CN109936464A - 基于多层lstmrnn的通信能力开放负荷预测方法及装置 - Google Patents
基于多层lstmrnn的通信能力开放负荷预测方法及装置 Download PDFInfo
- Publication number
- CN109936464A CN109936464A CN201711352825.XA CN201711352825A CN109936464A CN 109936464 A CN109936464 A CN 109936464A CN 201711352825 A CN201711352825 A CN 201711352825A CN 109936464 A CN109936464 A CN 109936464A
- Authority
- CN
- China
- Prior art keywords
- load
- lstmrnn
- multilayer
- forecasting model
- per hour
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开一种基于多层LSTMRNN的通信能力开放负荷预测方法及装置,能够对通信能力开放平台的负荷进行准确预测。方法包括:获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
Description
技术领域
本发明实施例涉及通信领域,具体涉及一种基于多层LSTMRNN的通信能力开放负荷预测方法及装置。
背景技术
通信能力开放平台将传统的电信能力通过标准的restful(表象化状态转移)API(应用编程接口)接口开放给第三方应用,方便第三方应用开发者进行调用,应用开发者无需再了解运营商底层复杂的通信协议,也实现了将传统电信能力如短彩信、单双向呼叫等变现并挖掘新的潜能,实现传统电信网络与移动互联网的融合,填充流量日渐萎缩的传统短消息、彩信管道。从而适应现今移动互联网应用对通信能力的需求,更好的服务大众创业、万众创新。
通信能力开放平台集成整合南向网元即能力提供者的各种能力,将各种通信协议接口进行封装,将能力转换为统一的通用API接口协议后提供给北向应用调用。平台目前的总容量为4000TPS(Transaction Per Second,每秒钟系统能够处理的交易或事务的数量),累计API调用23亿次,已上线263个原子API,平均调用成功率99.7%,平均调用时延106毫秒,峰值TPS为369次每秒。平台构建了三层两域的能力开放体系,对内提供统一能力服务,对外实现能力变现及运营,三层指的是能力部件层、能力封装层、运营支撑层,两域指的是O域能力和B域能力。
通过对通信能力开放平台负荷的预测分析,可以提早发现、提早预警、提早应对正常负荷井喷的情况或者不正常的恶意攻击,使得移动互联网应用的行为不再是变幻莫测、无法捉摸,但是现在通信能力开放平台只有历史时刻负荷展现,无负荷精准预测方案。
发明内容
有鉴于此,本发明实施例提供一种基于多层LSTM(longshort-term memory,长短期记忆)RNN(recurrent neural network,循环神经网络)的通信能力开放负荷预测方法及装置,能够对通信能力开放平台的负荷进行准确预测。
一方面,本发明实施例提出一种基于多层LSTMRNN的通信能力开放负荷预测方法,包括:
获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;
将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
另一方面,本发明实施例提出一种基于多层LSTMRNN的通信能力开放负荷预测装置,包括:
预处理单元,用于获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;
预测单元,用于将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述方法。
本发明实施例提供的基于多层LSTMRNN的通信能力开放负荷预测方法及装置,通过获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,本方案能够对通信能力开放平台的负荷进行准确预测。
附图说明
图1为本发明基于多层LSTMRNN的通信能力开放负荷预测方法一实施例的流程示意图;
图2为本发明基于多层LSTMRNN的通信能力开放负荷预测方法另一实施例中使用的多层LSTMRNN负荷预测模型的示意图;
图3为本发明实施例基于多层LSTMRNN的通信能力开放负荷预测装置一实施例的结构示意图;
图4为本发明实施例提供的一种电子设备的实体结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,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,都属于本发明实施例保护的范围。
参看图1,本实施例公开一种基于多层LSTMRNN的通信能力开放负荷预测方法,包括:
S1、获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;
S2、通过将所述负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
可以理解的是,对所述负荷数据进行归一化处理,指的是将所述负荷数据按比例缩放,使之落入一个小的特定区间。由于LSTM对输入的数据大小比较敏感,所以需要将负荷数据统一映射到[0,1]的范围内,可以使用函数MinMaxScaler(feature_range=(0,1))进行归一化。归一化后将提升模型的收敛速度、提升模型的精度。
如图2所示为多层LSTMRNN负荷预测模型一实施例的示意图,图2所述的模型在每一个LSTM层之前的LSTM层中必须要返回序列,即return_sequences参数设置为True。return_sequences参数的意思是在每个时间点,要不要输出,默认的是false,现在将其定义为true。如果等于false,就是只在最后一个时间点输出一个值。该模型使用激活函数sigmoid,每次输入三个负荷数据X1、X2和X3(每次输入的负荷数据的数量为影响当前负荷数据的历史负荷数据的数量),得到一个输出值Y预测值。为了得到真实的负荷预测结果,需要对Y预测值进行反归一化处理。
另外,需要说明的是,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,举例来说,假设归一化处理后的所述负荷数据按时间顺序排列依次为A、B、C、D、E、F…,历史三个负荷数据影响当前负荷数据,步长为1,则变换形状后的负荷数据为((A,B,C),(B,C,D),(C,D,E),(D,E,F),...),即从最左边的数据开始,连续的三个数据形成多层LSTMRNN负荷预测模型的一次输入,后一次输入为将前一次输入向右平移步长对应的长度即1个单位得到,比如,(B,C,D)为将(A,B,C)向右平移1个单位得到,(C,D,E)为将(B,C,D)向右平移1个单位得到,(D,E,F)为将(C,D,E)向右平移1个单位得到。
本发明实施例提供的基于多层LSTMRNN的通信能力开放负荷预测方法,通过获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,本方案能够对通信能力开放平台的负荷进行准确预测。
在前述方法实施例的基础上,在所述将变换形状后的负荷数据输入预先构建的多层LSTMRNN负荷预测模型之前,还可以包括:
利用以小时为颗粒度的历史一段时间内的每小时API调用量和每小时峰值TPS分别训练预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型和训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型;
其中,所述将变换形状后的负荷数据输入预先构建的多层LSTMRNN负荷预测模型,包括:
将变换形状后的每小时API调用量输入所述训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型,将变换形状后的每小时峰值TPS输入所述训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型。
本发明实施例中,利用以小时为颗粒度的历史一段时间内的每小时API调用量训练预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型的过程为:对以小时为颗粒度的历史一段时间内的每小时API调用量进行归一化处理,将归一化处理后的每小时API调用量变换成适合LSTM神经网络的形状,并利用变换形状后的每小时API调用量对预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型。得到训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型的处理过程与得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型的处理过程一致,此处不再赘述。
在前述方法实施例的基础上,所述多层LSTMRNN负荷预测模型包含1个输入层、3个LSTM隐藏层和1个输出层,每个LSTM隐藏层中含有64个LSTM神经元,所述输出层含有1个神经元。
在前述方法实施例的基础上,所述方法还可以包括:
将所述待预测时间段的负荷预测结果与对应的阈值进行比较,根据比较结果,若所述负荷预测结果小于或等于对应的阈值,则提示用户预测值正常,否则,则进行预警。
本发明实施例中,比较的过程具体为:将得到的API调用量预测结果与预先设置的API调用量阈值进行比较,如果超过阈值则进行预警,以提示用户需要及时确认成功调用还是有大量失败调用导致,继而及时发现调用异常;同理,将得到的峰值TPS预测结果与预先设置的峰值TPS调用量阈值进行比较,如果超过阈值则进行预警,以提示用户对相关北向应用进行临时限流处理并建议尽快扩容,否则将影响平台性能,从而提升了运营商能力开放平台的风险防范水平,满足其应对复杂多变、波动较大的移动互联网应用需求,使得移动互联网应用的行为不再是变幻莫测、无法捉摸。
参看图3,本实施例公开一种基于多层LSTMRNN的通信能力开放负荷预测装置,包括:
预处理单元1,用于获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;
预测单元2,用于将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
具体地,预处理单元1获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;预测单元2将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
可以理解的是,对所述负荷数据进行归一化处理,指的是将所述负荷数据按比例缩放,使之落入区间[0,1]内,归一化后将提升模型的收敛速度、提升模型的精度。
本发明实施例提供的基于多层LSTMRNN的通信能力开放负荷预测装置,通过获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,本方案能够对通信能力开放平台的负荷进行准确预测。
在前述装置实施例的基础上,所述装置还可以包括:
训练单元,用于在所述预测单元工作之前,利用以小时为颗粒度的历史一段时间内的每小时API调用量和每小时峰值TPS分别训练预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型和训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型;
其中,所述预测单元,具体用于:
将变换形状后的每小时API调用量输入所述训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型,将变换形状后的每小时峰值TPS输入所述训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型。
本发明实施例中,训练单元利用以小时为颗粒度的历史一段时间内的每小时API调用量训练预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型的过程为:对以小时为颗粒度的历史一段时间内的每小时API调用量进行归一化处理,将归一化处理后的每小时API调用量变换成适合LSTM神经网络的形状,并利用变换形状后的每小时API调用量对预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型。训练单元得到训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型的处理过程与得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型的处理过程一致,此处不再赘述。
在前述装置实施例的基础上,所述多层LSTMRNN负荷预测模型包含1个输入层、3个LSTM隐藏层和1个输出层,每个LSTM隐藏层中含有64个LSTM神经元,所述输出层含有1个神经元。
在前述装置实施例的基础上,所述装置还可以包括:
比较单元,用于将所述待预测时间段的负荷预测结果与对应的阈值进行比较,根据比较结果,若所述负荷预测结果小于或等于对应的阈值,则提示用户预测值正常,否则,则进行预警。
本实施例的基于多层LSTMRNN的通信能力开放负荷预测装置,可以用于执行前述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图4示出了本发明实施例提供的一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器11、存储器12、总线13及存储在存储器12上并可在处理器11上运行的计算机程序;
其中,所述处理器11,存储器12通过所述总线13完成相互间的通信;
所述处理器11执行所述计算机程序时实现上述各方法实施例所提供的方法,例如包括:获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例所提供的方法,例如包括:获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于多层LSTMRNN的通信能力开放负荷预测方法,其特征在于,包括:
S1、获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;
S2、通过将所述负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
2.根据权利要求1所述的方法,其特征在于,所述S1,还包括:
对所述负荷数据进行归一化处理,通过将归一化处理后的所述负荷进行数据变换,得到适合输入所述多层LSTMRNN负荷预测模型的负荷数据;
其中,所述S2,包括:
将所述适合输入所述多层LSTMRNN负荷预测模型的负荷数据输入所述多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述负荷预测结果。
3.根据权利要求2所述的方法,其特征在于,在所述将所述适合输入所述多层LSTMRNN负荷预测模型的负荷数据输入所述多层LSTMRNN负荷预测模型之前,还包括:
利用以小时为颗粒度的历史一段时间内的每小时API调用量和每小时峰值TPS分别训练预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型和训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型;
其中,所述将所述适合输入所述多层LSTMRNN负荷预测模型的负荷数据输入所述多层LSTMRNN负荷预测模型,包括:
将所述适合输入所述多层LSTMRNN负荷预测模型的每小时API调用量输入所述训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型,将所述适合输入所述多层LSTMRNN负荷预测模型的每小时峰值TPS输入所述训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型。
4.根据权利要求3所述的方法,其特征在于,所述多层LSTMRNN负荷预测模型包含1个输入层、3个LSTM隐藏层和1个输出层,每个LSTM隐藏层中含有64个LSTM神经元,所述输出层含有1个神经元。
5.根据权利要求1所述的方法,其特征在于,还包括:
将所述待预测时间段的负荷预测结果与对应的阈值进行比较,根据比较结果,若所述负荷预测结果小于或等于对应的阈值,则提示用户预测值正常,否则,则进行预警。
6.一种基于多层LSTMRNN的通信能力开放负荷预测装置,其特征在于,包括:
预处理单元,用于获取通信能力开放平台在待预测时间段之前预设时间段内的负荷数据,对所述负荷数据进行归一化处理,将归一化处理后的所述负荷数据变换成适合LSTM神经网络的形状,其中,所述负荷数据包括以小时为颗粒度的每小时API调用量和每小时峰值TPS;
预测单元,用于将变换形状后的负荷数据输入预先构建的、训练好的多层LSTMRNN负荷预测模型,并将输出结果做反归一化处理,得到所述待预测时间段的负荷预测结果,其中,所述多层LSTMRNN负荷预测模型包括输入层、输出层和至少两层堆叠的LSTM隐藏层。
7.根据权利要求6所述的装置,其特征在于,还包括:
训练单元,用于在所述预测单元工作之前,利用以小时为颗粒度的历史一段时间内的每小时API调用量和每小时峰值TPS分别训练预先构建的多层LSTMRNN负荷预测模型,得到训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型和训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型;
其中,所述预测单元,具体用于:
将变换形状后的每小时API调用量输入所述训练好的用于每小时API调用量预测的多层LSTMRNN负荷预测模型,将变换形状后的每小时峰值TPS输入所述训练好的用于每小时峰值TPS预测的多层LSTMRNN负荷预测模型。
8.根据权利要求7所述的装置,其特征在于,所述多层LSTMRNN负荷预测模型包含1个输入层、3个LSTM隐藏层和1个输出层,每个LSTM隐藏层中含有64个LSTM神经元,所述输出层含有1个神经元。
9.一种电子设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711352825.XA CN109936464B (zh) | 2017-12-15 | 2017-12-15 | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711352825.XA CN109936464B (zh) | 2017-12-15 | 2017-12-15 | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109936464A true CN109936464A (zh) | 2019-06-25 |
CN109936464B CN109936464B (zh) | 2022-04-01 |
Family
ID=66980430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711352825.XA Active CN109936464B (zh) | 2017-12-15 | 2017-12-15 | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109936464B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111697560A (zh) * | 2020-04-24 | 2020-09-22 | 国家电网有限公司 | 一种基于lstm预测电力系统负荷的方法及系统 |
CN112102087A (zh) * | 2020-09-21 | 2020-12-18 | 中国工商银行股份有限公司 | 一种交易异常检测方法及装置 |
CN113541986A (zh) * | 2020-04-15 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 5g切片的故障预测方法、装置及计算设备 |
CN115051920A (zh) * | 2022-06-02 | 2022-09-13 | 北京邮电大学 | 一种能力开放架构下nfv能力网元扩容的方法和系统 |
CN117494904A (zh) * | 2023-12-20 | 2024-02-02 | 万物信通(广州)通信信息技术有限公司 | 一种通信能力开放平台负荷预测方法、电子设备以及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160035344A1 (en) * | 2014-08-04 | 2016-02-04 | Google Inc. | Identifying the language of a spoken utterance |
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
-
2017
- 2017-12-15 CN CN201711352825.XA patent/CN109936464B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160035344A1 (en) * | 2014-08-04 | 2016-02-04 | Google Inc. | Identifying the language of a spoken utterance |
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113541986A (zh) * | 2020-04-15 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 5g切片的故障预测方法、装置及计算设备 |
CN111697560A (zh) * | 2020-04-24 | 2020-09-22 | 国家电网有限公司 | 一种基于lstm预测电力系统负荷的方法及系统 |
CN112102087A (zh) * | 2020-09-21 | 2020-12-18 | 中国工商银行股份有限公司 | 一种交易异常检测方法及装置 |
CN115051920A (zh) * | 2022-06-02 | 2022-09-13 | 北京邮电大学 | 一种能力开放架构下nfv能力网元扩容的方法和系统 |
CN115051920B (zh) * | 2022-06-02 | 2023-07-18 | 北京邮电大学 | 一种能力开放架构下nfv能力网元扩容的方法和系统 |
CN117494904A (zh) * | 2023-12-20 | 2024-02-02 | 万物信通(广州)通信信息技术有限公司 | 一种通信能力开放平台负荷预测方法、电子设备以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109936464B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109936464A (zh) | 基于多层lstmrnn的通信能力开放负荷预测方法及装置 | |
US11888698B2 (en) | Network management using hierarchical and multi-scenario graphs | |
Song et al. | Solution of the fractional Black‐Scholes option pricing model by finite difference method | |
Chiclana et al. | Type‐1 OWA unbalanced fuzzy linguistic aggregation methodology: application to eurobonds credit risk evaluation | |
Velu et al. | A new ranking principle for ordering trapezoidal intuitionistic fuzzy numbers | |
CN110163739A (zh) | 支付申诉方法、装置、服务器及可读存储介质 | |
CN112528108B (zh) | 一种模型训练系统、模型训练中梯度聚合的方法及装置 | |
Ren | A novel method for solving the fully fuzzy bilevel linear programming problem | |
CN109155004A (zh) | 用于强化学习代理的无模型控制 | |
US20210142197A1 (en) | Methods and systems for diverse instance generation in artificial intelligence planning | |
Quiros et al. | A hybrid construction method based on weight functions to obtain interval‐valued fuzzy relations | |
Yang et al. | Mathematical Modeling of Smart Space for Context‐Aware System: Linear Algebraic Representation of State‐Space Method Based Approach | |
CN111835884B (zh) | 用于区块链的虚拟地址生成方法 | |
CN115470798A (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN110019456A (zh) | 数据导入方法、装置和系统 | |
Rasool et al. | Towards a catalog of design patterns variants | |
Zhang et al. | Stability of neutral impulsive nonlinear stochastic evolution equations with time varying delays | |
CN113313614A (zh) | 一种物业费缴费管理方法、系统、电子设备及介质 | |
CN110322037A (zh) | 基于推理模型的流量预测方法及装置 | |
Kashyap et al. | A methodology to overcome challenges and risks associated with ambient intelligent systems | |
Lou et al. | The exponential stability for a class of hybrid systems | |
CN114742263B (zh) | 负荷预测方法、装置、电子设备及存储介质 | |
Pant et al. | A Coupled Fixed Point Theorem in Fuzzy Metric Space Satisfying ϕ‐Contractive Condition | |
Thirunavukarasu et al. | Parameterized soft complex fuzzy sets | |
Novitzká et al. | Coalgebras for modelling behaviour |
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 |