CN110322037A - 基于推理模型的流量预测方法及装置 - Google Patents
基于推理模型的流量预测方法及装置 Download PDFInfo
- Publication number
- CN110322037A CN110322037A CN201810267028.XA CN201810267028A CN110322037A CN 110322037 A CN110322037 A CN 110322037A CN 201810267028 A CN201810267028 A CN 201810267028A CN 110322037 A CN110322037 A CN 110322037A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- feature
- input
- extraction
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于推理模型的流量预测方法及装置,该方法中对于网络节点数据中的不同数据源采用不同的推理模型进行目标特征提取,接着将提取之后的目标特征组合成一个个关系对,接着将所有关系对进行加权计算,再进行训练分类得到对网络流量的推理预测结果。本发明实施例提供的方法能够从网络生成的海量的异构数据中学习不同数据之间的内在逻辑性,相比于现有的预测方法,采用推理模型进行目标特征提取能够有效提高待训练数据的精度。且训练时由于基于推理模型考虑到了数据之间的推理关系,因此能够有效提高预测结果的准确性。同时,这种方法训练深度神经网络学习数据项间的逻辑推理关系,输出的推理模型可用于同时训练多个任务目标。
Description
技术领域
本发明实施例涉及计算机技术领域,具体涉及一种基于推理模型的流量预测方法及装置。
背景技术
在各类网络系统中,网络的流量的评估或是预测是保障网络系统正常运转提高系统安全的重要手段。如在交通网络中,对车、人流量的预测,在现代电动车充电网络中对于电动汽车到达、离开充电桩预测等等。
在一般情况下,网络中的节点会产生状态信息,并以主动或被动的方式汇聚到一个中心存储单元。节点状态信息往往是以时间序列的形式表示的,同时节点本身通常还含有空间位置的概念,因此节点的数据具有多个维度且相互之间有关联的特征。例如物联网中传感器网络节点产生的数据,再例如温度传感器测得的信息一般是某一位置随时间流逝的温度变化、气压传感器测得的会是气压的变化。
同一个网络内部的节点产生的信息一般遵循一套标准的表征规则,但这种情况并不绝对,尤其在第三方数据接入的情况下。一个网络的状态往往与所有与之相关的数据都有关系,这种相关性一直是人们研究的重点,相关的研究方法层出不穷,但是研究的内容通常是围绕数据之间的相关性进行。
数据相关性研究的应用方面,以预测应用为例,其主要的预测思路是利用数据的时间周期性或空间邻近性等特点。现有的预测方法主要是分析相关性。在一般的意义上,可以被称之为一种概率归纳法,即研究现象之间是否存在某种依存关系,若存在则研究其依存的程度,表现为研究现象的概率分布。
在对网络流量信息预测时,基于相关性的方法需要对输入的数据的分布进行学习,并学习出一个模拟的概率分布,对于给定的输入,模拟的概率分布可以给出一个数值近似等于输入的概率分布。然而,在实现发明创造的过程中,发明人发现,这种方法在拟合模拟分布时对训练数据的精度都有较高的要求,且在训练时一般会忽略数据之间的内在推理关系,影响最后预测结果的准确性。
发明内容
本发明实施例提供一种用于基于推理模型的流量预测方法及装置。
第一方面,本发明实施例提供一种基于推理模型的流量预测方法,包括:
对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取,得到各种数据源对应的目标特征;
将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合,所述关系对集合中包含各个数据源的目标特征的所有组合;
将所述关系对集合中的所有关系对按预设的权重进行加权计算;将加权计算后的结果输入到深度神经网络中进行训练,再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。
在一些实施方式中,所述输入的网络节点数据中包括图像数据以及自然语言数据;
所述对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取包括:
利用基于深度学习的卷积神经网络处理模型对图像数据进行目标特征提取;利用长短期记忆模型对自然语言数据进行目标特征提取。
在一些实施方式中,所述输入的网络节点数据中包括图像数据,在所述基于对应的推理模型分别进行目标特征提取之前,所述方法还包括:
对输入的第一图像数据进行分辨率转换处理得到第二图像数据,其中,所述第二图像数据的分辨率低于所述第一图像数据。
在一些实施方式中,所述预设的权重是根据各个关系对中目标特征的来源事件的重要性设置的。
第二方面,本发明实施例提供一种基于推理模型的流量预测装置,包括:
异构数据源处理模块,用于对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取,得到各种数据源对应的目标特征;
组合训练模块,用于将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合,所述关系对集合中包含各个数据源的目标特征的所有组合;
推理训练模块,用于将所述关系对集合中的所有关系对按预设的权重进行加权计算;将加权计算后的结果输入到深度神经网络中进行训练,再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。
在一些实施方式中,所述输入的网络节点数据中包括图像数据以及自然语言数据;
所述异构数据源处理模块对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取包括:
利用基于深度学习的卷积神经网络处理模型对图像数据进行目标特征提取;利用长短期记忆模型对自然语言数据进行目标特征提取。
在一些实施方式中,所述输入的网络节点数据中包括图像数据,异构数据源处理模块在所述基于对应的推理模型分别进行目标特征提取之前,还用于:
对输入的第一图像数据进行分辨率转换处理得到第二图像数据,其中,所述第二图像数据的分辨率低于所述第一图像数据。
在一些实施方式中,所述预设的权重是根据各个关系对中目标特征的来源事件的重要性设置的。
第三方面,本发明的又一实施例提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述方法的步骤。
第四方面,本发明的又一实施例提供了一种计算机可读存储介质,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所述方法的步骤。
本发明实施例提供了一种基于推理模型的流量预测方法及装置,该方法中,对于网络节点数据中的不同数据源采用不同的推理模型进行目标特征提取,接着将提取之后的目标特征组合成一个个关系对,接着将所有关系对进行加权计算,再进行训练分类得到对网络流量的推理预测结果。本发明实施例提供的方法能够从网络生成的海量的异构数据中学习不同数据之间的内在逻辑性,相比于现有的预测方法,采用推理模型进行目标特征提取能够有效提高待训练数据的精度。且训练时由于基于推理模型考虑到了数据之间的推理关系,因此能够有效提高预测结果的准确性。同时,这种方法训练深度神经网络学习数据项间的逻辑推理关系,输出的推理模型可用于同时训练多个任务目标。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的一种基于推理模型的流量预测方法流程图;
图2是本发明实施例提供的基于卷积神经网络模型对图像数据进行目标特征提取示意图;
图3是本发明实施例提供的对目标特征进行组合示意图;
图4是本发明实施例提供的推理模型训练示意图;
图5是本发明提供的一种基于推理模型的流量预测装置实施例结构示意图;
图6是本发明提供的一种网络侧设备实施例结构框图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,本发明实施例提供了一种基于推理模型的流量预测方法,如图1所示,包括:
S101、对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取,得到各种数据源对应的目标特征;
其中,这里的数据源可以为多种形式,例如可以为图像数据、自然语言数据、语音数据等等,当然也可以为其他数据。不同的数据类型可以对应不同的推理模型。这里的目标特征可以理解为能够显著的反映数据源所要表达信息的特征。
S102、将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合,所述关系对集合中包含各个数据源的目标特征的所有组合;
也就是说,这里的关系对中至少包括两种数据源对应的目标特征,例如一个关系对中包括图像数据源的目标特征以及自然语言数据源对应的目标特征。所有数据源的目标特征都进行了随机组合,这一关系对集合中包括了各个数据源目标特征进行组合的所有组合方式。
S103、将所述关系对集合中的所有关系对按预设的权重进行加权计算;将加权计算后的结果输入到深度神经网络中进行训练,再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。
其中,每个关系对可以以一个一维矩阵的形式表示,因此这里的加权计算也即每个一维矩阵乘以对应的权重值,再将各个元素对应相加最终得到一个一维矩阵,该一维矩阵即为该网络流量的一种表示,接着将这一表示进行训练分类,输出最终的预测结果。
本发明实施例提供了一种基于推理模型的流量预测方法,对于网络节点数据中的不同数据源采用不同的推理模型进行目标特征提取,接着将提取之后的目标特征组合成一个个关系对,接着将所有关系对进行加权计算,再进行训练分类得到对网络流量的推理预测结果。本发明实施例提供的方法能够从网络生成的海量的异构数据中学习不同数据之间的内在逻辑性,相比于现有的预测方法,采用推理模型进行目标特征提取能够有效提高待训练数据的精度。且训练时由于基于推理模型考虑到了数据之间的推理关系,因此能够有效提高预测结果的准确性。同时,这种方法训练深度神经网络学习数据项间的逻辑推理关系,输出的推理模型可用于同时训练多个任务目标。
为便于理解,下面对于各个步骤的几种可选的实施方式进行详细说明。
步骤S101实现的功能主要为对于输入数据的目标特征的提取。在一些实施方式中,输入的网络节点数据可以为多种类型的数据,例如可以包括图像数据和自然语言数据,当然还可以包括其他类型数据,例如语音数据等等。当输入的网络节点数据中包括图像数据以及自然语言数据时,步骤S101中的基于推理模型进行目标特征提取的一种可选的实施方式可以包括:
S1011、利用基于深度学习的卷积神经网络处理模型对图像数据进行目标特征提取;
其中,对于图像数据进行目标特征提取即为对输入的图像文件进行一系列处理,具体可以包括:对图像的多目标检测、目标位置检测等,并输出目标的表示。在具体实施时,可以采用基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)处理模型来对图像数据进行一系列处理。
图2示出了对线路交通状态图进行目标特征提取的一个实例。参见图2,处理后的图像包含有若干条线路的流量信息,通过基于深度学习的卷积神经网络(ConvolutionalNeural Network,CNN)处理模型进行处理后,挖掘各个线路流量信息的特征,最终得到图2中以不同填充代表的不同线路目标特征的深度模型表示,即目标特征L1、L2和L3。该目标特征能够反应对应线路的流量情况。
进一步地,输入的图像数据可能为高分辨率图像,然而过高的图像分辨率和色彩数量对一般的预测任务是不必要的,因此在进行图像数据的目标特征提取之前,本发明实施例提供的方法还可以包括:
S100、对输入的第一图像数据进行分辨率转换处理得到第二图像数据,其中,所述第二图像数据的分辨率低于所述第一图像数据。
进而可以通过这样的图像预处理来提高图像数据目标特征提取的效率。
S1011’、利用长短期记忆模型对自然语言数据进行目标特征提取。
也即处理与自然语言有关的数据并提取出关键表征。网络产生的数据往往包含大量的记录型文字,同时网络外部的一些额外的与网络相关的数据大都是文本类数据,例如对于交通网络而言,天气、节假日、重大时政事件都属于文本数据,且都可能是原始输入数据类型,这些类型的文本可以不经过处理而直接投入模块。
在一些实施方式中,可以使用长短期记忆模型(Long Short-TermMemory,LSTM)等基于深度学习的语言模型对输入的文本数据进行处理,并输出文本目标特征,提取后的特征将作为组合训练模块中目标对的一个组成部分。
这里的步骤S1011以及步骤S1011’在实施时,没有特定的逻辑顺序,可以先执行步骤S1011,也可以先执行步骤S1011’,也可以同时执行这两个步骤。
在经过步骤S101提取了图像数据以及自然语言数据的目标表征之后,步骤S102实现的功能主要是是汇聚对于图像数据以及自然语言数据进行处理产生的目标表征,并将些表征进行组合。其组合过程如图3所示,来自图像数据对应的目标特征(也即图3中的L1、L2和L3等)和自然语言数据对应目标特征(也即图3中的北京、晴、转多云等)进行组合,组合形成的关系对可以以矩阵的形式表示,每个关系对中既包含图像数据对应的目标特征也包含自然语言数据对应的目标特征,输出的关系对组合包含所有自然语言数据对应的目标特征以及图像数据对应的目标特征的所有组合。最后输出关系对集合。
在经过步骤S102得到关系对集合后,步骤S103主要实现的功能可以参见图4,对输出的每一组关系对,先与预设的权重相乘,再进行对应元素相加的操作,最终得到一组表示,该表示即为当前复杂网络环境流量的一种表示结果。然后将该表示输入到深度神经网络中进行训练,将训练之后的结果送入一层分类器输出最终的预测结果。
在实际的网络流量预测模型中,一些突发事件会在一段时间内极大的影响网络的流量。因此不同的关系对组合或者说同一个关系对组合中的某一个目标特征元素会在推理过程中起到重要的影响。因此在一些实施方式时,可以根据各个关系对中目标特征的来源事件的重要性来设置各个关系对对应的权重。例如,若最近为国庆节,则国庆节的相关信息相对于其他事件势必会对网络流量的影响更大,因此与国庆节相关的目标特征(例如自然语言特征以及图像特征)所在的关系对的权重值需要大于其他来源事件的权重值。然后再将加权计算后的结果送入深度神经网络进行训练并送入分类器输出预测结果。
第二方面,本发明实施例提供了又一种基于推理模型的流量预测装置,如图5所示,包括:
异构数据源处理模块501,用于对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取,得到各种数据源对应的目标特征;
组合训练模块502,用于将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合,所述关系对集合中包含各个数据源的目标特征的所有组合;
推理训练模块503,用于将所述关系对集合中的所有关系对按预设的权重进行加权计算;将加权计算后的结果输入到深度神经网络中进行训练,再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。
在一些实施方式中,所述输入的网络节点数据中包括图像数据以及自然语言数据;
相应的,所述异构数据源处理模块501对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取包括:
利用基于深度学习的卷积神经网络处理模型对图像数据进行目标特征提取;利用长短期记忆模型对自然语言数据进行目标特征提取。
在一些实施方式中,所述输入的网络节点数据中包括图像数据,相应的,异构数据源处理模块501在所述基于对应的推理模型分别进行目标特征提取之前,还用于:
对输入的第一图像数据进行分辨率转换处理得到第二图像数据,其中,所述第二图像数据的分辨率低于所述第一图像数据。
在一些实施方式中,所述预设的权重是根据各个关系对中目标特征的来源事件的重要性设置的。
由于第二方面所介绍的基于推理模型的流量预测装置为可以执行本发明实施例中的基于推理模型的流量预测方法的装置,故而基于本发明实施例中所介绍的基于推理模型的流量预测的方法,本领域所属技术人员能够了解本实施例的基于推理模型的流量预测装置的具体实施方式以及其各种变化形式,所以在此对于该基于推理模型的流量预测装置如何实现本发明实施例中的基于推理模型的流量预测方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中基于推理模型的流量预测方法所采用的装置,都属于本申请所欲保护的范围。
图6示出本发明实施例提供的网络侧设备的结构框图。
参照图6,该网络侧设备,包括:处理器(processor)601、存储器(memory)602以及总线603;
其中,所述处理器601以及存储器602通过所述总线603完成相互间的通信。
所述处理器601用于调用所述存储器602中的程序指令,以执行第一方面实施例所提供的方法。
本发明实施例还公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述第一方面实施例所提供的方法。
本发明实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述第一方面实施例所提供的方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,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成反映如下意图: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,如下面的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。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的某些部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于推理模型的流量预测方法,其特征在于,包括:
对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取,得到各种数据源对应的目标特征;
将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合,所述关系对集合中包含各个数据源的目标特征的所有组合;
将所述关系对集合中的所有关系对按预设的权重进行加权计算;将加权计算后的结果输入到深度神经网络中进行训练,再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。
2.根据权利要求1所述的方法,其特征在于,所述输入的网络节点数据中包括图像数据以及自然语言数据;
相应地,所述对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取包括:
利用基于深度学习的卷积神经网络处理模型对所述图像数据进行目标特征提取;利用长短期记忆模型对所述自然语言数据进行目标特征提取。
3.根据权利要求1或2所述的方法,其特征在于,所述输入的网络节点数据中包括图像数据,在所述基于对应的推理模型分别进行目标特征提取之前,所述方法还包括:
对输入的第一图像数据进行分辨率转换处理得到第二图像数据,其中,所述第二图像数据的分辨率低于所述第一图像数据。
4.根据权利要求1所述的方法,其特征在于,所述预设的权重是根据各个关系对中目标特征的来源事件的重要性设置的。
5.一种基于推理模型的流量预测装置,其特征在于,包括:
异构数据源处理模块,用于对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取,得到各种数据源对应的目标特征;
组合训练模块,用于将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合,所述关系对集合中包含各个数据源的目标特征的所有组合;
推理训练模块,用于将所述关系对集合中的所有关系对按预设的权重进行加权计算;将加权计算后的结果输入到深度神经网络中进行训练,再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。
6.根据权利要求5所述的装置,其特征在于,所述输入的网络节点数据中包括图像数据以及自然语言数据;
相应的,所述异构数据源处理模块对于输入的网络节点数据中的每一种数据源,基于对应的推理模型分别进行目标特征提取包括:
利用基于深度学习的卷积神经网络处理模型对所述图像数据进行目标特征提取;利用长短期记忆模型对所述自然语言数据进行目标特征提取。
7.根据权利要求5或6所述的装置,其特征在于,所述输入的网络节点数据中包括图像数据,相应的,异构数据源处理模块在所述基于对应的推理模型分别进行目标特征提取之前,还用于:
对输入的第一图像数据进行分辨率转换处理得到第二图像数据,其中,所述第二图像数据的分辨率低于所述第一图像数据。
8.根据权利要求5所述的装置,其特征在于,所述预设的权重是根据各个关系对中目标特征的来源事件的重要性设置的。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267028.XA CN110322037A (zh) | 2018-03-28 | 2018-03-28 | 基于推理模型的流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267028.XA CN110322037A (zh) | 2018-03-28 | 2018-03-28 | 基于推理模型的流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322037A true CN110322037A (zh) | 2019-10-11 |
Family
ID=68110290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810267028.XA Pending CN110322037A (zh) | 2018-03-28 | 2018-03-28 | 基于推理模型的流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322037A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112333046A (zh) * | 2020-11-09 | 2021-02-05 | 北京邮电大学 | 物联网节点流量预测系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609688A (zh) * | 2012-02-02 | 2012-07-25 | 杭州电子科技大学 | 基于广义回归神经网络的多向运动人群流量估计方法 |
CN103208190A (zh) * | 2013-03-29 | 2013-07-17 | 西南交通大学 | 基于对象检测的交通流量检测方法 |
CN103839415A (zh) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN103956043A (zh) * | 2014-04-29 | 2014-07-30 | 南京理工大学 | 基于移动终端的车辆出行路径辅助系统 |
WO2015100993A1 (zh) * | 2013-12-30 | 2015-07-09 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
CN105426356A (zh) * | 2015-10-29 | 2016-03-23 | 杭州九言科技股份有限公司 | 一种目标信息识别方法和装置 |
CN105516020A (zh) * | 2015-12-22 | 2016-04-20 | 桂林电子科技大学 | 一种基于本体知识推理的并行网络流量分类方法 |
CN105590094A (zh) * | 2015-12-11 | 2016-05-18 | 小米科技有限责任公司 | 确定人体数量的方法及装置 |
CN106790019A (zh) * | 2016-12-14 | 2017-05-31 | 北京天融信网络安全技术有限公司 | 基于特征自学习的加密流量识别方法及装置 |
US9727882B1 (en) * | 2013-06-21 | 2017-08-08 | Amazon Technologies, Inc. | Predicting and classifying network activity events |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
-
2018
- 2018-03-28 CN CN201810267028.XA patent/CN110322037A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609688A (zh) * | 2012-02-02 | 2012-07-25 | 杭州电子科技大学 | 基于广义回归神经网络的多向运动人群流量估计方法 |
CN103208190A (zh) * | 2013-03-29 | 2013-07-17 | 西南交通大学 | 基于对象检测的交通流量检测方法 |
US9727882B1 (en) * | 2013-06-21 | 2017-08-08 | Amazon Technologies, Inc. | Predicting and classifying network activity events |
WO2015100993A1 (zh) * | 2013-12-30 | 2015-07-09 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
CN103839415A (zh) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN103956043A (zh) * | 2014-04-29 | 2014-07-30 | 南京理工大学 | 基于移动终端的车辆出行路径辅助系统 |
CN105426356A (zh) * | 2015-10-29 | 2016-03-23 | 杭州九言科技股份有限公司 | 一种目标信息识别方法和装置 |
CN105590094A (zh) * | 2015-12-11 | 2016-05-18 | 小米科技有限责任公司 | 确定人体数量的方法及装置 |
CN105516020A (zh) * | 2015-12-22 | 2016-04-20 | 桂林电子科技大学 | 一种基于本体知识推理的并行网络流量分类方法 |
CN106790019A (zh) * | 2016-12-14 | 2017-05-31 | 北京天融信网络安全技术有限公司 | 基于特征自学习的加密流量识别方法及装置 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112333046A (zh) * | 2020-11-09 | 2021-02-05 | 北京邮电大学 | 物联网节点流量预测系统及方法 |
CN112333046B (zh) * | 2020-11-09 | 2022-02-11 | 北京邮电大学 | 物联网节点流量预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
WO2022083536A1 (zh) | 一种神经网络构建方法以及装置 | |
CN109360097A (zh) | 基于深度学习的股票预测方法、装置、设备及存储介质 | |
CN107330731B (zh) | 一种识别广告位点击异常的方法和装置 | |
EP3732631A1 (en) | Neural architecture search for dense image prediction tasks | |
CN108427708A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN110532417A (zh) | 基于深度哈希的图像检索方法、装置及终端设备 | |
CN109033107A (zh) | 图像检索方法和装置、计算机设备和存储介质 | |
US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
CN110209926A (zh) | 商家推荐方法、装置、电子设备及可读存储介质 | |
CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN110084468A (zh) | 一种风险识别方法及装置 | |
Wang et al. | Research on maize disease recognition method based on improved resnet50 | |
Wang et al. | Smartphone-based bulky waste classification using convolutional neural networks | |
CN114548300B (zh) | 解释业务处理模型的业务处理结果的方法和装置 | |
CN110263136A (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
CN113705402A (zh) | 视频行为预测方法、系统、电子设备及存储介质 | |
CN115620122A (zh) | 神经网络模型的训练方法、图像重识别方法及相关设备 | |
Jamshidi et al. | Using artificial neural networks and system identification methods for electricity price modeling | |
CN110322037A (zh) | 基于推理模型的流量预测方法及装置 | |
CN115952438B (zh) | 社交平台用户属性预测方法、系统、移动设备及存储介质 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221018 |
|
AD01 | Patent right deemed abandoned |