F2、F3和F4的加权系数可以分别为：0.4、0.3、0.2和0.1，则预测时刻的流量估计值F＝0.4xF1+0.3xF2+0.2xF3+0.1xF4。
计算上述第一流量特征中其他特征估算值的过程，可以与上述计算流量值的估算值的原理相同。下面以第一流量特征中“报文数”这一特征为例，简述计算报文数估算值的原理。
假设，预测时刻为2018.11.11 00:00:00，第一历史时刻为：2018.11.10 23:00:00、2018.11.10 22:00:00、2018.11.10 21:00:00、2017.11.11 00:00:00，上述各个第一历史时刻的报文数分别用M1、M2、M3和M4表示。
从上述第一历史时刻的具体值来看，与预测时刻之间的时间间隔越来越大，基于此，上述M1、M2、M3和M4的加权系数可以分别为：0.4、0.3、0.2和0.1，则采用加权计算方式，预测时刻的报文数M＝0.4xM1+0.3xM2+0.2xM3+0.1xM4。
本申请的一个例子中，第一流量特征的变化特征可以包括以下特征中的至少一种：第一流量特征的同比值、第一流量特征的环比值、第一流量特征的增速。
从前述描述可以看出，第一流量特征可以包括前述多种特征中的一个或者多个，当第一流量特征包括多个特征时，上述第一流量特征的变化特征可以理解为：第一流量特征所包含的每一特征的变化特征，也就是，第一流量特征所包含的每一特征的同比值、环比值和增速。例如：第一流量特征包括网络流量值、报文数，则网络流量值的变化特征为网络流量值的同比值、网络流量值的环比值、网络流量值的增速，报文数的变化特征为报文数的同比值、报文数的环比值、报文数的增速。此时，采用网络流量值、网络流量值的变化特征、报文数和报文数的变化特征形成特征向量，将形成的特征向量输入至网络流量预测模型，以获取预测时刻的流量预测值。
可选的，上述增速可以分为同比增速和环比增速。
其中，同比增速＝同比值-1，环比增速＝环比值-1。
其中，计算第一流量特征的同比值、环比值以及增速的时间周期可以是预先根据具体情况设定的，例如，可以设置为1月、1周、1日等等。
下面通过具体实例对网络流量值的同比值、环比值以及增速进行说明。
假设，以1年为时间周期计算同比值，以1年中的1日为时间周期计算环比值，则
2018.11.11 00:00:00网络流量值的同比值为：
2018.11.11 00:00:00网络流量值的环比值为：
上述增速可以分为同比增速和环比增速，则
2018.11.11 00:00:00网络流量值的同比增速为：
2018.11.11 00:00:00网络流量值的环比增速为：
应用本例子提供的方案进行网络流量预测时，不再仅仅考虑网络流量值本身，而是从多个维度考虑了网络流量值的变化，这样在进行网络流量预测时，可以参考更加丰富的信息，使得网络流量的预测结果更加准确。
需要说明的是，本申请仅仅以上述为例进行说明，第一流量特征并不仅限于上述几种，另外，第一流量特征的变化特征也不仅限于上述几种。
S103：将第一特征向量输入至网络流量预测模型，获取预测时刻的流量预测值。
其中，网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型。样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量。具体的，第二历史时刻为样本时刻之前且与样本时刻具有周期时长间隔的时刻，样本时刻为样本网络流量的实际产生时刻，样本特征向量包括：样本流量特征和样本流量特征的变化特征。
为便于区分，本申请实施例称样本网络流量在样本时刻的特征向量为：样本特征向量，称样本网络流量的流量特征为：样本流量特征。
由于样本时刻为样本网络流量的实际产生时刻，而预测时刻为进行网络流量预测是时要预测网络流量的实际产生时刻，因此，样本时刻是位于预测时刻之前的时刻。
本申请的一个例子中，上述样本流量特征可以包括以下特征中的至少一种：
根据第二历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第二历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第二历史时刻的网络流量信息中报文数获得的报文数；
根据第二历史时刻的网络流量信息中字节数获得的字节数；
根据第二历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第二历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数等。
本申请的一个例子中，样本流量特征的变化特征可以包括以下特征中的至少一种：样本流量特征的同比值、样本流量特征的环比值、样本流量特征的增速。
从前述描述可以看出，样本流量特征可以包括前述多种特征中的一个或者多个，当样本流量特征包括多个特征时，上述样本流量特征的变化特征可以理解为：样本流量特征所包含的每一特征的变化特征，也就是，样本流量特征所包含的每一特征的同比值、环比值和增速。
本申请的一个例子中，上述回归模型可以是回归树模型，例如，可以是GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型等。
由以上可见，本实施例提供的方案中，采用第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量，即确定预测特征向量。然后将上述第一特征向量输入至预先训练得到的网络流量预测模型，由网络流量预测模型进行预测，得到上述预测时刻的网络流量预测值。由于样本特征向量根据第二历史时刻的网络流量信息确定，第二历史时刻不仅可以选择距离样本时刻近的时刻，还可以选择距离样本时刻远的时刻，因此样本网络流量不仅能够反映网络流量的短期信息，还能反映网络流量的长期信息。由于上述网络流量预测模型是采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设的回归模型进行训练得到的模型。故基于样本网络流量训练的网络流量预测模型，能够预测短时期、长时期的网络流量，因而能够提高网络流量预测的准确性，降低了预测误差。
另外，应用本申请实施例提供的方案进行网络流量预测时，是采用网络流量预测模型进行流量预测的，是在进行流量预测之前已经训练好网络流量预测模型，因此，相比于现有技术，应用本申请实施例提供的方案预测网络流量降低了计算复杂度。此外，由于网络流量预测过程中和网络流量预测模型的训练过程中使用的特征向量中不仅仅包含流量特征，还包含流量特征的变化特征，且特征向量中包含的流量特征又可以包含多个特征，因此上述特征向量可以从多个维度表征网络流量，进而增强了网络流量预测的自适应性强。
在本申请的又一个例子中，提供了另一种网络流量预测方法的流程示意图，与前述图1相比，步骤S102根据第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量，包括：
S102A：采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，并根据第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量。
其中，第一网络流量信息为：第一时间段内第一预设时刻的网络流量信息，上述第一时间段内第一预设时刻包括第一历史时刻，第一时间段的时长可以根据情况自定义，例如：1日、1小时、2小时、4小时、30分等。
上述第一预设时刻可以是满足第一预设时间间隔的时刻，第一时间段可以具有多个，每一第一时间段内可以存在多个第一预设时刻，不同第一时间段内的第一预设时刻可以是不同的。例如，假设，一个第一时间段为：[2018.5.10 00:00，2018.5.11 00:00]，则这一第一时间段的预设时刻可以为：2018.5.10 00:00、2018.5.10 04:00、2018.5.10 08:00、2018.5.10 12:00、2018.5.10 16:00、2018.5.10 20:00和2018.5.11 00:00；
另一第一时间段为：[2018.5.20 00:00，2018.5.21 00:00]，则这一第一时间段的预设时刻可以为：2018.5.20 00:00、2018.5.20 04:00、2018.5.20 08:00、2018.5.20 12:00、2018.5.20 16:00、2018.5.20 20:00和2018.5.21 00:00。
本申请的一个例子中，上述网络流量信息可以包括：网络流量值。故第一网络流量信息可以包括第一网络流量值，也就是，第一网络流量值为：第一网络流量信息中的网络流量值。由于网络流量的流量值较容易受环境因素的影响而发生变化，基于此，步骤S102A采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，并根据第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量，具体可以如下。
S102Aa：采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果。
第一去噪结果可以为网络流量值在每一第一预设时刻的流量去噪值。对于第一历史时刻的流量去噪值，本实施例称之为第一流量去噪值。
S102Ab：根据第一流量去噪值和第一流量信息，确定网络流量在预测时刻的第一特征向量。
其中，第一流量信息为：第一历史时刻的网络流量信息中除网络流量值以外的信息。
从前述描述可以得知，第一时间段为包括第一历史时刻的时间段，由于第一历史时刻可以存在多个，因此，上述第一时间段可以存在多个。另外，第一网络流量信息为第一时间段内第一预设时刻的网络流量信息，第一时间段内可以包含多个第一预设时刻，所以可以认为存在多个第一网络流量信息，又由于第一网络流量值为各个第一网络流量信息中的网络流量值，因此，也可以认为存在多个第一网络流量值。
具体的，S102Aa步骤中可以采用目标正交小波基对第一网络流量值进行小波分解。由于对于第一时间段而言，可以存在多个第一网络流量值，因此，采用目标正交小波基对第一网络流量值进行小波分解可以理解为：对第一时间段内的多个第一网络流量值进行小波分解。
由于进行小波分解时，可以对连续信号进行小波分解，也可以对离散信号进行小波分解。基于此，对第一时间段内的多个第一网络流量值进行小波分解时，可以认为是对第一时间段内的多个第一网络流量值形成的离散数据序列进行小波分解。
分解过程中分解层数为上述目标分解层数，在分解的每一层中均会得到这一层对应的小波系数。在完成目标分解层数层分解后，得到对第一网络流量值进行小波分解的小波系数，也就是最后一层小波分解得到的小波系数，可以称之为目标小波系数。然后通过对上述目标小波系数进行重置等处理，实现对第一网络流量值中噪声的过滤，获得去噪后的网络流量去噪值序列，也就是第一去噪结果。由于第一预设时刻中包括第一历史时刻，则第一去噪结果中应当包括第一历史时刻对应的流量去噪值，即第一流量去噪值。
本例子提供的方案中，采用小波滤波的方式对第一网络流量值进行滤波处理，滤除了网络流量在流量值中的噪声，进而得到能够更加反映网络流量真正变化趋势和规律的流量值，这样可以使得网络流量的预测结果更加准确。
本申请的一个例子中，第一特征向量可以通过以下步骤D1-D4得到。
步骤D1：根据第一流量去噪值，计算第一流量估算值的第一变化特征。其中，第一流量估算值为：根据第一流量去噪值估算的网络流量值。
本步骤是在获得第一流量估算值之后，计算第一特征向量中网络流量值的变化特征。
具体的，根据第一流量去噪值估算第一流量估算值时，可以采用对第一流量去噪值进行加权计算的方式，获得第一流量估算值。由于越靠近预测时刻的第一历史时刻与预测时刻的关联性越强，因此，越靠近预测时刻的第一历史时刻的第一流量去噪值的加权系数越大。
根据第一流量去噪值，计算第一流量估算值的第一变化特征时，可以先计算各个第一流量去噪值的变化特征，然后对计算得到的变化特征进行加权计算，将加权计算结果作为第一流量估算值的第一变化特征。由于越靠近预测时刻的第一历史时刻与预测时刻的关联性越强，因此，越靠近预测时刻的第一历史时刻的第一流量去噪值的变化特征加权系数越大。
例如，计算各个第一流量去噪值的同比值，对计算得到的各个同比值进行加权计算，将加权结果作为第一流量估算值的同比值。
步骤D2：根据第一流量信息进行特征值估算，获得第一流量子特征的估算值。
本步骤是获得第一特征向量中除网络流量值以外的流量特征。
上述第一流量子特征为：第一流量特征中除网络流量值以外的流量特征，例如，上述第一流量子特征可以为：网络连接数、报文数、字节数、连接IP数等等。第一流量子特征的取值是根据上述第一流量信息估算得到的。
由于第一流量特征中每一流量特征均具有取值，可以将这一取值称为特征值。基于此，特征值估算是指估算流量特征的取值。
需要说明的是，根据第一流量信息进行特征值估算，获得第一流量子特征的估算值的方式可以与获得第一流量估算值的方式类似，采用对第一流量信息中第一流量子特征的特征值进行加权计算的方式，获得第一流量子特征的估算值。
例如，对第一流量信息中网络连接数这一流量特征的特征值进行加权计算，将加权结果作为第一流量子特征中网络连接数这一流量特征的估算值。
步骤D3：根据第一流量信息，计算第一流量子特征的第二变化特征。
本步骤是计算第一特征向量中除网络流量值以外流量特征的变化特征。
根据第一流量信息，计算第一流量子特征的第二变化特征时，可以先计算第一流量信息中第一流量子特征的变化特征，然后对计算得到的变化特征进行加权计算，将加权计算结果作为第一流量子特征的第二变化特征。
例如，计算第一流量信息中每一网络连接数的同比值，对计算得到的各个同比值进行加权计算，将加权结果作为第一流量子特征中网络连接数这一流量特征的同比值。
步骤D4：根据第一流量估算值、第一变化特征、第一流量子特征的估算值、第二变化特征，确定第一特征向量。
具体的，可以将第一流量估计值、第一流量子特征的估计值、第一变化特征以及第二变化特征形成的向量称为第一特征向量。
例如，上述第一特征向量为：[第一流量估计值，第一流量子特征的估计值，第一变化特征，第二变化特征形成的向量]。
本申请的一个例子中，上述S102Aa采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果，包括：
采用预先选择的目标正交小波基，对第一网络流量值进行分解，获得第一网络流量值在预先选择的目标分解层数层的小波系数；
按照以下表达式对所获得的各个小波系数进行重置，并根据重置后的小波系数进行小波重构，获得第一去噪结果：
其中，j表示分解层的标识，k表示小波系数的标识，W(j,k)表示所获得流量实际值在标识为j的分解层中标识为k的小波系数，Tr为预设的阈值，sgn(W(j,k))为符号函数。
一个例子中，上述Tr可以为：sqrt(2*log(n))，其中，n为样本网络流量的数据长度。
本申请的另一个例子中，获得第一网络流量值在预先选择的目标分解层数层的小波系数后，可以直接将所获得系数中小于预设阈值的系数重置为零，保持所获得系数中不小于预设阈值的系数不变。
下面通过具体实施例对网络流量预测模型的训练方法进行详细说明。
本申请的一个例子中，参见图2，提供了一种模型训练方法的流程示意图，通过这一方法，可以训练得到网络流量预测模型。具体如下。
S201：获得样本网络流量在样本时刻的流量实际值。
可以认为样本网络流量是在模型训练之前已经获得的网络流量，具体可以采用网络流量统计工具等手段统计样本网络流量的流量实际值。
S202：根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量。
具体的，第二历史时刻为样本时刻之前、且与样本时刻具有周期时长间隔的时刻，样本时刻为样本网络流量的实际产生时刻，样本特征向量包括：样本流量特征和样本流量特征的变化特征。
上述周期时长间隔可以仅仅为一个时长，也可以为多个时长。例如，上述周期时长间隔可以为1小时、1日或1年，也可以为1小时、1日、1年中的至少一个，假设上述周期时长间隔为1小时、1日和1年，则样本时刻和第二历史时刻可以如下表2所示。
表2
S203：采用样本特征向量和流量实际值，对预设的回归模型进行训练，得到网络流量预测模型。
本申请的一个例子中，上述回归模型可以是回归树模型，例如，可以是GBDT模型等。
具体的，在对GBDT模型进行训练时，可以是将上述样本特征向量和流量实际值作为输入信息，输入至GBDT模型，GBDT模型输出网络流量预测结果，然后通过对比GBDT模型输出的预测结果和流量实际值，对GBDT模型中的参数进行调整，从而实现对GBDT模型的训练。
具体的，对GBDT模型中的参数进行调整的过程可以是：按照上述预测结果与流量实际值之间的差异，调整GBDT模型中的参数，再将将样本特征向量、流量实际值作为调整后GBDT模型的输入参数。
若得到的预测结果更加接近上述流量实际值、或得到的预测结果与流量实际值的差值处于预设范围内，则完成对GBDT模型的训练。否则，重复对GBDT模型中参数的调整，直至完成对得到的预测结果更加接近上述流量实际值、或得到的预测结果与流量实际值的差值处于预设范围。该预设范围一般为根据经验设定，本公开不作特别限定。
在对预设的回归模型进行训练得到上述网络流量预测模型的过程中，可以选择多条网络流量作为训练样本，本申请中将上述训练样本称之为样本网络流量。每一条样本网络流量均具有产生时刻，称为样本时刻，也就是说，每一条样本网络流量对应于一个样本时刻。
需要说明的是，采用每一条样本网络流量对预设的回归模型进行训练时，训练过程均可以理解为对S201-S203步骤的重复。
网络流量在各个时刻具有特征向量，本申请中将网络流量在样本时刻的特征向量称为样本特征向量。样本特征向量包括：样本流量特征和样本流量特征的变化特征。
本申请的一个例子中，上述样本流量特征可以包括以下特征中的至少一种：
根据第二历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第二历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第二历史时刻的网络流量信息中报文数获得的报文数；
根据第二历史时刻的网络流量信息中字节数获得的字节数；
根据第二历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第二历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数等。
本申请的一个例子中，样本流量特征的变化特征可以包括以下特征中的至少一种：样本流量特征的同比值、样本流量特征的环比值、样本流量特征的增速。
从前述描述可以看出，样本流量特征可以包括前述多种特征中的一个或者多个，当样本流量特征包括多个特征时，上述样本流量特征的变化特征可以理解为：样本流量特征所包含的每一特征的变化特征，也就是，样本流量特征所包含的每一特征的同比值、环比值和增速。
需要说明的是，从S201可以看出，流量实际值是指在样本时刻样本网络流量的实际值。而对于第二历史时刻来说，样本时刻为未来时刻，因此对于样本流量特征所包括的网络流量值，则为：根据第二历史时刻的网络流量信息中网络流量值获得的流量估算值。
具体的，根据第二历史时刻的网络流量信息中网络流量值，获得流量估算值时，可以采用对第二历史时刻的网络流量值进行加权计算的方式，获得上述流量估计值。
由于越靠近样本时刻的第二历史时刻与样本时刻的关联性越强，因此，越靠近样本时刻的第二历史时刻的网络流量值的加权系数越大，这样不仅考虑了各个时刻之间网络流量的短期影响，还兼顾了各个时刻之间网络流量的长期影响。
假设，样本时刻为2017.11.11 00:00:00，第二历史时刻为：2017.11.10 23:00:00、2017.11.10 22:00:00、2017.11.10 21:00:00、2016.11.11 00:00:00，上述各个第二历史时刻的网络流量值分别用F5、F6、F7和F8表示。
从上述第二历史时刻的具体值来看，与样本时刻之间的时间间隔越来越大，基于此，上述F5、F6、F7和F8的加权系数可以分别为：0.4、0.3、0.2和0.1，则预测时刻的流量估计值F＝0.4xF1+0.3xF2+0.2xF3+0.1xF4。
本申请的另一个例子中，参见图3，提供了另一种模型训练方法的流程示意图，与前述图2所示例子相比，本例子中，步骤S202根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量，包括：
S202A：采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，并根据第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量。
其中，第二网络流量信息为：第二时间段内第二预设时刻的网络流量信息，上述第二时间段内第二预设时刻包括第二历史时刻，第二时间段的时长可以根据情况自定义，例如：1日、1小时、2小时、4小时、30分等。
本申请例子中，并不限定上述第二时间段的时长与前述流量预测例子中提及的第一时间段的时长之间的取值关系。其中，第二时间段的时长和第一时间段的时长取相同时长时，由于网络流量模型训练过程与网络流量预测过程所使用网络流量信息对应的时长一致，进而能够获得较为准确的流量预测结果。
上述第二预设时刻可以是满足第二预设时间间隔的时刻，第二时间段可以具有多个，每一第二时间段内可以存在多个第二预设时刻，不同第二时间段内的第二预设时刻可以是不同的。例如，假设，一个第二时间段为：[2018.4.10 00:00，2018.4.11 00:00]，则这一第二时间段的预设时刻可以为：2018.4.10 00:00、2018.4.10 04:00、2018.4.10 08:00、2018.4.10 12:00、2018.4.10 16:00、2018.4.10 20:00和2018.4.11 00:00；
另一第二时间段为：[2018.4.20 00:00，2018.4.21 00:00]，则这一第二时间段的预设时刻可以为：2018.4.20 00:00、2018.4.20 04:00、2018.4.20 08:00、2018.4.20 12:00、2018.4.20 16:00、2018.4.20 20:00和2018.4.21 00:00。
具体的，上述第二预设时间间隔可以是按照具体应用中对网络流量的预测精度要求确定的，例如，预测精度要求越高，第二预设时间间隔越短，预测精度要求越低，第二预设时间间隔越长。
另外，本申请例子中，并不限定上述第二预设时间间隔与前述流量预测例子中提及的第一预设时间间隔之间的取值关系，其中，第二预设时间间隔和第一预设时间间隔的取值相同时，由于网络流量模型训练过程与网络流量预测过程在去噪处理时，所使用的网络流量信息数量一致，进而能够获得较为准确的流量预测结果。
需要说明的是，在图1及其他所涉及的实施例中，网络流量预测模型的训练方法可以为图2、图3或其他所示的模型训练方法实施例，由此可以说明前述网络流量预测例子中提及的S102A和模型训练例子中提及的S202A可以包含于同一例子中，也可以不包含于同一例子中，本申请并不对此进行限定。其中，在S102A和S202A包含于同一例子的情况下，能够获得较为准确的网络流量预测效果。
本申请的一个例子中，上述网络流量信息可以包括：网络流量值。因此第二网络流量信息可以包括第二网络流量值。由于网络流量的流量值较容易受环境因素的影响而发生变化，基于此，上述S202A采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，并根据第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量，具体可以如下。
S202Aa：采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果。
第二去噪结果可以为网络流量值在每一个第二预设时刻的流量去噪值。对于第二历史时刻的流量去噪值，本实施例称之为第二流量去噪值。
S202Ab：根据第二流量去噪值和第二流量信息，确定网络流量在样本时刻的样本特征向量。
其中，第二流量信息为：第二历史时刻的网络流量信息中除网络流量值以外的信息。
从前述描述可以得知，第二时间段为包括第二历史时刻的时间段，由于第二历史时刻可以存在多个，因此，上述第二时间段可以存在多个。另外，第二网络流量信息为第二时间段内第二预设时刻的网络流量信息，第二时间段内可以包含多个第二预设时刻，所以可以认为存在多个第二网络流量信息。又由于第二网络流量值为第二网络流量信息中的网络流量值，因此，也可以认为存在多个第二网络流量值。
具体的，S202Aa步骤中可以采用目标正交小波基对第二网络流量值进行小波分解。由于对于第二时间段而言，可以存在多个第二网络流量值，因此，采用目标正交小波基对第二网络流量值进行小波分解可以理解为：对第二时间段内的多个第二网络流量值进行小波分解。
由于进行小波分解时，可以对连续信号进行小波分解，也可以对离散信号进行小波分解。基于此，对第二时间段内的多个第二网络流量值进行小波分解时，可以认为是对第二时间段内的多个第二网络流量值形成的离散数据序列进行小波分解。
分解过程中分解层数为上述目标分解层数，在分解的每一层中均会得到这一层对应的小波系数。在完成目标分解层数层分解后，得到对第二网络流量值进行小波分解的小波系数，也就是最后一层小波分解得到的小波系数，可以称之为目标小波系数。然后通过对上述目标小波系数进行重置等处理，实现对第二网络流量值中噪声的过滤，获得去噪后的网络流量去噪值序列，也就是第二去噪结果。由于第二预设时刻中包括第二历史时刻，则第二去噪结果中应当包括第二历史时刻对应的流量去噪值，即第二流量去噪值。
本例子提供的方案中，采用小波滤波的方式对第二网络流量值进行滤波处理，滤除了网络流量在流量值中的噪声，进而得到能够更加反映网络流量真正变化趋势和规律的流量值，这样使得训练得到的网络流量预测模型更加准确，进而在使用这一网络流量预测模型进行网络流量预测时，得到更加准确的预测结果。
需要说明的是，在图1及其他所涉及的实施例中，网络流量预测模型的训练方法可以为图2、图3或其他所示的模型训练方法实施例，由此可以说明前述网络流量预测例子中提及的S102Aa和模型训练例子中提及的S202Aa可以包含于同一例子中，也可以不包含于同一例子中，本申请并不对此进行限定。其中，在S102Aa和S202Aa包含于同一例子的情况下，能够获得较为准确的网络流量预测效果。
本申请的一个例子中，样本流量特征可以包括：样本流量估算值和样本流量子特征，其中，样本流量估算值为：根据第二流量去噪值估算的网络流量值，则样本特征向量可以通过以下步骤E1-E4得到。
步骤E1：根据第二流量去噪值，计算样本流量估算值的第三变化特征。
本步骤是在获得样本流量估算值之后，计算样本特征向量中网络流量值的变化特征。
具体的，上述样本流量估算值可以理解为：网络流量在样本时刻的网络流量值的估算值。根据第二流量去噪值估算样本流量估算值时，可以采用对第二流量去噪值进行加权计算的方式，获得样本流量估算值。由于越靠近样本时刻的第二历史时刻与样本时刻的关联性越强，因此，越靠近样本时刻的第二历史时刻的第二流量去噪值的加权系数越大。
根据第二流量去噪值，计算样本流量估算值的第三变化特征时，可以先计算各个第二流量去噪值的变化特征，然后对计算得到的变化特征进行加权计算，将加权计算结果作为样本流量估算值的第三变化特征。由于越靠近预测时刻的第二历史时刻与样本时刻的关联性越强，因此，越靠近样本时刻的第二历史时刻的样本流量去噪值的变化特征加权系数越大。
例如，计算各个样本流量去噪值的同比值，对计算得到的各个同比值进行加权计算，将加权结果作为样本流量估算值的同比值。
步骤E2：根据第二流量信息进行特征值估算，获得样本流量子特征的估算值。
本步骤是获得样本特征向量中除网络流量值以外的流量特征。
上述样本流量子特征为：样本流量特征中除网络流量值以外的流量特征，例如，上述样本流量子特征可以为：网络连接数、报文数、字节数、连接IP数等等。样本流量子特征的取值是根据上述第二流量信息估算的流量特征。
由于样本流量特征中每一流量特征均具有取值，可以将这一取值称为特征值。基于此，特征值估算是指估算流量特征的取值。
需要说明的是，根据第二流量信息进行特征值估计，获得样本流量子特征的估算值的方式可以与获得样本流量估算值的方式类似，采用对第二流量信息中样本流量子特征的特征值进行加权计算的方式，获得样本流量子特征的估算值。
例如，对第二流量信息中网络连接数这一流量特征的特征值进行加权计算，将加权结果作为样本流量子特征中网络连接数这一流量特征的估算值。
步骤E3：根据第二流量信息，计算样本流量子特征的第四变化特征。
本步骤是计算样本特征向量中除网络流量值以外流量特征的变化特征。
根据第二流量信息，计算流量子特征的第四变化特征时，可以先计算第二流量信息中样本流量子特征的变化特征，然后对计算得到的变化特征进行加权计算，将加权计算结果作为样本流量子特征的第四变化特征。
例如，计算第二流量信息中每一网络连接数的同比值，对计算得到的各个同比值进行加权计算，将加权结果作为样本流量子特征中网络连接数这一流量特征的同比值。
步骤E4：根据样本流量估算值、第三变化特征、样本流量子特征的估算值、第四变化特征，确定样本特征向量。
具体的，可以将样本流量估算值、样本流量子特征的估算值、第三变化特征以及第四变化特征形成的向量称为样本特征向量。
例如，上述第一特征向量为：[样本流量估算值，样本流量子特征的估算值，第三变化特征，第四变化特征]。
本申请的一个例子中，采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果，包括：
采用预先选择的目标正交小波基，对第二网络流量值进行分解，获得第二网络流量值在预先选择的目标分解层数层的小波系数；
按照以下表达式对所获得的各个小波系数进行重置，并根据重置后的小波系数进行小波重构，获得第二去噪结果：
其中，j表示分解层的标识，k表示小波系数的标识，W(j,k)表示所获得流量实际值在标识为j的分解层中标识为k的小波系数，Tr为预设的阈值，sgn(W(j,k))为符号函数。
一个例子中，上述Tr可以为：sqrt(2*log(n))，其中，n为样本网络流量的数据长度。
本申请的另一个例子中，获得第二网络流量值在预先选择的目标分解层数层的小波系数后，可以直接将所获得系数中小于预设阈值的系数重置为零，而保持所获得系数中不小于预设阈值的系数不变。
在前述网络流量预测过程以及模型训练例子中均涉及到了目标正交小波基和目标分解层数，下面通过具体例子介绍如何选择目标正交小波基以及目标分解层数。
本申请的一个例子中，可以通过以下步骤J1-J3选择上述目标正交小波基和目标分解层数。
步骤J1：获得样本网络流量的流量实际值和至少一候选正交小波基。
上述候选正交小波基可以是预先根据具体应用需求选择的正交小波基。候选正交小波基的数量可以是一个，也可以是一个以上，本申请并不对此进行限定。
步骤J2：分别基于每一候选正交小波基对上述流量实际值进行小波分解，获得每一候选正交小波基对应的分解层数。
本申请的另一个例子中，可以通过以下方式获得每一候选正交小波基对应的分解层数。
采用候选正交小波基对样本网络流量的流量实际值进行分解；
判断分解结果中高频信号的平稳程度是否达到预设平稳程度；
若为否，采用候选正交小波基对分解结果中的低频信号继续进行分解，并执行上述判断分解结果中高频信号的平稳程度是否达到预设平稳程度的步骤，直至分解结果中高频信号的平稳程度达到预设平稳程度；
若为是，将累积分解次数确定为候选正交小波基对应的分解层数。
由于小波分解是一种可以对时间序列数据进行多层分解的技术，每次分解得到的分解结果可以将时间序列分解为低频信号和高频信号。其中，低频信号变化性较小，代表信号的主要变化趋势；高频信号变化较大，代表信号中的不稳定变化因素。因此，上述例子提供的方案中，采用对网络流量值进行小波分解，并逐层对分解得到的低频信号进行小波分解的方式，可以实现对样本网络数据细致的分析，得到样本网络数据的真正变化趋势和规律。
步骤J3：将分解层数最小的候选正交小波基确定为目标正交小波基，并将目标正交小波基对应的分解层数确定为目标分解层数。
下面通过一个具体实例对选择目标正交小波基和目标分解层数的过程进行说明。
假设，候选正交小波基包括：A、B和C；预设平稳程度为：M。
下面依次基于A、B和C对样本网络流量的流量实际值进行分解。
步骤G1：基于A对样本网络流量的流量实际值进行分解，得到分解结果：低频信号RAL1和高频信号RAH1；此时，基于A对样本网络流量的流量实际值进行分解的累积分解次数为：1。
步骤G2：经判断RAH1的平稳程度未达到M，因此，基于A继续对RAL1进行分解，得到分解结果：低频信号RAL2和高频信号RAH2；此时，基于A对样本网络流量的流量实际值进行分解的累积分解次数为：2。
步骤G3：经判断RAH2的平稳程度也未达到M，因此，基于A继续对RAL2进行分解，得到分解结果：低频信号RAL3和高频信号RAH3；此时，基于A对样本网络流量的流量实际值进行分解的累积分解次数为：3。
步骤G4：经判断RAH3的平稳程度达到了M，则A对应的分解层数为：3。
获得B和C对应的分解层数的步骤与上述步骤G1-G4类似，差别仅在于所选用的候选正交小波基不同，这里不再赘述。
假设，B对应的分解层数为：4，C对应的分解层数为：5，则A的分解层数最小，A为目标正交小波基，目标分解层数为：A对应的分解层数3。
下面通过一具体的实施例对本申请进行详细地说明介绍。
本实施例包括两个过程：(一)网络流量预测模型的训练过程；(二)应用网络流量预测模型进行流量预测过程。
假设，网络流量的特征向量中流量特征包括：网络流量值和报文数，其中，报文数为一流量子特征。则样本网络流量特征包括：网络流量值和报文数，第一特征向量中流量特征包括：网络流量值和报文数，其中，针对样本网络流量特征而言，报文数为样本流量子特征；针对第一特征向量而言，报文数为第一流量子特征。预设的回归模型为：GBDT模型。
(一)网络流量预测模型的训练过程
训练得到网络流量预测模型的过程如下步骤H1-H6所示。
步骤H1，获得样本网络流量在样本时刻的流量实际值。
流量实际值是指在样本时刻样本网络流量的实际值。步骤H1具体可以参阅前述步骤S201，在此不再赘述。
步骤H2，获得网络流量在第二时间段内第二预设时刻的第二网络流量信息，其中，每一第二网络流量信息中包括：网络流量值和报文数。
采用上述选择的目标正交小波基A对各个第二网络流量信息中的第二网络流量值进行小波分解，分解层数为3层。
然后对第3层对应的小波系数进行重置，实现对第二网络流量值中噪声的过滤，得到第二流量去噪结果，从第二流量去噪结果中，获得第二历史时刻的流量去噪值，也就是第二流量去噪值。
步骤H2可以参阅前述步骤S202Aa，在此不再赘述。
步骤H3，采用第二流量去噪值估算样本流量估算值，并根据第二流量去噪值，计算样本流量估算值的第三变化特征。步骤H3请参阅前述步骤E1，在此不再赘述。
步骤H4，从网络流量在各个第二历史时刻的第二网络流量信息中获得报文数，作为第二报文数。根据第二报文数估算样本报文估算值，并根据第二报文数，计算样本报文估算值的第四变化特征。步骤H4请参阅前述步骤E2、E3，在此不再赘述。
步骤H5，将由样本流量估算值、第三变化特征、样本报文估算值和第四变化特征形成的向量称为样本特征向量。其中，上述样本流量估算值即为样本特征向量所包括的网络流量值。
步骤H5请参阅前述步骤E4，在此不再赘述。
步骤H6，采用上述样本特征向量和流量实际值，对GBDT模型进行训练，得到网络流量预测模型。步骤H6请参阅步骤S203，在此不再赘述。
(二)应用网络流量预测模型进行流量预测过程
基于上述训练得到的网络流量预测模型进行流量预测的过程如下步骤I1-I6所示。
步骤I1，确定网络流量的预测时刻。步骤I1请参阅前述步骤S101，这里不再赘述。
步骤I2，获得网络流量在第一时间段内第一预设时刻的第一网络流量信息，其中，每一第一网络流量信息中包括：网络流量值和报文数，采用上述选择的目标正交小波基A对各个第一网络流量信息中的第一网络流量值进行小波分解，分解层数为3层，然后对第3层对应的小波系数进行重置，实现对第一网络流量值中噪声的过滤，得到第一流量去噪结果，从第一流量去噪结果中，获得第一历史时刻的流量去噪值，也就是第一流量去噪值。步骤I2请参阅前述步骤S102Aa，这里不再赘述。
步骤I3，采用第一流量去噪值估算第一流量估算值，并根据第一流量去噪值，计算第一流量估算值的第一变化特征。步骤I3请参阅前述步骤D1，这里不再赘述。
步骤I4，从网络流量在各个第一历史时刻的第一网络流量信息中获得报文数，作为第一报文数，根据第一报文数估算第一报文估算值，并根据第一报文数，计算第一报文估算值的第二变化特征。步骤I4请参阅前述步骤D2、D3，这里不再赘述。
步骤I5，将由第一流量估算值、第一变化特征、第一报文估算值和第二变化特征形成的向量称为第一特征向量。步骤I5请参阅步骤D4，这里不再赘述。
步骤I6，将第一特征向量输入至网络流量预测模型，获得上述预测时刻的流量预测值。步骤I6请参阅前述步骤S103，这里不再赘述。
与上述网络流量预测方法相对应，本申请实施例还提供了一种网络流量预测装置。
图4为本申请实施例提供的一种网络流量预测装置的结构示意图，该装置包括：
时刻确定模块401，用于确定网络流量的预测时刻；
向量确定模块402，用于根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
预测值获得模块403，用于将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
本申请的一个例子中，所述第一流量特征包括以下特征中的至少一种：
根据第一历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第一历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第一历史时刻的网络流量信息中报文数获得的报文数；
根据第一历史时刻的网络流量信息中字节数获得的字节数；
根据第一历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第一历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数。
本申请的一个例子中，所述第一流量特征的变化特征包括以下特征中的至少一种：
第一流量特征的同比值、第一流量特征的环比值、第一流量特征的增速。
由以上可见，本实施例提供的方案中，确定网络流量的预测时刻之后，采用第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量，并将上述第一特征向量输入至预先训练得到的网络流量预测模型，由网络流量预测模型进行预测，得到上述预测时刻的网络流量预测值。由于样本特征向量根据第二历史时刻的网络流量信息确定，第二历史时刻不仅可以选择距离样本时刻近的时刻，还可以选择距离样本时刻远的时刻，因此样本网络流量不仅能够反映网络流量的短期信息，还能反映网络流量的长期信息。由于上述网络流量预测模型是采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设的回归模型进行训练得到的模型。故基于样本网络流量训练的网络流量预测模型，能够预测短时期、长时期的网络流量，因而能够提高网络流量预测的准确性，降低了预测误差。
本申请的一个例子中，上述网络流量预测装置还包括模型训练模块，其中，
模型训练模块，用于训练得到所述网络流量预测模型。
基于此，参见图5，提供了一种模型训练装置的结构示意图，该示意图中示出了上述模型训练模块的一种结构示意图。模型训练模块，包括：
实际值获得子模块501，用于获得样本网络流量在样本时刻的流量实际值；
第一向量确定子模块502，用于根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；
模型训练子模块503，用于采用所述样本特征向量和流量实际值，对所述预设的回归模型进行训练，得到所述网络流量预测模型。
本申请的另一个例子中，与前述图5所示例子相比，本例子中，
所述预测值获取模块或第一向量确定子模块502，具体用于采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，其中，所述第二网络流量信息为：第二时间段内第二预设时刻的网络流量信息，所述第二预设时刻包括第二历史时刻；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；和/或
所述向量确定模块402，具体用于采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，其中，所述第一网络流量信息为：第一时间段内第一预设时刻的网络流量信息，所述第一预设时刻包括第一历史时刻；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量。
由以上可见，本例子提供的方案中，采用小波滤波的方式对第二网络流量值进行滤波处理，滤除了网络流量在样本时刻的流量值中的噪声，进而得到能够更加反映网络流量真正变化趋势和规律的流量值，这样使得训练得到的网络流量预测模型更加准确，进而在使用这一网络流量预测模型进行网络流量预测时，得到更加准确的预测结果。
本申请的一个例子中，所述网络流量信息可以包括：网络流量值，则
所述预测值获取模块或第一向量确定子模块502可以包括：
结果获得单元，用于采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果；
第一向量确定单元，用于根据第二流量去噪值和第二流量信息，确定网络流量在样本时刻的样本特征向量，其中，所述第二流量去噪值为：所述第二去噪结果中第二历史时刻的网络流量值，所述第二流量信息为：所述第二历史时刻的网络流量信息中除网络流量值以外的信息；
和/或
所述向量确定模块402可以包括：
结果获得子模块，用于采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果；
第二向量确定子模块，用于根据第一流量去噪值和第一流量信息，确定网络流量在所述预测时刻的第一特征向量，其中，所述第一流量去噪值为：所述第一去噪结果中第一历史时刻的网络流量值，所述第一流量信息为：所述第一历史时刻的网络流量信息中除网络流量值以外的信息。
本申请的一个例子中，所述第一流量特征可以包括：第一流量估算值和第一流量子特征，其中，所述第一流量估算值为：根据所述第一流量去噪值估算的网络流量值，则所述第二向量确定子模块可以包括：
第一特征计算单元，用于根据所述第一流量去噪值，计算所述第一流量估算值的第一变化特征；
估算值获得单元，用于根据所述第一流量信息进行特征值估算，获得第一流量子特征的估算值；
第二特征计算单元，用于根据所述第一流量信息，计算第一流量子特征的第二变化特征；
第二向量确定单元，用于根据所述第一流量估算值、第一变化特征、第一流量子特征的估算值、第二变化特征，确定所述第一特征向量。
本申请的一个例子中，所述样本流量特征包括：样本流量估算值和样本流量子特征，其中，所述样本流量估算值为：根据所述第二流量去噪值估算的网络流量值，则所述第一向量确定单元可以包括：
第一特征计算子单元，用于根据所述第二流量去噪值，计算所述样本流量估算值的第三变化特征；
估算值获得子单元，用于根据所述第二流量信息进行特征值估算，获得样本流量子特征的估算值；
第二特征计算子单元，用于根据所述第二流量信息，计算样本流量子特征的第四变化特征；
向量确定子单元，用于根据所述样本流量估算值、第三变化特征、样本流量子特征的估算值、第四变化特征，确定所述样本特征向量。
本申请的一个例子中，所述结果获得单元可以包括：
系数获得子单元，用于采用预先选择的目标正交小波基，对第二网络流量值进行分解，获得第二网络流量值在预先选择的目标分解层数层的小波系数；
结果获得子单元，用于按照以下表达式对所获得的各个小波系数进行重置，并根据重置后的小波系数进行小波重构，获得第二去噪结果：
其中，j表示分解层的标识，k表示小波系数的标识，W(j,k)表示所获得流量实际值在标识为j的分解层中标识为k的小波系数，Tr为预设的阈值，sgn(W(j,k))为符号函数。
本申请的一个例子中，所述网络流量预测装置还可以包括：
信息选择模块，用于选择所述目标正交小波基和目标分解层数；
其中，所述信息选择模块可以包括：
信息获得子模块，用于获得所述流量实际值和至少一候选正交小波基；
层数获得子模块，用于分别基于每一候选正交小波基对所述流量实际值进行小波分解，获得每一候选正交小波基对应的分解层数；
信息确定子模块，用于将分解层数最小的候选正交小波基确定为所述目标正交小波基，并将所述目标正交小波基对应的分解层数确定为所述目标分解层数。
本申请的一个例子中，所述层数获得子模块可以包括：
流量值分解单元，用于采用候选正交小波基对所述流量实际值进行分解；
程度判断单元，用于判断分解结果中高频信号的平稳程度是否达到预设平稳程度，若为否，触发信号分解单元，若为是，触发层数确定单元；
所述信号分解单元，用于采用候选正交小波基对分解结果中的低频信号进行分解，并触发所述程度判断单元，直至分解结果中高频信号的平稳程度达到预设平稳程度；
所述层数确定单元，用于将累积分解次数确定为候选正交小波基对应的分解层数。
由于小波分解是一种可以对时间序列数据进行多层分解的技术，每次分解得到的分解结果可以将时间序列分解为低频信号和高频信号，其中，低频信号变化性较小，代表信号的主要变化趋势，高频信号变化较大，代表信号中的不稳定变化因素，因此，上述例子提供的方案中，采用对网络流量值进行小波分解，并逐层对分解得到的低频信号进行小波分解的方式，可以实现对样本网络数据细致的分析，得到样本网络数据的真正变化趋势和规律。
与上述网络流量预测方法及装置相对应，本申请实施例还提供了一种电子设备。
图6为本申请实施例提供的一种电子设备的结构示意图，该电子设备包括：处理器61、机器可读存储介质62和系统总线63，所述处理器61和机器可读存储介质62通过所述系统总线63完成相互间的通信，所述机器可读存储介质62存储有能够被所述处理器61执行的机器可执行指令，所述机器可执行指令包括：确定指令621和获取指令622；
所述处理器61被所述确定指令621促使执行：确定网络流量的预测时刻；
所述处理器61被所述确定指令621促使还执行：根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预设时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
所述处理器61被所述获取指令622促使执行：将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
由以上可见，本实施例提供的方案中，电子设备中的处理器执行机器可执行指令确定网络流量的预测时刻之后，采用第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量，并将上述第一特征向量输入至预先训练得到的网络流量预测模型，由网络流量预测模型进行预测，得到上述预测时刻的网络流量预测值。由于样本特征向量根据第二历史时刻的网络流量信息确定，第二历史时刻不仅可以选择距离样本时刻近的时刻，还可以选择距离样本时刻远的时刻，因此样本网络流量不仅能够反映网络流量的短期信息，还能反映网络流量的长期信息。由于上述网络流量预测模型是采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设的回归模型进行训练得到的模型。故基于样本网络流量训练的网络流量预测模型，能够预测短时期、长时期的网络流量，因而能够提高网络流量预测的准确性，降低了预测误差。
本申请的一个例子中，所述处理器61被所述获取指令622促使还执行：获得样本网络流量在样本时刻的流量实际值；根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；采用所述样本特征向量和流量实际值，对所述预设的回归模型进行训练，得到所述网络流量预测模型。
本申请的一个例子中，所述处理器61被所述确定指令621促使执行：采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，其中，所述第二网络流量信息为：第二时间段内第二预设时刻的网络流量信息，所述第二预设时刻包括第二历史时刻；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；和/或
采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，其中，所述第一网络流量信息为：第一时间段内第一预设时刻的网络流量信息，所述第一预设时刻包括第一历史时刻；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量。
本申请的一个例子中，所述网络流量信息包括：网络流量值，所述处理器61被所述确定指令621促使执行：采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果，并根据第二流量去噪值和第二流量信息，确定网络流量在样本时刻的样本特征向量；其中，所述第二流量去噪值为：所述第二去噪结果中第二历史时刻的网络流量值，所述第二流量信息为：所述第二历史时刻的网络流量信息中除网络流量值以外的信息；和/或
采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果，并根据第一流量去噪值和第一流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一流量去噪值为：所述第一去噪结果中第一历史时刻的网络流量值，所述第一流量信息为：所述第一历史时刻的网络流量信息中除网络流量值以外的信息。
本申请的一个例子中，所述第一流量特征包括：第一流量估算值和第一流量子特征，其中，所述第一流量估算值为：根据所述第一流量去噪值估算的网络流量值，所述处理器61被所述获取指令622促使执行：根据所述第一流量去噪值，计算所述第一流量估算值的第一变化特征；根据所述第一流量信息进行特征值估算，获得第一流量子特征的估算值；根据所述第一流量信息，计算第一流量子特征的第二变化特征；根据所述第一流量估算值、第一变化特征、第一流量子特征的估算值、第二变化特征，确定所述第一特征向量。
本申请的一个例子中，所述样本流量特征包括：样本流量估算值和样本流量子特征，其中，所述样本流量估算值为：根据所述第二流量去噪值估算的网络流量值，所述处理器61被所述获取指令622促使执行：根据所述第二流量去噪值，计算所述样本流量估算值的第三变化特征；根据所述第二流量信息进行特征值估算，获得样本流量子特征的估算值；根据所述第二流量信息，计算样本流量子特征的第四变化特征；根据所述样本流量估算值、第三变化特征、样本流量子特征的估算值、第四变化特征，确定所述样本特征向量。
本申请的一个例子中，所述处理器61被所述获取指令622促使执行：采用预先选择的目标正交小波基，对第二网络流量值进行分解，获得第二网络流量值在预先选择的目标分解层数层的小波系数；按照以下表达式对所获得的各个小波系数进行重置，并根据重置后的小波系数进行小波重构，获得第二去噪结果：
其中，j表示分解层的标识，k表示小波系数的标识，W(j,k)表示所获得流量实际值在标识为j的分解层中标识为k的小波系数，Tr为预设的阈值，sgn(W(j,k))为符号函数。
本申请的一个例子中，所述处理器61被所述获取指令622促使执行：获得所述流量实际值和至少一候选正交小波基；分别基于每一候选正交小波基对所述流量实际值进行小波分解，获得每一候选正交小波基对应的分解层数；将分解层数最小的候选正交小波基确定为所述目标正交小波基，并将所述目标正交小波基对应的分解层数确定为所述目标分解层数。
本申请的一个例子中，所述处理器61被所述获取指令622促使执行：采用候选正交小波基对所述流量实际值进行分解；判断分解结果中高频信号的平稳程度是否达到预设平稳程度；若为否，采用候选正交小波基对分解结果中的低频信号进行分解，并执行所述判断分解结果中高频信号的平稳程度是否达到预设平稳程度的步骤，直至分解结果中高频信号的平稳程度达到预设平稳程度；若为是，将累积分解次数确定为候选正交小波基对应的分解层数。
本申请的一个例子中，所述第一流量特征包括以下特征中的至少一种：
根据第一历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第一历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第一历史时刻的网络流量信息中报文数获得的报文数；
根据第一历史时刻的网络流量信息中字节数获得的字节数；
根据第一历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第一历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数。
本申请的一个例子中，所述第一流量特征的变化特征包括以下特征中的至少一种：
第一流量特征的同比值、第一流量特征的环比值、第一流量特征的增速。
与上述网络流量预测方法及装置相对应，本申请实施例还提供了一种机器可读存储介质。该机器可读存储介质存储有机器可执行指令，所述机器可执行指令包括：确定指令和获取指令；
所述确定指令在被处理器调用和执行时，所述确定指令促使所述处理器执行：确定网络流量的预测时刻；
所述确定指令在被处理器调用和执行时，所述确定指令还促使所述处理器执行：根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
所述获取指令在被处理器调用和执行时，所述获取指令促使所述处理器执行：将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
由以上可见，本实施例提供的方案中，机器可读存储介质中存储的机器可执行指令被处理器调用和执行确定网络流量的预测时刻之后，采用第一历史时刻的网络流量信息，确定网络流量在预测时刻的第一特征向量，并将上述第一特征向量输入至预先训练得到的网络流量预测模型，由网络流量预测模型进行预测，得到上述预测时刻的网络流量预测值。由于样本特征向量根据第二历史时刻的网络流量信息确定，第二历史时刻不仅可以选择距离样本时刻近的时刻，还可以选择距离样本时刻远的时刻，因此样本网络流量不仅能够反映网络流量的短期信息，还能反映网络流量的长期信息。由于上述网络流量预测模型是采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设的回归模型进行训练得到的模型。故基于样本网络流量训练的网络流量预测模型，能够预测短时期、长时期的网络流量，因而能够提高网络流量预测的准确性，降低了预测误差。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备和机器可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
Claims (15)
1.一种网络流量预测方法，其特征在于，包括：
确定网络流量的预测时刻；
根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
2.根据权利要求1所述的方法，其特征在于，所述网络流量预测模型通过以下方式训练得到：
获得样本网络流量在样本时刻的流量实际值；
根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；
采用所述样本特征向量和流量实际值，对所述预设的回归模型进行训练，得到所述网络流量预测模型。
3.根据权利要求1或2所述的方法，其特征在于，所述在样本时刻的样本特征向量通过以下方式确定：
采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，其中，所述第二网络流量信息为：第二时间段内第二预设时刻的网络流量信息，所述第二预设时刻包括第二历史时刻；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；和/或
所述根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量，包括：
采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，其中，所述第一网络流量信息为：第一时间段内第一预设时刻的网络流量信息，所述第一预设时刻包括第一历史时刻；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量。
4.根据权利要求3所述的方法，其特征在于，所述网络流量信息包括：网络流量值，则
所述采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量，包括：
采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果，并根据第二流量去噪值和第二流量信息，确定网络流量在样本时刻的样本特征向量；其中，所述第二流量去噪值为：所述第二去噪结果中第二历史时刻的网络流量值，所述第二流量信息为：所述第二历史时刻的网络流量信息中除网络流量值以外的信息；和/或
所述采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量，包括：
采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果，并根据第一流量去噪值和第一流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一流量去噪值为：所述第一去噪结果中第一历史时刻的网络流量值，所述第一流量信息为：所述第一历史时刻的网络流量信息中除网络流量值以外的信息。
5.根据权利要求4所述的方法，其特征在于，
所述第一流量特征包括：第一流量估算值和第一流量子特征，其中，所述第一流量估算值为：根据所述第一流量去噪值估算的网络流量值，则所述第一特征向量通过以下方式得到：
根据所述第一流量去噪值，计算所述第一流量估算值的第一变化特征；
根据所述第一流量信息进行特征值估算，获得第一流量子特征的估算值；
根据所述第一流量信息，计算第一流量子特征的第二变化特征；
根据所述第一流量估算值、第一变化特征、第一流量子特征的估算值、第二变化特征，确定所述第一特征向量；
或，所述样本流量特征包括：样本流量估算值和样本流量子特征，其中，所述样本流量估算值为：根据所述第二流量去噪值估算的网络流量值，则所述样本特征向量通过以下方式得到：
根据所述第二流量去噪值，计算所述样本流量估算值的第三变化特征；
根据所述第二流量信息进行特征值估算，获得样本流量子特征的估算值；
根据所述第二流量信息，计算样本流量子特征的第四变化特征；
根据所述样本流量估算值、第三变化特征、样本流量子特征的估算值、第四变化特征，确定所述样本特征向量；
或，通过以下方式选择所述目标正交小波基和目标分解层数：
获得所述流量实际值和至少一候选正交小波基；
分别基于每一候选正交小波基对所述流量实际值进行小波分解，获得每一候选正交小波基对应的分解层数；
将分解层数最小的候选正交小波基确定为所述目标正交小波基，并将所述目标正交小波基对应的分解层数确定为所述目标分解层数。
6.根据权利要求5所述的方法，其特征在于，
采用以下方式获得每一候选正交小波基对应的分解层数：
采用候选正交小波基对所述流量实际值进行分解；
判断分解结果中高频信号的平稳程度是否达到预设平稳程度；
若为否，采用候选正交小波基对分解结果中的低频信号进行分解，并执行所述判断分解结果中高频信号的平稳程度是否达到预设平稳程度的步骤，直至分解结果中高频信号的平稳程度达到预设平稳程度；
若为是，将累积分解次数确定为候选正交小波基对应的分解层数。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述第一流量特征包括以下特征中的至少一种：
根据第一历史时刻的网络流量信息中网络流量值获得的网络流量值；
根据第一历史时刻的网络流量信息中网络连接数获得的网络连接数；
根据第一历史时刻的网络流量信息中报文数获得的报文数；
根据第一历史时刻的网络流量信息中字节数获得的字节数；
根据第一历史时刻的网络流量信息中连接IP数获得的连接IP数；
根据第一历史时刻的网络流量信息中网络新建连接数获得的网络新建连接数；或
所述第一流量特征的变化特征包括以下特征中的至少一种：第一流量特征的同比值、第一流量特征的环比值、第一流量特征的增速。
8.一种网络流量预测装置，其特征在于，包括：
时刻确定模块，用于确定网络流量的预测时刻；
向量确定模块，用于根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
预测值获取模块，用于将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于训练所述网络流量预测模型；
其中，所述模型训练模块，包括：
实际值获得子模块，用于获得样本网络流量在样本时刻的流量实际值；
第一向量确定子模块，用于根据第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；
模型训练子模块，用于采用所述样本特征向量和流量实际值，对所述预设的回归模型进行训练，得到所述网络流量预测模型。
10.根据权利要求8或9所述的装置，其特征在于，
所述预测值获取模块或第一向量确定子模块，具体用于采用小波滤波方式，对第二网络流量信息进行去噪处理，获得第二去噪结果，其中，所述第二网络流量信息为：第二时间段内第二预设时刻的网络流量信息，所述第二预设时刻包括第二历史时刻；并根据所述第二去噪结果中第二历史时刻的网络流量信息，确定网络流量在样本时刻的样本特征向量；和/或
所述向量确定模块，具体用于采用小波滤波方式，对第一网络流量信息进行去噪处理，获得第一去噪结果，其中，所述第一网络流量信息为：第一时间段内第一预设时刻的网络流量信息，所述第一预设时刻包括第一历史时刻；并根据所述第一去噪结果中第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量。
11.根据权利要求10所述的装置，其特征在于，所述网络流量信息包括：网络流量值，则
所述预测值获取模块或第一向量确定子模块，包括：
结果获得单元，用于采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第二网络流量值进行去噪处理，获得第二去噪结果；
第一向量确定单元，用于根据第二流量去噪值和第二流量信息，确定网络流量在样本时刻的样本特征向量，其中，所述第二流量去噪值为：所述第二去噪结果中第二历史时刻的网络流量值，所述第二流量信息为：所述第二历史时刻的网络流量信息中除网络流量值以外的信息；
和/或
所述向量确定模块，包括：
结果获得子模块，用于采用预先选择的目标正交小波基和目标分解层数，以小波滤波方式对第一网络流量值进行去噪处理，获得第一去噪结果；
第二向量确定子模块，用于根据第一流量去噪值和第一流量信息，确定网络流量在所述预测时刻的第一特征向量，其中，所述第一流量去噪值为：所述第一去噪结果中第一历史时刻的网络流量值，所述第一流量信息为：所述第一历史时刻的网络流量信息中除网络流量值以外的信息。
12.根据权利要求11所述的装置，其特征在于，
所述第一流量特征包括：第一流量估算值和第一流量子特征，其中，所述第一流量估算值为：根据所述第一流量去噪值估算的网络流量值，则所述第二向量确定子模块，包括：
第一特征计算单元，用于根据所述第一流量去噪值，计算所述第一流量估算值的第一变化特征；
估算值获得单元，用于根据所述第一流量信息进行特征值估算，获得第一流量子特征的估算值；
第二特征计算单元，用于根据所述第一流量信息，计算第一流量子特征的第二变化特征；
第二向量确定单元，用于根据所述第一流量估算值、第一变化特征、第一流量子特征的估算值、第二变化特征，确定所述第一特征向量；
或，所述样本流量特征包括：样本流量估算值和样本流量子特征，其中，所述样本流量估算值为：根据所述第二流量去噪值估算的网络流量值，则所述第一向量确定单元，包括：
第一特征计算子单元，用于根据所述第二流量去噪值，计算所述样本流量估算值的第三变化特征；
估算值获得子单元，用于根据所述第二流量信息进行特征值估算，获得样本流量子特征的估算值；
第二特征计算子单元，用于根据所述第二流量信息，计算样本流量子特征的第四变化特征；
向量确定子单元，用于根据所述样本流量估算值、第三变化特征、样本流量子特征的估算值、第四变化特征，确定所述样本特征向量；
或，所述装置还包括：
信息选择模块，用于选择所述目标正交小波基和目标分解层数；
其中，所述信息选择模块，包括：
信息获得子模块，用于获得所述流量实际值和至少一候选正交小波基；
层数获得子模块，用于分别基于每一候选正交小波基对所述流量实际值进行小波分解，获得每一候选正交小波基对应的分解层数；
信息确定子模块，用于将分解层数最小的候选正交小波基确定为所述目标正交小波基，并将所述目标正交小波基对应的分解层数确定为所述目标分解层数。
13.根据权利要求12所述的装置，其特征在于，所述层数获得子模块，包括：
流量值分解单元，用于采用候选正交小波基对所述流量实际值进行分解；
程度判断单元，用于判断分解结果中高频信号的平稳程度是否达到预设平稳程度，若为否，触发信号分解单元，若为是，触发层数确定单元；
所述信号分解单元，用于采用候选正交小波基对分解结果中的低频信号进行分解，并触发所述程度判断单元，直至分解结果中高频信号的平稳程度达到预设平稳程度；
所述层数确定单元，用于将累积分解次数确定为候选正交小波基对应的分解层数。
14.一种电子设备，其特征在于，所述电子设备包括：处理器、机器可读存储介质和系统总线，所述处理器和机器可读存储介质通过所述系统总线完成相互间的通信，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述机器可执行指令包括：确定指令和获取指令；
所述处理器被所述确定指令促使执行：确定网络流量的预测时刻；
所述处理器被所述确定指令促使还执行：根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
所述处理器被所述获取指令促使执行：将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
15.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令包括：确定指令和获取指令；
所述确定指令在被处理器调用和执行时，所述确定指令促使所述处理器执行：确定网络流量的预测时刻；
所述确定指令在被处理器调用和执行时，所述确定指令还促使所述处理器执行：根据第一历史时刻的网络流量信息，确定网络流量在所述预测时刻的第一特征向量；其中，所述第一历史时刻为当前时刻之前且与所述预测时刻具有周期时长间隔的时刻，所述第一特征向量包括：第一流量特征和所述第一流量特征的变化特征；
所述获取指令在被处理器调用和执行时，所述获取指令促使所述处理器执行：将所述第一特征向量输入至网络流量预测模型，获取所述预测时刻的流量预测值；其中，所述网络流量预测模型是：采用样本网络流量在样本时刻的样本特征向量和流量实际值，对预设回归模型进行训练得到的模型，所述样本特征向量为：根据第二历史时刻的网络流量信息确定的特征向量，所述第二历史时刻为样本时刻之前且与所述样本时刻具有所述周期时长间隔的时刻，所述样本时刻为样本网络流量的实际产生时刻，所述样本特征向量包括：样本流量特征和所述样本流量特征的变化特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810481381.8A CN109873712B (zh) | 2018-05-18 | 2018-05-18 | 一种网络流量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810481381.8A CN109873712B (zh) | 2018-05-18 | 2018-05-18 | 一种网络流量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109873712A true CN109873712A (zh) | 2019-06-11 |
| CN109873712B CN109873712B (zh) | 2022-03-22 |
Family
ID=66915402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810481381.8A Active CN109873712B (zh) | 2018-05-18 | 2018-05-18 | 一种网络流量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109873712B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107483223A (zh) * | 2016-06-08 | 2017-12-15 | 阿里巴巴集团控股有限公司 | 网络传输速度的预测方法及装置 |
| CN110213784A (zh) * | 2019-07-05 | 2019-09-06 | 中国联合网络通信集团有限公司 | 一种流量预测方法及装置 |
| CN110351123A (zh) * | 2019-06-19 | 2019-10-18 | 新华三大数据技术有限公司 | 链路流量预测方法、装置及电子设备 |
| CN110445680A (zh) * | 2019-07-29 | 2019-11-12 | 新华三大数据技术有限公司 | 网络流量异常检测方法、装置及服务器 |
| CN110545208A (zh) * | 2019-09-23 | 2019-12-06 | 电子科技大学 | 一种基于lstm的网络流量预测方法 |
| CN110635947A (zh) * | 2019-09-20 | 2019-12-31 | 曹严清 | 异常访问监测方法及装置 |
| CN110795246A (zh) * | 2019-10-25 | 2020-02-14 | 新华三大数据技术有限公司 | 资源利用率的预测方法及装置 |
| CN110839040A (zh) * | 2019-11-20 | 2020-02-25 | 北京天融信网络安全技术有限公司 | 一种流量的监控方法、模型的训练方法、装置及存储介质 |
| CN111147899A (zh) * | 2019-12-16 | 2020-05-12 | 南京亚信智网科技有限公司 | 一种故障预警方法及装置 |
| CN111740865A (zh) * | 2020-06-23 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 一种流量波动趋势预测方法、装置及电子设备 |
| CN112073255A (zh) * | 2020-03-25 | 2020-12-11 | 长扬科技（北京）有限公司 | 基于深度学习的工控网络流量预测方法、装置 |
| CN112532409A (zh) * | 2019-09-17 | 2021-03-19 | 华为技术有限公司 | 网络参数配置方法、装置、计算机设备以及存储介质 |
| CN113114520A (zh) * | 2020-01-10 | 2021-07-13 | 华为技术有限公司 | 一种传输数据的方法和终端 |
| CN114205853A (zh) * | 2020-09-02 | 2022-03-18 | 中兴通讯股份有限公司 | 流量预测方法、流量预测模型建立方法和存储介质 |
| CN115225520A (zh) * | 2022-07-15 | 2022-10-21 | 同济大学 | 一种基于元学习框架的多模态网络流量预测方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101651568A (zh) * | 2009-07-01 | 2010-02-17 | 青岛农业大学 | 一种网络流量预测和异常检测方法 |
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
| CN102323970A (zh) * | 2011-05-19 | 2012-01-18 | 河海大学 | 基于多因子小波神经网络模型的水文时间序列预测方法 |
| US20120303413A1 (en) * | 2011-05-27 | 2012-11-29 | Vpisystems Inc. | Methods and systems for network traffic forecast and analysis |
| CN103227999A (zh) * | 2013-05-02 | 2013-07-31 | 中国联合网络通信集团有限公司 | 网络流量预测方法和装置 |
| CN103595656A (zh) * | 2013-11-15 | 2014-02-19 | 北京邮电大学 | 一种基于小波神经网络预测的dvb_rcs卫星信道动态分配方法 |
| CN104506378A (zh) * | 2014-12-03 | 2015-04-08 | 上海华为技术有限公司 | 一种预测数据流量的装置及方法 |
| CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
| CN107026763A (zh) * | 2017-06-02 | 2017-08-08 | 广东电网有限责任公司中山供电局 | 一种基于流量分解的数据通信网流量预测方法 |
| CN107070683A (zh) * | 2016-12-12 | 2017-08-18 | 国网北京市电力公司 | 数据预测的方法和装置 |
-
2018
- 2018-05-18 CN CN201810481381.8A patent/CN109873712B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101651568A (zh) * | 2009-07-01 | 2010-02-17 | 青岛农业大学 | 一种网络流量预测和异常检测方法 |
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
| CN102323970A (zh) * | 2011-05-19 | 2012-01-18 | 河海大学 | 基于多因子小波神经网络模型的水文时间序列预测方法 |
| US20120303413A1 (en) * | 2011-05-27 | 2012-11-29 | Vpisystems Inc. | Methods and systems for network traffic forecast and analysis |
| CN103227999A (zh) * | 2013-05-02 | 2013-07-31 | 中国联合网络通信集团有限公司 | 网络流量预测方法和装置 |
| CN103595656A (zh) * | 2013-11-15 | 2014-02-19 | 北京邮电大学 | 一种基于小波神经网络预测的dvb_rcs卫星信道动态分配方法 |
| CN104506378A (zh) * | 2014-12-03 | 2015-04-08 | 上海华为技术有限公司 | 一种预测数据流量的装置及方法 |
| CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
| CN107070683A (zh) * | 2016-12-12 | 2017-08-18 | 国网北京市电力公司 | 数据预测的方法和装置 |
| CN107026763A (zh) * | 2017-06-02 | 2017-08-08 | 广东电网有限责任公司中山供电局 | 一种基于流量分解的数据通信网流量预测方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107483223A (zh) * | 2016-06-08 | 2017-12-15 | 阿里巴巴集团控股有限公司 | 网络传输速度的预测方法及装置 |
| CN110351123A (zh) * | 2019-06-19 | 2019-10-18 | 新华三大数据技术有限公司 | 链路流量预测方法、装置及电子设备 |
| CN110213784A (zh) * | 2019-07-05 | 2019-09-06 | 中国联合网络通信集团有限公司 | 一种流量预测方法及装置 |
| CN110445680A (zh) * | 2019-07-29 | 2019-11-12 | 新华三大数据技术有限公司 | 网络流量异常检测方法、装置及服务器 |
| CN112532409A (zh) * | 2019-09-17 | 2021-03-19 | 华为技术有限公司 | 网络参数配置方法、装置、计算机设备以及存储介质 |
| CN112532409B (zh) * | 2019-09-17 | 2023-11-10 | 华为技术有限公司 | 网络参数配置方法、装置、计算机设备以及存储介质 |
| EP4024766A4 (en) * | 2019-09-17 | 2022-10-12 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR CONFIGURATION OF NETWORK PARAMETERS, COMPUTER DEVICE AND STORAGE MEDIUM |
| WO2021052162A1 (zh) * | 2019-09-17 | 2021-03-25 | 华为技术有限公司 | 网络参数配置方法、装置、计算机设备以及存储介质 |
| CN110635947A (zh) * | 2019-09-20 | 2019-12-31 | 曹严清 | 异常访问监测方法及装置 |
| CN110545208B (zh) * | 2019-09-23 | 2021-10-15 | 电子科技大学 | 一种基于lstm的网络流量预测方法 |
| CN110545208A (zh) * | 2019-09-23 | 2019-12-06 | 电子科技大学 | 一种基于lstm的网络流量预测方法 |
| CN110795246A (zh) * | 2019-10-25 | 2020-02-14 | 新华三大数据技术有限公司 | 资源利用率的预测方法及装置 |
| CN110839040B (zh) * | 2019-11-20 | 2021-12-14 | 北京天融信网络安全技术有限公司 | 一种流量的监控方法、模型的训练方法、装置及存储介质 |
| CN110839040A (zh) * | 2019-11-20 | 2020-02-25 | 北京天融信网络安全技术有限公司 | 一种流量的监控方法、模型的训练方法、装置及存储介质 |
| CN111147899A (zh) * | 2019-12-16 | 2020-05-12 | 南京亚信智网科技有限公司 | 一种故障预警方法及装置 |
| CN113114520A (zh) * | 2020-01-10 | 2021-07-13 | 华为技术有限公司 | 一种传输数据的方法和终端 |
| CN112073255B (zh) * | 2020-03-25 | 2021-07-20 | 长扬科技（北京）有限公司 | 基于深度学习的工控网络流量预测方法、装置 |
| CN112073255A (zh) * | 2020-03-25 | 2020-12-11 | 长扬科技（北京）有限公司 | 基于深度学习的工控网络流量预测方法、装置 |
| CN111740865B (zh) * | 2020-06-23 | 2022-09-02 | 北京奇艺世纪科技有限公司 | 一种流量波动趋势预测方法、装置及电子设备 |
| CN111740865A (zh) * | 2020-06-23 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 一种流量波动趋势预测方法、装置及电子设备 |
| CN114205853A (zh) * | 2020-09-02 | 2022-03-18 | 中兴通讯股份有限公司 | 流量预测方法、流量预测模型建立方法和存储介质 |
| CN115225520A (zh) * | 2022-07-15 | 2022-10-21 | 同济大学 | 一种基于元学习框架的多模态网络流量预测方法及装置 |
| CN115225520B (zh) * | 2022-07-15 | 2023-09-26 | 同济大学 | 一种基于元学习框架的多模态网络流量预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109873712B (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109873712A (zh) | 一种网络流量预测方法及装置 | |
| CN104468413B (zh) | 一种网络服务方法及系统 | |
| CN108491951A (zh) | 一种外卖配送时间的预测方法、装置及电子设备 | |
| CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
| Qureshi et al. | Reward model solution methods with impulse and rate rewards: An algorithm and numerical results | |
| CN109815980A (zh) | 用户类型的预测方法、装置、电子设备及可读存储介质 | |
| CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
| CN103546583B (zh) | 群智感知系统及群智感知方法 | |
| CN109472412A (zh) | 一种事件的预测方法及装置 | |
| CN109379240A (zh) | 车联网流量预测模型构建方法、装置和电子设备 | |
| CN110910201B (zh) | 信息推荐的控制方法、装置、计算机设备及存储介质 | |
| CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
| CN109147325A (zh) | 路况预测方法及装置、存储介质、处理器 | |
| CN106656662A (zh) | 异常带宽确定方法、系统及电子设备 | |
| CN114330863A (zh) | 时间序列预测处理方法、装置、存储介质及电子装置 | |
| CN106096047A (zh) | 基于熵值法的用户分区偏好计算方法及系统 | |
| CN110019420A (zh) | 一种数据序列预测方法及计算设备 | |
| CN104794112B (zh) | 时间序列处理方法及装置 | |
| CN110351123A (zh) | 链路流量预测方法、装置及电子设备 | |
| CN105825286A (zh) | 一种武器装备全生命周期费用估算系统及方法 | |
| CN111667095A (zh) | 预测经济状态、建立经济状态预测模型的方法及对应装置 | |
| CN110213784A (zh) | 一种流量预测方法及装置 | |
| CN104993966B (zh) | 一种电力综合业务网流量预测方法 | |
| CN108667877A (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
| CN107608781A (zh) | 一种负载预测方法、装置以及网元 |
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 |