CN110149238B - 用于预测流量的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于预测流量的方法和装置，涉及云计算领域。该方法的一具体实施方式包括：获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。该实施方式提供了一种基于流量预测模型的流量预测机制，提高了流量预测的效率。

Description

用于预测流量的方法和装置

技术领域

本申请实施例涉及计算机技术领域，尤其涉及用于预测流量的方法和装置。

背景技术

随着网络技术的迅速发展，网络上承载的业务和应用越来越丰富。在互联网提供的服务日益多样化和复杂化的同时，网络链路承载的压力也越来越大，因此，缓解网络链路承载的压力显得尤其重要。为了缓解网络链路承载的压力，企业需要及时了解网站的流量特征，提前对风险进行把控。

发明内容

本申请实施例提出了用于预测流量的方法和装置。

第一方面，本申请的一些实施例提供了一种用于预测流量的方法，该方法包括：获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

在一些实施例中，基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征，包括：将所获取的流量数据确定为第一向量中的元素，得到第一向量；对第一向量进行特征转换得到第二向量；对第二向量进行向量编码得到特征。

在一些实施例中，对第一向量进行特征转换得到第二向量，包括：对第一向量中的元素进行排序得到排序后的序列；将第一向量中的元素替换为该元素在序列的位置，得到第二向量。

在一些实施例中，对第二向量进行向量编码得到特征，包括：对第二向量进行独热编码得到特征。

在一些实施例中，流量预测模型，包括：卷积层、全连接层、输出层。

在一些实施例中，流量预测模型是经由以下步骤训练的：获取历史时间段包括的预设数目个子时间段内的历史流量数据；通过滑动窗口组合所获取的历史流量数据，得到样本集合，滑动窗口步长为1，长度为目标时间段包括的子时间段的数量；基于特征工程将样本集合中的样本转换为样本特征，并根据样本集合中的样本与后组合出的一个样本包括的最后一个历史流量数据的比较结果，确定样本特征对应的标签，标签表征历史流量数据的变化情况；利用机器学习方法，将样本特征作为输入，将所确定样本特征对应的标签作为输出，训练流量预测模型。

第二方面，本申请的一些实施例提供了一种用于预测流量的装置，该装置包括：获取单元，被配置成获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；转换单元，被配置成基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；生成单元，被配置成将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

在一些实施例中，转换单元，包括：确定子单元，被配置成将所获取的流量数据确定为第一向量中的元素，得到第一向量；转换子单元，被配置成对第一向量进行特征转换得到第二向量；转换子单元，被配置成对第二向量进行向量编码得到特征。

在一些实施例中，转换子单元，进一步被配置成：对第一向量中的元素进行排序得到排序后的序列；将第一向量中的元素替换为该元素在序列的位置，得到第二向量。

在一些实施例中，转换子单元，进一步被配置成：对第二向量进行独热编码得到特征。

在一些实施例中，流量预测模型，包括：卷积层、全连接层、输出层。

在一些实施例中，装置还包括训练单元，训练单元被配置成：获取历史时间段包括的预设数目个子时间段内的历史流量数据；通过滑动窗口组合所获取的历史流量数据，得到样本集合，滑动窗口步长为1，长度为目标时间段包括的子时间段的数量；基于特征工程将样本集合中的样本转换为样本特征，并根据样本集合中的样本与后组合出的一个样本包括的最后一个历史流量数据的比较结果，确定样本特征对应的标签，标签表征历史流量数据的变化情况；利用机器学习方法，将样本特征作为输入，将所确定样本特征对应的标签作为输出，训练流量预测模型。

第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于预测流量的方法和装置，通过获取目标网站在目标时间段包括的至少两个子时间段内的流量数据，而后基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征，最后将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据，提供了一种基于流量预测模型的流量预测机制，提高了流量预测的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一些可以应用于其中的示例性系统架构图；

图2是根据本申请的用于预测流量的方法的一个实施例的流程图；

图3是根据本申请的用于预测流量的方法的应用场景的一个示意图；

图4是根据本申请的用于预测流量的方法的又一个实施例的流程图；

图5是根据本申请的用于预测流量的装置的一个实施例的结构示意图；

图6是适于用来实现本申请的一些实施例的服务器或终端的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于预测流量的方法或用于预测流量的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如浏览器类应用、手机助手类应用、电子商务类应用、搜索类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用或访问的网站提供支持的后台服务器，服务器105可以获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

需要说明的是，本申请实施例所提供的用于预测流量的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于预测流量的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于预测流量的方法的一个实施例的流程200。该用于预测流量的方法，包括以下步骤：

步骤201，获取目标网站在目标时间段包括的至少两个子时间段内的流量数据。

在本实施例中，用于预测流量的方法执行主体(例如图1所示的服务器或终端)可以首先获取目标网站在目标时间段包括的至少两个子时间段内的流量数据。目标网站可以包括待预测其流量且可获取到其流量数据的网站。目标时间段可以包括待预测其流量的时间段之前的一个时间段，例如，需要预测2019年6月6日目标网站的流量，目标时间段可以是2019年6月1日至2019年6月5日。

在这里，目标时间段的长短可以根据实际需要进行选取，例如，需要预测2019年6月6日目标网站的流量，目标时间段也可以是2019年5月20日至2019年6月5日，选取的目标时间段较长，可以进一步提高预测结果的准确性。目标时间段包括的子时间段的长度可以根据待预测其流量的时间段确定，例如，子时间段的长度可以与待预测其流量的时间段的长度相同，待预测其流量的时间段的长度为一天，子时间段的长度也可以为一天。

步骤202，基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征。

在本实施例中，上述执行主体可以基于预先建立的特征工程将步骤201中所获取的流量数据转换为预先训练的流量预测模型的特征。特征工程是将原始数据转化为特征的过程，这些特征可以更好地向预测模型描述潜在问题,从而提高模型对未见数据的准确性。上述执行主体可以直接将获取目标网站在目标时间段包括的至少两个子时间段内的流量数据组成向量，作为预先训练的流量预测模型的特征，例如，假设过去8天目标网站流量(单位：万)分别为：23,45,31,95,81,52,83,56，则可以将[23,45,31,95,81,52,83,56]作为预先训练的流量预测模型的特征。此外还可以对组成的向量进一步进行处理，例如，可以对向量中的元素进行排序得到排序后的序列；将向量中的元素替换为该元素在序列的位置，或根据向量中的元素所处的区间范围，确定将向量中的元素替换为的值。

步骤203，将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

在本实施例中，上述执行主体可以将步骤202中转换的特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。流量预测模型用于表征输入特征与预测的流量数据的对应关系。可以将样本时间段包括的至少两个子时间段内的流量数据转换得到的特征作为输入，将样本时间段的下一个时间段内的流量数据作为输出，训练初始模型，得到流量预测模型。流量预测模型也可以是技术人员基于对大量的特征和预测的流量数据的统计而预先制定的、存储有特征与预测的流量数据的对应关系的对应关系表；同样可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对预测的流量数据的一个或多个进行量化与计算，得到的用于表征预测的流量数据的计算结果的计算公式。流量数据可以包括流量的变化趋势或具体的流量值。若流量预测模型输出层为二分类器则可预测流量的增减，若流量预测模型输出层为多分类器则可预测流量增减大小范围，若流量预测模型输出层为回归模型则可预测具体的流量值。

在本实施例的一些可选实现方式中，流量预测模型，包括：卷积层、全连接层、输出层。网站流量预估需要在特征提取和加工上做大量工作，这非常浪费时间。深度学习方法，如深度的卷积神经网络(Convolutional Neural Networks,CNN)结构具有天然的提取结构化特征高效且精确的优势，将其应用于处理网站流量数据，并做流量预估可大大提升效率和精确度。如图3所示，流量预测模型的输入层301的特征可以为32×32的矩阵，而后经过卷积层1(302)、卷积层2(303)、全连接层得到向量304，最后经过一个二分类器得到向量305，向量305可以用于表征预测的目标时间段的下一个时间段内的流量变化趋势，例如，1表示流量增加，0表示流量减少。

在本实施例的一些可选实现方式中，流量预测模型是经由以下步骤训练的：获取历史时间段包括的预设数目个子时间段内的历史流量数据；通过滑动窗口组合所获取的历史流量数据，得到样本集合，滑动窗口步长为1，长度为目标时间段包括的子时间段的数量；基于特征工程将样本集合中的样本转换为样本特征，并根据样本集合中的样本与后组合出的一个样本包括的最后一个历史流量数据的比较结果，确定样本特征对应的标签，标签表征历史流量数据的变化情况；利用机器学习方法，将样本特征作为输入，将所确定样本特征对应的标签作为输出，训练流量预测模型。

在本实现方式中，预设数目越多，样本越多，训练得到的模型越精准。作为示例，假设过去8天网站流量(单位：万)如下：[23,45,31,95,81,52,83,56]，滑动窗口的长度为4，步长为1，通过滑动窗口组合所获取的历史流量数据，得到样本集合，如下：

[23,45,31,95]；

[45,31,95,81]；

[31,95,81,52]；

[95,81,52,83]。

而后，定义如果当前样本最后一个数比后组合出的一个样本最后一个数小，标签为1；否则，标签为0。由于95>81，样本[23,45,31,95]的标签为0；由于81>52，样本[45,31,95,81]的标签为0，由于52<83，样本[31,95,81,52]的标签为1，由于83>56，样本[95,81,52,83]的标签为0。该标签用于标注流量是上升还是下降趋势，帮助生成训练集。

本申请的上述实施例提供的方法通过获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据，提供了一种基于流量预测模型的流量预测机制，提高了流量预测的效率。

进一步参考图4，其示出了用于预测流量的方法的又一个实施例的流程400。该用于预测流量的方法的流程400，包括以下步骤：

步骤401，获取目标网站在目标时间段包括的至少两个子时间段内的流量数据。

在本实施例中，用于预测流量的方法执行主体(例如图1所示的服务器或终端)可以首先获取目标网站在目标时间段包括的至少两个子时间段内的流量数据。

步骤402，将所获取的流量数据确定为第一向量中的元素，得到第一向量。

在本实施例中，上述执行主体可以将步骤401中获取的流量数据确定为第一向量中的元素，得到第一向量。作为示例，假设目标时间段包括的四个子时间段内的流量数据(单位：万)如下：23,45,31,95，则第一向量为第一向量[23,45,31,95]。

步骤403，对第一向量进行特征转换得到第二向量。

在本实施例中，上述执行主体可以中对步骤402中得到的第一向量进行特征转换得到第二向量。例如可以对向量中的元素进行排序得到排序后的序列；将向量中的元素替换为该元素在序列的位置，或根据向量中的元素所处的区间范围，确定将向量中的元素替换为的值。

在本实施例的一些可选实现方式中，对第一向量进行特征转换得到第二向量，包括：对第一向量中的元素进行排序得到排序后的序列；将第一向量中的元素替换为该元素在序列的位置，得到第二向量。作为示例，第一向量包括[23,45,31,95]；[45,31,95,81]；[31,95,81,52]；[95,81,52,83]。[23,45,31,95]排序后得到的序列为[23,31,45,95]，由于23在位置0，45在位置2，31在位置1，95在位置3，所以第一向量[23,45,31,95]转化为第二向量[0,2,1,3]，同理，第一向量[23,45,31,95]转化为第二向量[1,0,3,2]，第一向量[45,31,95,81]转化为第二向量[0,2,1,3]，第一向量[31,95,81,52]转化为第二向量[0,3,1,2]，第一向量[95,81,52,83]转化为第二向量[3,1,0,2]。

步骤404，对第二向量进行向量编码得到特征。

在本实施例中，上述执行主体可以对步骤403中得到的第二向量进行向量编码得到特征。在本实施例的一些可选实现方式中，对第二向量进行向量编码得到特征，包括：对第二向量进行Onehot编码(One-Hot Encoding，独热编码)得到特征。此外，上述执行主体还可以采用WOE(weight of Evidence，证据权重)、Minmax归一化、Z-Score归一化等方法。以独热编码为例，假设第二向量包括[0,2,1,3]，[1,0,3,2]，[0,2,1,3]，[3,1,0,2]。对第二向量[0,2,1,3]进行向量编码得到的特征如下：

1,0,0,0

0,0,1,0

0,1,0,0

0,0,0,1；

对第二向量[1,0,3,2]进行向量编码得到的特征如下：

0,1,0,0

1,0,0,0

0,0,0,1

0,0,1,0；

对第二向量[0,2,1,3]进行向量编码得到的特征如下：

1,0,0,0

0,0,0,1

0,0,1,0

0,1,0,0；

对第二向量[3,1,0,2]进行向量编码得到的特征如下：

0,0,0,1

0,1,0,0

1,0,0,0

0,0,1,0。

步骤405，将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

在本实施例中，上述执行主体可以将步骤404中编码得到的特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

在本实施例中，步骤401、步骤405的操作与步骤201、步骤203的操作基本相同，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于预测流量的方法的流程400中通过特征转换以及向量编码得到流量预测模型的特征，由此，本实施例描述的方案中对流量的预测效果更佳。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于预测流量的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于预测流量的装置500包括：获取单元501、转换单元502、生成单元503。其中，获取单元，被配置成获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；转换单元，被配置成基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；生成单元，被配置成将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

在本实施例中，用于预测流量的装置500的获取单元501、转换单元502、生成单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203。

在本实施例的一些可选实现方式中，转换单元，包括：确定子单元，被配置成将所获取的流量数据确定为第一向量中的元素，得到第一向量；转换子单元，被配置成对第一向量进行特征转换得到第二向量；转换子单元，被配置成对第二向量进行向量编码得到特征。

在本实施例的一些可选实现方式中，转换子单元，进一步被配置成：对第一向量中的元素进行排序得到排序后的序列；将第一向量中的元素替换为该元素在序列的位置，得到第二向量。

在本实施例的一些可选实现方式中，转换子单元，进一步被配置成：对第二向量进行独热编码得到特征。

在本实施例的一些可选实现方式中，流量预测模型，包括：卷积层、全连接层、输出层。

在本实施例的一些可选实现方式中，装置还包括训练单元，训练单元被配置成：获取历史时间段包括的预设数目个子时间段内的历史流量数据；通过滑动窗口组合所获取的历史流量数据，得到样本集合，滑动窗口步长为1，长度为目标时间段包括的子时间段的数量；基于特征工程将样本集合中的样本转换为样本特征，并根据样本集合中的样本与后组合出的一个样本包括的最后一个历史流量数据的比较结果，确定样本特征对应的标签，标签表征历史流量数据的变化情况；利用机器学习方法，将样本特征作为输入，将所确定样本特征对应的标签作为输出，训练流量预测模型。

本申请的上述实施例提供的装置，通过获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据，提供了一种基于流量预测模型的流量预测机制，提高了流量预测的效率。

下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、转换单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标网站在目标时间段包括的至少两个子时间段内的流量数据的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；将特征输入至预先训练的流量预测模型，生成目标网站在目标时间段的下一个时间段内的流量数据。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种用于预测流量的方法，包括：

获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；

基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；

将所述特征输入至预先训练的流量预测模型，生成所述目标网站在所述目标时间段的下一个时间段内的流量数据；

所述流量预测模型是经由以下步骤训练的：

获取历史时间段包括的预设数目个子时间段内的历史流量数据；

通过滑动窗口组合所获取的历史流量数据，得到样本集合，所述滑动窗口步长为1，长度为所述目标时间段包括的子时间段的数量；

基于所述特征工程将所述样本集合中的样本转换为样本特征，并根据所述样本集合中的样本包括的最后一个历史流量数据与该样本后相邻的样本包括的最后一个历史流量数据的比较结果，确定样本特征对应的标签，所述标签表征历史流量数据的变化情况，所述标签进一步用于标注历史流量是上升还是下降趋势；

利用机器学习方法，将所述样本特征作为输入，将所确定样本特征对应的标签作为输出，训练流量预测模型；所述基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征，包括：将所获取的流量数据确定为第一向量中的元素，得到第一向量；对所述第一向量进行特征转换得到第二向量；对所述第二向量进行向量编码得到所述特征；所述对所述第一向量进行特征转换得到第二向量，包括：对所述第一向量中的元素进行排序得到排序后的序列；将所述第一向量中的元素替换为该元素在所述序列的位置，得到第二向量。

2.根据权利要求1所述的方法，其中，所述对所述第二向量进行向量编码得到所述特征，包括：

对所述第二向量进行独热编码得到所述特征。

3.根据权利要求1所述的方法，其中，所述流量预测模型，包括：

卷积层、全连接层、输出层。

4.一种用于预测流量的装置，包括：

获取单元，被配置成获取目标网站在目标时间段包括的至少两个子时间段内的流量数据；

转换单元，被配置成基于预先建立的特征工程将所获取的流量数据转换为预先训练的流量预测模型的特征；

生成单元，被配置成将所述特征输入至预先训练的流量预测模型，生成所述目标网站在所述目标时间段的下一个时间段内的流量数据；

所述装置还包括训练单元，所述训练单元被配置成：

获取历史时间段包括的预设数目个子时间段内的历史流量数据；

通过滑动窗口组合所获取的历史流量数据，得到样本集合，所述滑动窗口步长为1，长度为所述目标时间段包括的子时间段的数量；

基于所述特征工程将所述样本集合中的样本转换为样本特征，并根据所述样本集合中的样本包括的最后一个历史流量数据与该样本后相邻的样本包括的最后一个历史流量数据的比较结果，确定样本特征对应的标签，所述标签表征历史流量数据的变化情况，所述标签进一步用于标注历史流量是上升还是下降趋势；

利用机器学习方法，将所述样本特征作为输入，将所确定样本特征对应的标签作为输出，训练流量预测模型；所述转换单元，包括：确定子单元，被配置成将所获取的流量数据确定为第一向量中的元素，得到第一向量；转换子单元，被配置成对所述第一向量进行特征转换得到第二向量；转换子单元，被配置成对所述第二向量进行向量编码得到所述特征；所述转换子单元，进一步被配置成：对所述第一向量中的元素进行排序得到排序后的序列；将所述第一向量中的元素替换为该元素在所述序列的位置，得到第二向量。

5.根据权利要求4所述的装置，其中，所述转换子单元，进一步被配置成：

对所述第二向量进行独热编码得到所述特征。

6.根据权利要求4所述的装置，其中，所述流量预测模型，包括：

卷积层、全连接层、输出层。

7.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-3中任一所述的方法。

Images