CN110213784B - 一种流量预测方法及装置 - Google Patents

一种流量预测方法及装置 Download PDF

Info

Publication number
CN110213784B
CN110213784B CN201910604231.6A CN201910604231A CN110213784B CN 110213784 B CN110213784 B CN 110213784B CN 201910604231 A CN201910604231 A CN 201910604231A CN 110213784 B CN110213784 B CN 110213784B
Authority
CN
China
Prior art keywords
network
flow
prediction model
parameters
traffic
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.)
Active
Application number
CN201910604231.6A
Other languages
English (en)
Other versions
CN110213784A (zh
Inventor
刘馨靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201910604231.6A priority Critical patent/CN110213784B/zh
Publication of CN110213784A publication Critical patent/CN110213784A/zh
Application granted granted Critical
Publication of CN110213784B publication Critical patent/CN110213784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种流量预测方法及装置。所述方法包括：选定流量特征向量作为流量预测模型的输入；所述流量特征向量为被预测时刻之前的N个单位时间的流量特征向量，其中N为大于或等于2的整数；根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数和被预测时刻之前单位时间的个数；依据确定的所述网络参数和被预测时刻之前的单位时间的个数作为所述流量预测模型的网络参数及输入个数对被预测对象的流量进行预测。该方法动态调整网络结构及参数，能够提高预测模型的准确率和效率。

Description

一种流量预测方法及装置
技术领域
本发明涉及互联网技术领域，具体涉及一种流量预测方法及装置。
背景技术
信息技术的快速使得终端与基站以及基站与基站之间产生的数据流量也越来越大。为了能够合理地分配网络资源，需要根据实际的数据流量信息，对未来一段时间内需要传输的数据流量进行预测，以更有效地进行数据传输。
预测模型是数据流量的预测的基础，如何选择合适的深度学习算法，并设计相应的输入值，成为了提高基站流量预测准确率和效率的关键。然而，现有的流量预测的方法存在准确率不高的问题。
发明内容
为此，本发明提供一种流量预测方法及装置，以解决现有技术中由于预测模型不完善而导致的流量预测不准确的问题。
为了实现上述目的，本发明第一方面提供一种流量预测方法，所述方法包括：
选定流量特征向量作为流量预测模型的输入；所述流量特征向量为被预测时刻之前的N个单位时间的流量特征向量，其中N为大于或等于2的整数；
根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数和被预测时刻之前单位时间的个数；
依据确定的所述网络参数和被预测时刻之前的单位时间的个数作为所述流量预测模型的网络参数及输入个数对被预测对象的流量进行预测。
其中，在所述选定流量特征向量作为流量预测模型的输入步骤之前，包括：
确定所述流量预测模型使用的网络流量特征；
将所述网络流量特征向量化，获得所述流量特征向量。
其中，所述网络流量特征包括：单位时间内的流量占比、流量峰值、平均流量以及是否节假日中的至少一种。
其中，所述根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数及被预测时刻之前单位时间的个数步骤，包括：
根据所述流量特征向量并通过循环神经网络的前馈网络计算当前网络的输出值；
在所述网络参数下计算所述当前网络的输出值的损失函数；
比较所述损失函数与预设阈值；
若所述损失函数大于所述预设阈值，则优化所述网络参数，并依据优化后的所述网络参数重新计算输出值以对所述流量预测模型循环训练；若所述损失函数小于或等于所述预设阈值，则将所述网络参数及输入所述预测模型的单位时间的个数作为流量预测模型的参数及输入个数。
其中，所述若所述损失函数大于所述预设阈值，则优化所述网络参数的步骤，包括：
对各所述网络参数分别求偏导获得对应的偏导数；
根据各所述网络参数的所述偏导数对对应的所述网络参数进行优化。
本发明的第二方面提供一种基站流量预测装置，所述装置包括：
选定模块，用于选定流量特征向量作为流量预测模型的输入；所述流量特征向量为被预测时刻之前的N个单位时间的流量特征向量，其中，N为大于或等于2的整数；
训练模块，用于根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数和被预测时刻之前单位时间的个数；
预测模块，用于依据确定的所述网络参数和被预测时刻之前的单位时间的个数作为所述流量预测模型的参数及输入个数对被预测对象的流量进行预测。
其中，所述训练模块包括：
第一计算子模块，用于根据所述流量特征向量并通过循环神经网络的前馈网络计算当前网络的输出值；
第二计算子模块，用于在所述网络参数下计算所述当前网络的输出值的损失函数；
比较子模块，用于比较所述损失函数与预设阈值；
参数优化子模块，用于在所述比较子模块确定所述损失函数大于所述预设阈值时，优化所述网络参数及输入所述预测模型的单位时间的个数；
所述第一计算子模块还用于，依据优化后的所述网络参数重新计算输出值以对所述流量预测模型循环训练；
模型确定子模块，用于在所述比较子模块确定所述损失函数小于或等于所述预设阈值时，将所述网络参数及输入所述预测模型的单位时间的个数作为流量预测模型的参数及输入个数。
其中，所述参数优化子模块对各所述网络参数分别求偏导获得对应的偏导数；再根据各所述网络参数的所述偏导数对对应的所述网络参数进行优化。
优选地，所述装置还包括：
向量化模块，用于将流量特征向量化，获得所述流量特征向量；所述流量特征是所述流量预测模型使用的流量特征。
其中，所述流量特征包括：单位时间内的流量占比、流量峰值、平均流量以及是否节假日中的至少一种。
本发明具有如下优点：
本发明提供一种流量预测方法，设定输入流量预测模型的流量特征向量后，利用循环神经网络的前馈网络和后馈网络得到确定所述流量预测模型的网络参数和被预测时刻之前单位时间的个数，并依据确定的所述流量预测模型的网络参数和被预测时刻之前的单位时间的个数对被预测对象进行流量预测，即利用循环神经网络模型的时序的输入向量，动态调整网络结构及参数，提高了预测模型的准确率和效率。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明实施例提供的一种流量预测方法的流程图；
图2为本发明实施例提供的流量预测装置的原理框图；
图3为本发明实施例提供的训练模块的原理框图。
在附图中：
201：选定模块 202：训练模块
203:预测模块 301:第一计算子模块
302:第二计算子模块 303:比较子模块
304:参数优化子模块 305:模型确定子模块
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本实施例提供的流量预测方法可用于网络运营商一侧的基站、服务器等数据交换中心，也可用于用户一端的客户端。流量预测是基于历史流量数据的验证结果，对下一时刻(阶段)的流量进行预测，以更好地为用户提供服务。
如图1所示，本实施例提供的流量预测方法包括：
步骤S101，选定流量特征向量作为流量预测模型的输入；所述流量特征向量为被预测时刻之前的N个单位时间的流量特征向量，其中N为大于或等于1的自然数。
需要说明的是，流量特征向量是从网络流量特征中提取的，网络流量特征向量是网络运营商为了实现网络流量监测，以有效管理网络的重要手段，为准确地识别网络流量更是具有重要的意义。具体地，网络流量特征包括单位时间内的流量占比、流量峰值和平均流量，节假日也属于网络流量特征。
在本实施例中，流量特征向量的获取方式是：确定所述流量预测模型使用的网络流量特征；将所述网络流量特征向量化，获得所述流量特征向量。具体地，将单位时间内的流量占比、流量峰值、平均流量以及是否是节假日设定为网络流量特征，如分别用α、β、γ和δ表示。将流量特征用矩阵向量表示：
Figure BDA0002120263890000051
其中，Vj表示流量特征向量，即用矩阵表示的流量特征向量，j＝1，2……N，N表示被预测时刻之前的单位时间的个数，而且，N为大于等于2的整数；αi、βi、γi、δi分别为在单位时间内流量占比、流量峰值、平均流量、是否为节假日的向量化表示。i表示流量特征向量的维度。另外，被预测时刻之前的单位时间可以为小时、天、周等时间计量单位。
步骤S102，根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数和被预测时刻之前单位时间的个数。
循环神经网络(RNN)是以序列数据为输入，在序列的演进方向进行递归且所有神经元按链式连接的递归神经网络。循环神经网络主要有输入层、隐藏层和输出层。流量特征向量在输入层输入，在隐藏层计算后，在输出层输出结果。
在本实施例的一个实施方式中，流量预测模型的网络参数和被预测时刻前的单位时间个数通过循环神经网络模型获得，具体地，根据所述流量特征向量并通过循环神经网络的前馈网络计算当前网络的输出值；在所述网络参数下计算所述当前网络的输出值的损失函数；比较所述损失函数与预设阈值；若所述损失函数大于所述预设阈值，则优化所述网络参数，并依据优化后的所述网络参数重新计算输出值以对所述流量预测模型循环训练；若所述损失函数小于或等于所述预设阈值，则将所述网络参数及输入所述预测模型的单位时间的个数作为流量预测模型的参数及输入个数。
需要说明的是，通过循环神经网络的前馈网络计算输出值，具体地的计算如下：
hN＝u×VN+w×S(N-1)
S(N)＝f(hN)
ON＝g(k×sN)
其中，f()和g()均为激活函数，h表示循环神经网络的系统状态，N表示输入的流量特征向量的个数，u、w、k表示网络参数，分别表示输入的流量特征向量(样本)的权重、隐藏层的权重和输出的权重，S(N)表示第N个中间层的结果；VN表示输入的第N个流量特征向量，ON表示第N个神经网络元的输出值。
需要说明的是，f()激活函数采用但不限于tanh函数、relu函数或sigmoid函数，g()激活函数采用但不限于softmax函数。
循环神经网络的计算过程如下：
Figure BDA0002120263890000061
在同一个循环里，网络参数u、w、k对输入的每个流量特征向量都是相等的，只有根据损失函数判断进入下一个循环时才对网络参数更新。需要说明的是，在通过循环神经网络的前馈网络计算输出值时，初始化的网络参数u、w、k和输入的单位时间的个数可以随机选择。在之后计算过程中，网络参数u、w、k和输入的单位时间的个数参照了前一时刻的计算结果进行确定。
本实施例是利用后馈网络计算损失函数，即在网络参数下计算当前网络的输出值的损失函数，损失函数采用但不限于均方差函数、交叉熵函数和逻辑回归函数。如采用均方差函数，
Figure BDA0002120263890000071
计算流量预测模型的损失函数。y为输出值，ON表示第N个神经网络元的输出值；u、w、k表示网络参数，分别表示输入的流量特征向量(样本)的权重、隐藏层的权重和输出的权重；N为输入的流量特征向量的个数。
在本实施例中，预设阈值可以根据预测精度要求来确定，如对预测精度要求较高，则将预设阈值设定相对较小；如预测精度要求较低，则将预设阈值设定相对较高。
当损失函数大于预设阈值时，说明流量预测模型预测不准确，或未达到约定的预测精度，需要对该流量预测模型进行优化，以进一步迭代模型。优化的具体方式是对各所述网络参数分别求偏导获得对应的偏导数；根据各所述网络参数的所述偏导数对对应的所述网络参数进行优化。具体地，分别对网络参数u、w、k以及输入个数N求偏导获得对应的偏导数，再通过偏导结果优化对应的网络参数，这个过程与现有技术相同，在此不再赘述。
当损失函数小于或等于预设阈值时，表明流量预测模型的网络参数和输入的单位时间的个数满足预测精度，确定该网络参数及输入的单位时间的个数作为流量预测模型的参数及输入个数，获得训练好的流量预测模型。
步骤S103，依据确定的所述网络参数和被预测时刻之前的单位时间的个数作为所述流量预测模型的参数及输入个数对被预测对象的流量进行预测。
在确定了流量预测模型的网络参数及输入的单位时间的个数后，根据该流量预测模型进行流量预测。例如，对于运营商的基站，根据被预测基站的承载能力，确定最大流量阈值，并以待预测时间的流量是否高于最大流量阈值作为输出，从而将流量预测问题转换为分类问题，提高流量预测的响应时间。
本实施例提供一种流量预测方法，设定输入流量预测模型的流量特征向量后，利用循环神经网络的前馈网络和后馈网络得到确定所述流量预测模型的网络参数和被预测时刻之前单位时间的个数，并依据确定的所述流量预测模型的网络参数和被预测时刻之前的单位时间的个数对被预测对象进行流量预测，即利用循环神经网络模型的时序的输入向量，动态调整网络结构及参数，提高了预测模型的准确率和效率。
如图2所述，本实施例还提供一种基站流量预测装置。该装置包括：
选定模块201，用于选定流量特征向量作为流量预测模型的输入；所述流量特征向量为被预测时刻之前的N个单位时间的流量特征向量，其中，N为大于或等于2的整数。
训练模块202，用于根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数和被预测时刻之前单位时间的个数。
预测模块203，用于依据确定的所述网络参数和被预测时刻之前的单位时间的个数作为所述流量预测模型的参数及输入个数对被预测对象的流量进行预测。
作为本实施例的一个实施方式，流量预测装置还包括：
向量化模块，用于将流量特征向量化，获得所述流量特征向量；所述流量特征是所述流量预测模型使用的流量特征。流量特征包括单位时间内的流量占比、流量峰值、平均流量以及是否节假日中的至少一种。
如图3所示，在本实施例中，训练模块202包括：
第一计算子模块301，用于根据所述流量特征向量并通过循环神经网络的前馈网络计算当前网络的输出值；
第二计算子模块302，用于在所述网络参数下计算所述当前网络的输出值的损失函数；
比较子模块303，用于比较所述损失函数与预设阈值；
参数优化子模块304，用于在所述比较子模块确定所述损失函数大于所述预设阈值时，优化所述网络参数及输入所述预测模型的单位时间的个数；参数优化子模块对各所述网络参数分别求偏导获得对应的偏导数；再根据各所述网络参数的所述偏导数对对应的所述网络参数进行优化。
第一计算子模块301还用于，依据优化后的所述网络参数重新计算输出值以对所述流量预测模型循环训练。
模型确定子模块305，用于在所述比较子模块确定所述损失函数小于或等于所述预设阈值时，将所述网络参数及输入所述预测模型的单位时间的个数作为流量预测模型的参数及输入个数。
在训练模块202中的不同子模块的具体计算方式与本实施例流量预测方法相同，在此不再赘述。
本实施例提供一种流量预测装置，利用选定模块设定输入流量预测模型的流量特征向量后，训练模块利用循环神经网络的前馈网络和后馈网络得到确定所述流量预测模型的网络参数和被预测时刻之前单位时间的个数，并依据确定的所述流量预测模型的网络参数和被预测时刻之前的单位时间的个数对被预测对象进行流量预测，预测模块利用训练模块训练好的网络参数及单位时间个数对被预测对象的流量进行预测；即利用循环神经网络模型的时序输入向量，动态调整网络结构及参数，提高了预测模型的准确率和效率。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种流量预测方法，其特征在于，所述方法包括：
选定流量特征向量作为流量预测模型的输入；所述流量特征向量为被预测时刻之前的N个单位时间的流量特征向量，其中N为大于或等于2的整数；
根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数和被预测时刻之前单位时间的个数；
依据确定的所述网络参数和被预测时刻之前的单位时间的个数作为所述流量预测模型的网络参数及输入个数对被预测对象的流量进行预测。
2.根据权利要求1所述的方法，其特征在于，在所述选定流量特征向量作为流量预测模型的输入步骤之前，包括：
确定所述流量预测模型使用的网络流量特征；
将所述网络流量特征向量化，获得所述流量特征向量。
3.根据权利要求2所述的方法，其特征在于，所述网络流量特征包括：单位时间内的流量占比、流量峰值、平均流量以及是否节假日中的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数及被预测时刻之前单位时间的个数步骤，包括：
根据所述流量特征向量并通过循环神经网络的前馈网络计算当前网络的输出值；
在所述网络参数下计算所述当前网络的输出值的损失函数；
比较所述损失函数与预设阈值；
若所述损失函数大于所述预设阈值，则优化所述网络参数，并依据优化后的所述网络参数重新计算输出值以对所述流量预测模型循环训练；若所述损失函数小于或等于所述预设阈值，则将所述网络参数及输入所述预测模型的单位时间的个数作为流量预测模型的参数及输入个数。
5.根据权利要求4所述的方法，其特征在于，所述若所述损失函数大于所述预设阈值，则优化所述网络参数的步骤，包括：
对各所述网络参数分别求偏导获得对应的偏导数；
根据各所述网络参数的所述偏导数对对应的所述网络参数进行优化。
6.一种基站流量预测装置，其特征在于，所述装置包括：
选定模块，用于选定流量特征向量作为流量预测模型的输入；所述流量特征向量为被预测时刻之前的N个单位时间的流量特征向量，其中，N为大于或等于2的整数；
训练模块，用于根据所述流量特征向量并利用循环神经网络的前馈网络和后馈网络训练所述流量预测模型以确定所述网络参数和被预测时刻之前单位时间的个数；
预测模块，用于依据确定的所述网络参数和被预测时刻之前的单位时间的个数作为所述流量预测模型的参数及输入个数对被预测对象的流量进行预测。
7.根据权利要求6所述的装置，其特征在于，所述训练模块包括：
第一计算子模块，用于根据所述流量特征向量并通过循环神经网络的前馈网络计算当前网络的输出值；
第二计算子模块，用于在所述网络参数下计算所述当前网络的输出值的损失函数；
比较子模块，用于比较所述损失函数与预设阈值；
参数优化子模块，用于在所述比较子模块确定所述损失函数大于所述预设阈值时，优化所述网络参数及输入所述预测模型的单位时间的个数；
所述第一计算子模块还用于，依据优化后的所述网络参数重新计算输出值以对所述流量预测模型循环训练；
模型确定子模块，用于在所述比较子模块确定所述损失函数小于或等于所述预设阈值时，将所述网络参数及输入所述预测模型的单位时间的个数作为流量预测模型的参数及输入个数。
8.根据权利要求7所述的装置，其特征在于，所述参数优化子模块对各所述网络参数分别求偏导获得对应的偏导数；再根据各所述网络参数的所述偏导数对对应的所述网络参数进行优化。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：
向量化模块，用于将流量特征向量化，获得所述流量特征向量；所述流量特征是所述流量预测模型使用的流量特征。
10.根据权利要求6-9任意一项所述的装置，其特征在于，所述流量特征包括：单位时间内的流量占比、流量峰值、平均流量以及是否节假日中的至少一种。
CN201910604231.6A 2019-07-05 2019-07-05 一种流量预测方法及装置 Active CN110213784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910604231.6A CN110213784B (zh) 2019-07-05 2019-07-05 一种流量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910604231.6A CN110213784B (zh) 2019-07-05 2019-07-05 一种流量预测方法及装置

Publications (2)

Publication Number Publication Date
CN110213784A CN110213784A (zh) 2019-09-06
CN110213784B true CN110213784B (zh) 2022-05-20

Family

ID=67796258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910604231.6A Active CN110213784B (zh) 2019-07-05 2019-07-05 一种流量预测方法及装置

Country Status (1)

Country Link
CN (1) CN110213784B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117880092A (zh) * 2019-09-17 2024-04-12 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
CN112769733B (zh) * 2019-11-05 2023-04-07 中国电信股份有限公司 网络预警方法、装置和计算机可读存储介质
CN111030869B (zh) * 2019-12-20 2022-09-20 锐捷网络股份有限公司 一种网络流量的预测方法及预测装置
CN113055923B (zh) * 2019-12-27 2022-06-17 中国移动通信集团湖南有限公司 移动网络流量预测方法、装置及设备
CN116232923B (zh) * 2022-12-23 2024-08-23 中国联合网络通信集团有限公司 模型训练方法、装置以及网络流量预测方法、装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107615186A (zh) * 2015-08-13 2018-01-19 华为技术有限公司 模型预测控制的方法和装置
KR20180001889A (ko) * 2016-06-28 2018-01-05 삼성전자주식회사 언어 처리 방법 및 장치
EP3336774B1 (en) * 2016-12-13 2020-11-25 Axis AB Method, computer program product and device for training a neural network
CN108399201B (zh) * 2018-01-30 2020-05-12 武汉大学 一种基于循环神经网络的Web用户访问路径预测方法
CN109873712B (zh) * 2018-05-18 2022-03-22 新华三信息安全技术有限公司 一种网络流量预测方法及装置
CN109150845A (zh) * 2018-07-26 2019-01-04 曙光信息产业(北京)有限公司 监测终端流量的方法以及系统
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN109272174A (zh) * 2018-11-14 2019-01-25 上海交通大学 基于循环神经网络的燃气轮机排气系统工况预测方法
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法

Also Published As

Publication number Publication date
CN110213784A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110213784B (zh) 一种流量预测方法及装置
WO2021169577A1 (zh) 一种基于加权联邦学习的无线业务流量预测方法
CN110851782A (zh) 一种基于轻量级时空深度学习模型的网络流量预测方法
CN109831320B (zh) 一种辅助流量预测控制方法、存储介质和电子设备
CN107037373B (zh) 基于神经网络的蓄电池剩余电量预测方法
CN104217258B (zh) 一种电力负荷条件密度预测方法
CN105956690A (zh) 一种供水预测方法及系统
JP2001236337A (ja) ニューラルネットワークによる予測装置
CN109919356B (zh) 一种基于bp神经网络区间需水预测方法
CA2436352A1 (en) Process and system for developing a predictive model
CN115374853A (zh) 基于T-Step聚合算法的异步联邦学习方法及系统
CN109816204A (zh) 一种基于ga-svm的地铁运营安全态势预测方法
CN113961204A (zh) 一种基于多目标强化学习的车联网计算卸载方法及系统
CN115146764A (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
CN108417038A (zh) 一种公交客流量的预测方法及系统
CN117014355A (zh) 一种基于ddpg深度强化学习算法的tssdn动态路由决策方法
CN111294227A (zh) 基于神经网络的流量预测的方法、装置、设备和介质
CN114254734B (zh) 一种支持确定性应用的流量矩阵建模方法
CN117863886B (zh) 增程车辆的续航预测方法、装置、电子设备及介质
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN111010695A (zh) 基于信道空闲时长预测的信道分配方法
CN115766475B (zh) 基于通信效率的半异步电力联邦学习网络及其通信方法
Feng et al. Intelligent Radio Resource Allocation for Human-Robot Collaboration
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法

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