CN111162925A - 网络流量预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明涉及业务支撑技术领域，公开了一种网络流量预测方法、装置、电子设备及存储介质，所述方法包括：根据历史总流量数据预测第一部分流量增幅，第一部分流量增幅为不考虑当前突发事件时网络流量增幅的预测值；根据当前突发事件确定影响因子，并将影响因子输入突发事件预测模型，突发事件预测模型根据各个影响因子对应的因子权重对各个影响因子进行加权得到预测权重，并根据预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅；根据第一部分流量增幅和第二部分流量增幅得到总流量增幅的预测值。本发明实施例提供的技术方案，能够对增加突发事件后的总流量增幅作出科学准确地预测。

Description

网络流量预测方法、装置、电子设备及存储介质

技术领域

本发明涉及业务支撑技术领域，尤其涉及一种网络流量预测方法、装置、电子设备及存储介质。

背景技术

网络总流量预测对于网络资源规划、市场收入预测等都具有重要意义。近年来，因为4G用户的快速增长，网络总流量持续快速增长。同时，各网络运营商持续开展各类营销活动，譬如中国移动推广的流量任我看套餐，此类营销活动可视为突发事件，其能造成人为的流量井喷，导致难以准确预测网络流量。

目前，网络总流量预测方法主要包括以下几种：

(1)基于业务经验的总流量预测方法。

业务人员根据经验知识，自行设置每月流量环比增幅，计算公式为：y_n+1＝(1+x)y_n。其中x为每月流量增幅，由业务人员根据经验设定，为第n月的网络总流量。譬如活动推出时间为5月份，2017年4月的总流量为1000P，业务人员根据经验设定月度环比增长率为5％，则预测5月总流量为1000×(1+5％)＝1050P，预测6月总流量为1050×(1+5％)＝1102.5P。

(2)基于指标分解法的总流量预测方法。

指标分解法是将一个相对复杂的指标分解成若干个子指标，再对每一个子指标进行研究，从而达到易于分析、便于实行的目的。常用的指标分解法有总分法和渐进法：总分法直接把核心数据拆分成若干个子指标，这些子指标组合起来就可得到核心数据；渐进法是按照数据之间的逻辑递进关系，逐次获得各项子指标，最后得出核心数据。

以流量任我看套餐推广为例，根据视频流量包资费政策特点(多次订购、立即生效)，按照层次分析法，可设计视频APP流量增幅预测模型如下(以腾讯视频APP为例)：

腾讯视频总流量＝∑腾讯视频使用用户的流量之和

＝∑订阅腾讯视频流量包用户流量+∑未订阅腾讯视频流量包用户流量

＝∑订阅流量包用户数*日活率*APP DOU*(1+流量增幅)+∑未订阅腾讯视频流量包用户流量*节假日因素

＝∑订阅流量包用户数*原有日活率*(1+日活率增幅)*APP DOU*(1+流量增幅)+∑对应APP七天移动平均*节假日因素

(3)基于移动平均法的总流量预测

移动平均法(moving average method)是根据时间序列，逐项推移，依次计算包含一定项数的序时平均数，以此进行预测的方法。

移动平均法是用一组最近的实际数据值来预测未来一期或几期内公司产品的需求量、公司产能等的一种常用方法。移动平均法适用于近期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动，是非常有用的。移动平均法根据预测时使用的各元素的权重不同，可以分为：简单移动平均和加权移动平均。

(4)基于ARIMA模型的总流量预测。

ARIMA模型全称为自回归积分滑动平均模型(Autoregressive IntegratedMoving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。

但是，上述网络总流量预测分别存在如下缺陷：

(1)采用基于业务经验的总流量预测方法时，过于依赖业务人员的经验，缺乏可复制性和全网推广性。

(2)采用基于指标分解法的总流量预测方法时，同样需要根据业务人员经验，人工给出关键指标，譬如本例中流量增幅、日活率增幅等，同时对于历史周期的流量数据参照较少。

(3)基于移动平均法的总流量预测方法通过引进近期的新数据，不断修改平均值，以之作为预测值，因此，其存在着如下问题：加大移动平均法的期数会使平滑波动效果更好，但会使预测值对数据实际变动更不敏感；移动平均值并不总是能够很好地反映出趋势，由于采用平均值作为预测值，以至于预测值总是停留在过去的水平上而无法预计会导致将来更高或更低的波动；移动平均法的应用需要基于大量的历史数据。

(4)采用基于ARIMA的总流量预测方法时，充分考虑了时间序列数据的长期性、季节性和随机性，但是ARIMA模型对于类似流量营销活动等突发事件缺乏定义，无法准确预测增加突发事件后的网络总流量增幅，从而造成预测误差。

发明内容

本发明实施例提供一种网络流量预测方法、装置、电子设备及存储介质，以解决现有技术无法在运营商推出流量营销等突发活动时准确预测网络总流量增幅的缺陷。

第一方面，本发明一实施例提供了一种网络流量预测方法，包括：

根据历史总流量数据预测第一部分流量增幅，第一部分流量增幅为不考虑当前突发事件时网络流量增幅的预测值；

根据当前突发事件确定影响因子，并将影响因子输入突发事件预测模型，突发事件预测模型根据各个影响因子对应的因子权重对各个影响因子进行加权得到预测权重，并根据预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅，其中，影响影子的因子权重根据历史突发事件的数据拟合得到，突发流量增幅基准值根据历史突发事件引起的突发流量增幅得到，第二部分流量增幅为当前突发事件引起的网络流量增幅的预测值；

根据第一部分流量增幅和第二部分流量增幅得到总流量增幅的预测值。

第二方面，本发明一实施例提供了一种网络流量预测装置，包括：

第一流量预测模块，用于根据历史总流量数据预测第一部分流量增幅，第一部分流量增幅为不考虑当前突发事件时网络流量增幅的预测值；

第二流量预测模块，用于根据当前突发事件确定影响因子，并将影响因子输入突发事件预测模型，突发事件预测模型根据各个影响因子对应的因子权重对各个影响因子进行加权得到预测权重，并根据预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅，其中，影响影子的因子权重根据历史突发事件的数据拟合得到，突发流量增幅基准值根据历史突发事件引起的突发流量增幅得到，第二部分流量增幅为当前突发事件引起的网络流量增幅的预测值；

总流量预测模块，用于根据第一部分流量增幅和第二部分流量增幅得到总流量增幅的预测值。

第三方面，本发明一实施例提供了一种电子设备，包括收发机、存储器、处理器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，收发机用于在处理器的控制下接收和发送数据，处理器执行程序时实现上述任一种方法的步骤。

第四方面，本发明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指令，该程序指令被处理器执行时实现上述任一种方法的步骤。

本发明实施例提供的技术方案，基于网络流量的自然涨落以及突发事件的突发性，将总流量分成两部分单独进行预测，第一部分，利用ARIMA模型对不考虑突发事件影响的网络流量自然增长进行预测，第二部分，通过多个影响因子对当前突发事件进行量化，并利用根据历史突发事件训练得到的突发事件预测模型对当前突发事件引起的网络流量增幅进行预测，因此，即便在运营商推出突发活动的情况下也能准确预测网络流量的增幅，同时，减少了预测过程中对业务人员的依赖，减少了人为因素的干扰，使得预测结果更符合客观规律。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本发明的一些实施例，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为本发明一实施例的网络流量预测方法的示意图；

图2为本发明一实施例的网络流量预测装置的结构示意图；

图3为本发明一实施例的电子设备的结构示意图。

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、完整地描述。

为了方便理解，下面对本发明实施例中涉及的名词进行解释：

突发事件：是指运营商推出的各类营销活动，如“流量任我看”套餐、“咪咕爱看流量包”优惠活动等。一般此类营销活动持续的时间较短，如3个月。

流量增幅：是指相比前一周期，当前周期流量增长的百分比。其中，周期的单位可以天、周、月或年，视具体的预测需求确定。

当前突发事件的发起方：是指推出此次营销活动的主体，例如是移动江苏省公司推出的活动，则发起方是江苏省移动公司，其管辖区域为江苏省。

指定用户占比：是本次流量预测针对的业务范围内的用户占总用户的比例，例如，本次流量预测是针对江苏省的4G业务进行的，则指定用户占比为江苏省内的4G用户占江苏省内总用户的比例。

目标用户占比：是指此次活动/套餐主要针对的目标用户占总用户的比例，例如，浙江省移动公司在浙江省范围内推出了“咪咕爱看流量包”活动，还活动的目标用户为20-35岁的年轻用户，则目标用户占比为浙江省20-35岁年轻用户占浙江省总用户的比例。

推广渠道：是指推广本次活动/套餐采用的渠道，例如，线上推广、线下推广或线上线下同时推广。

价格因素：是指相对通用流量包的价格优惠幅度。

流量使用条件：是指在使用本次活动/套餐中的流量时，是否有地域限制、时段限制、APP限制，例如，在浙江省范围内推出的“咪咕爱看流量包”活动，仅能在浙江省内使用，并且流量包只包含使用“咪咕APP”时产生的流量。

订购次数限制：是指本次活动/套餐是否可以订购多次。

流量转赠权限：是指本次活动/套餐中的流量是否可以转赠给其他用户。

附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

在具体实践过程中，基于业务经验和基于指标分解法的总流量预测方法都需要人工给出各种参数和指标，过分依赖业务人员的经验，降低了预测结果的客观性和准确度，且不同地区的业务人员会给出不同的预测结果，导致方法不具有可复制性和推广性。为此，本领域技术人员采用普适性更好的基于移动平均法的流量预测方法和基于ARIMA模型的预测方法，来降低人为因素的干扰。但是，本发明的发明人发现，移动平均法采用近期实际数据的平均值作为预测值，对数据实际变动十分不敏感，而ARIMA模型是基于时间序列的预测模型，只能够预测网络流量的长期变化趋势或周期性的变化趋势，且建立ARIMA模型至少需要24个月的网络流量数据。在实际过程中，运营商推出的营销活动的持续时间较短且会引起井喷式的流量增幅，其带来的流量变化不具有复现性、持续性和周期性规律，通过移动平均法和ARIMA模型很难从历史总流量数据中捕捉到营销活动导致的流量变化的规律，因此，移动平均法和ARIMA模型无法准确预测此类因营销活动带来的突发的流量增长。而对运营商来说，能否准确预估一项营销活动能带来的流量增长，以便做出合理的网络资源规划和市场投入是至关重要的。

不同于因市场、季节等客观因素引起的网络流量的自然涨落，营销活动类突发事件引起的网络流量变化具有突发的特性，为此，本发明的发明人将总流量分成两部分单独进行预测，第一部分针对不考虑突发事件影响的网络流量自然增长进行预测，第二部分针对突发事件对网络流量的非正常影响进行预测。针对第二部分的流量预测，发明人又根据营销活动类突发事件的特性，如活动地点、活动/套餐推广力度和吸引力等影响因素，提出了多个可能引起流量变化的影响因子，以量化突发事件，并结合历史突发事件发生时的网络流量数据拟合出针对突发事件的流量预测模型，通过上述流量预测模型对突发事件引起的网络流量变化进行准确的预测。再结合两部分流量增幅，得到增加突发事件后的总流量增幅。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

参考图1，本发明实施例提供一种网络流量预测方法，包括以下步骤：

S101、根据历史总流量数据预测第一部分流量增幅。

其中，第一部分流量增幅为不考虑当前突发事件时网络流量增幅的预测值。

具体实施时，为了保证第一部分流量增幅的准确性，将总流量构成分解为长期趋势、季节性因素和随机因素三部分，对历史总流量数据进行预处理后得到历史总流量时间序列，将历史总流量时间序列输入ARIMA模型进行流量增幅预测，得到长期趋势增幅T₁、季节性增幅S₁和随机性增幅R₁，则第一部分流量增幅Y₁＝T₁+S₁+R₁。其中，预处理的过程大致为：首先，对历史总流量数据进行数据校验，对异常值进行相应地处理，例如，针对明显低于正常值的异常数据，根据该数据上、下两个周期的数据求平均值，用平均值替换异常数据；其次，核查历史总流量数据的数据量是否满足2个完整周期的最低需求，对于无法满足要求的数据进行回填处理，例如，本次预测周期以月度为单位，则至少需要保证至少有24个月的历史总流量数据，若只有近22个月的数据，可利用这22个月的平均值对缺失的两个月的数据进行回填。

S102、根据当前突发事件确定影响因子，并将影响因子输入突发事件预测模型，突发事件预测模型根据各个影响因子对应的因子权重对各个影响因子进行加权得到预测权重，并根据预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅。

其中，影响影子的因子权重根据历史突发事件的数据拟合得到，突发流量增幅基准值根据历史突发事件引起的突发流量增幅得到，第二部分流量增幅为当前突发事件引起的网络流量增幅的预测值。

S103、根据第一部分流量增幅和第二部分流量增幅得到总流量增幅的预测值。

本实施例的网络流量预测方法，基于网络流量的自然涨落以及突发事件的突发性，将总流量分成两部分单独进行预测，第一部分，利用ARIMA模型对不考虑突发事件影响的网络流量自然增长进行预测，第二部分，通过多个影响因子对当前突发事件进行量化，并利用根据历史突发事件训练得到的突发事件预测模型对当前突发事件引起的网络流量增幅进行预测，因此，即便在运营商推出突发活动的情况下也能准确预测网络流量的增幅，同时，减少了预测过程中对业务人员的依赖，减少了人为因素的干扰，使得预测结果更符合客观规律。

此外，本实施例的网络流量预测方法，能够预测各类突发事件引起的流量增幅，因此，能够在运营商推出活动前，对该活动引起的流量增幅作出充分的预估，以便调整活动的营销策略，降低运营商的风险。

为了建立突发事件预测模型，首先，需要确定突发流量增幅基准值，突发流量增幅基准值是指推出历史突发事件后的各个周期内由该历史突发事件引起的突发流量增幅，可见，突发流量增幅基准值K是一个随着周期变化的数据。突发流量增幅基准值根据一个典型的历史突发事件的相关数据确定，也可以根据多个历史突发事件的相关数据确定。

其中，对任一历史突发事件引起的突发流量增幅可通过如下步骤确定：根据历史总流量时间序列预测不考虑该历史突发事件时的总流量预测值；根据该历史突发事件发生后的总流量实际值、该历史突发事件发生前的总流量实际值和对该历史突发事件的总流量预测值，得到该历史突发事件引起的突发流量增幅。

具体实施时，通过以下方法计算突发流量增幅基准值：先确定一个典型的历史突发事件，获取该历史突发事件的相关数据，相关数据至少包括以下内容：为该历史突发事件发生前的总流量实际值QA₀，该历史突发事件发生以后多个周期的总流量实际值，以及该历史突发事件推出后在不考虑该历史突发事件的情况下多个周期的总流量预测值。此处，用QA_i表示历史突发事件发生后第i个周期的总流量实际值，用QE_i表示该历史突发事件发生后在不考虑该历史突发事件的情况下第i个周期的总流量预测值。其中，可利用ARIMA模型根据历史总流量时间序列预测QE_i，具体预测方法为常规手段，不再赘述。当然，该历史突发事件停止后的数据不参与计算。根据该历史突发事件的相关数据确定该历史突发事件发生后至第i个周期的突发事件流量总增幅η_i，具体公式为：

故，该历史突发事件发生后的第i个周期内的突发流量增幅P_i＝η_i-η_i-1，其中，η₀＝0。通过上述公式可确定发生该历史突发事件后的各个周期对应的突发流量增幅基准值，将该典型历史突发事件各个周期内的突发流量增幅P_i作为突发事件预测模型中的突发流量增幅基准值K_i，以便预测推出突发事件后的多个周期内的流量增幅。

例如，预测周期以月度为单位，以在2016年4月推出了“流量任我看”套餐为例，该活动持续了3个月，获取该历史突发事件的发生前一个月，即2016年3月的总流量实际值QA₀＝1000P，并获取4、5、6月的总流量实际值分别为QA₁＝1020P，QA₂＝1075P，QA₃＝1100P。然后，利用预先建立的ARIMA模型预估未来3个月的总流量预测值分别为QE₁＝1005P，QE₂＝1030P，QE₃＝1040P。接着，根据公式

计算整个4月的突发事件流量总增幅η₁＝1.5％、4月和5月两个月的突发事件流量总增幅η₂＝4.5％、4-6月三个月的突发事件流量总增幅η₃＝6％，从而根据公式P_i＝η_i-η_i-1得到4月的突发流量增幅P₁＝1.5％、5月的突发流量增幅P₂＝3％、6月的突发流量增幅P₃＝2.5％。最终，突发流量增幅基准值取K₁＝1.5％，K₂＝3％，K₃＝2.5％。

需要说明的是，历史突发事件推出前的总流量实际值QA₀可以是该历史突发事件发生前一个周期的总流量实际值，也可以是该历史突发事件发生前多个周期的总流量实际值的平均值。

当然，为了减少因单个历史突发事件的特殊性引起的误差，可分别计算多个历史突发事件对应的突发流量增幅，然后对多个历史突发事件的突发流量增幅进行加权平均，得到最终应用到突发事件预测模型中的突发流量增幅基准值。

为了建立突发事件预测模型，还需要确定与突发事件引起流量变化有关的影响因子，以便对突发事件进行量化处理。为了提高预测突发事件引起的网络流量增幅的准确性，本实施例参考以往销售经验数据，确定了三个关键的一级影响因子，包括当前突发事件发起方的活力度因子F₁、当前突发事件的推广度因子F₂和当前突发事件的吸引力因子F₃。此外，为了进一步提高预测的准确性，有对各个一级影响因子进行了细化，确定了9个二级影响因子，包括当前突发事件的发起方管辖区域内的上网用户普及率X₁、指定用户占比X₂、DOU(Dataflow of usage，平均每户每月上网流量)X₃、以及当前突发事件的目标用户占比X₄、推广渠道X₅、价格因素X₆、流量使用条件X₇、订购次数限制X₈和流量转赠权限X₉。通过9个二级影响影子确定3个一级影响因子，具体为：

F₁＝W₁×X₁+W₂×X₂+W₃×X₃，

F₂＝W₄×X₄+W₅×X₅+W₆×X₆，

F₃＝W₇×X₇+W₈×X₈+W₉×X₉，

其中，W₁为上网用户普及率对应的第一因子权重，W₂为指定用户占比对应的第二因子权重，W₃为DOU对应的第三因子权重，W₄为目标用户占比对应的第四因子权重，W₅为推广渠道对应的第五因子权重，W₆为价格因素对应的第六因子权重，W₇为流量使用条件对应的第七因子权重，W₈为订购次数限制对应的第八因子权重，W₉为流量转赠权限对应的第九因子权重。根据上述三个一级影响因子确定预测权重F＝F₁+F₂+F₃。

第二部分流量增幅记为Y₂，则突发事件预测模型可通过以下公式表示：

Y₂＝K×F，

F＝F₁+F₂+F₃，

F₁＝W₁×X₁+W₂×X₂+W₃×X₃，

F₂＝W₄×X₄+W₅×X₅+W₆×X₆，

F₃＝W₇×X₇+W₈×X₈+W₉×X₉。

确定好突发事件预测模型的具体表达式后，利用多个历史突发事件的数据对突发事件预测模型进行拟合，通过不断地迭代优化，确定因子权重W₁～W₉。其中，历史突发事件的各个周期的第二部分流量增幅Y_2i＝QA_i-QE_i，根据各个影响因子的具体定义确定该历史突发事件的影响因子X₁～X₉的值。

本实施例的网络流量预测方法，通过制定两级影响因子体系，纳入了更加贴近现实情况的影响因素，从多方面的因素揭示了各个突发事件的内在差异，精准量化了突发事件，并利用历史突发事件数据对突发事件预测模型进行拟合，以揭示突发事件的各个影响因子与网络流量变化之间的内在关系，进而能够确定不同的突发事件引起流量变化的规律，从而能够对各类突发事件引起的流量增幅作出更加准确、科学的预测。

随着各类营销活动不断的推出，可采集到更多的历史突发事件的数据，利用新增的历史突发事件的数据不断地对突发事件预测模型进行训练迭代优化，以得到更优的因子权重。

建立好突发事件预测模型后，即可利用突发事件预测模型对当前突发事件进行预测，故步骤S102具体包括以下步骤：

S1021、根据当前突发事件确定影响因子，并将影响因子输入突发事件预测模型。

S1022、突发事件预测模型根据上网用户普及率对应的第一因子权重、指定用户占比对应的第二因子权重和DOU对应的第三因子权重，对当前突发事件的发起方管辖区域内的上网用户普及率、指定用户占比、平均每户每月上网流量DOU进行加权计算，得到当前突发事件发起方的活力度因子；根据目标用户占比对应的第四因子权重和推广渠道对应的第五因子权重，对当前突发事件的目标用户占比和推广渠道进行加权，得到当前突发事件的推广度因子；根据价格因素对应的第六因子权重、流量使用条件对应的第七因子权重、订购次数限制对应的第八权重和流量转赠权限对应的第九因子权重，对当前突发事件的价格因素、流量使用条件、订购次数限制和流量转赠权限进行加权计算，得到当前突发事件的吸引力因子；根据当前突发事件的发起方的活力度因子、当前突发事件的推广度因子和当前突发事件的吸引力因子确定预测权重。

S1023、突发事件预测模型根据预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅。

上述步骤S1022和S1023可通过以下公式表达，将当前突发事件的影响因子X₁～X₉代入以下公式，预测当前突发事件引起的第二部分流量增幅Y₂：

Y₂＝K×F，

F＝F₁+F₂+F₃，

F₁＝W₁×X₁+W₂×X₂+W₃×X₃，

F₂＝W₄×X₄+W₅×X₅+W₆×X₆，

F₃＝W₇×X₇+W₈×X₈+W₉×X₉。

最后，将第一部分流量增幅Y₁与第二部分流量增幅Y₂相加，即得到总流量增幅的预测值Y＝Y₁+Y₂。

在使用ARIMA模型和突发事件预测模型时，还可以调节ARIMA模型和突发事件预测模型输出预测值的置信度，使得突发事件预测模型和ARIMA模型输出不同置信度下的第一部分流量增幅和第二部分流量增幅，最终得到不同置信度下的总流量增幅的预测值，以方便运营商根据不同置信度下的预测值，对突发事件作出准确的风险预估，以及时调整营销活动的方案。

需要说明的是，由于实际应用中，运营商一般按月进行结算资费、统计流量，各类套餐/活动也是按月推出，因此，本实施例给出的示例中，各类历史数据均以月度为单位进行统计，相应的，流量增幅的预测值也是以月度为单位。当然，若实际应用中需要对其他周期尺度下的流量进行预测，如对每一年或每一周的流量进行预测，只需调整历史数据的统计单位，得到按年度统计的历史书或按周统计的历史数据，在此类历史数据上进行模型的构建和训练，即可得到年度或周的流量增幅预测。

如图2所示，基于与上述网络流量预测方法相同的发明构思，本发明实施例还提供了一种网络流量预测装置20，具体包括第一流量预测模块201、第二流量预测模块202和总流量预测模块203。

第一流量预测模块201，用于根据历史总流量数据预测第一部分流量增幅，第一部分流量增幅为不考虑当前突发事件时网络流量增幅的预测值；

第二流量预测模块202，用于根据当前突发事件确定影响因子，并将影响因子输入突发事件预测模型，突发事件预测模型根据各个影响因子对应的因子权重对各个影响因子进行加权得到预测权重，并根据预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅，其中，影响影子的因子权重根据历史突发事件的数据拟合得到，突发流量增幅基准值根据历史突发事件引起的突发流量增幅得到，第二部分流量增幅为当前突发事件引起的网络流量增幅的预测值；

总流量预测模块203，用于根据第一部分流量增幅和第二部分流量增幅得到总流量增幅的预测值。

可选地，影响因子具体包括：当前突发事件的发起方管辖区域内的上网用户普及率、指定用户占比、平均每户每月上网流量DOU、以及当前突发事件的目标用户占比、推广渠道、价格因素、流量使用条件、订购次数限制和流量转赠权限。

可选地，突发事件预测模型具体用于：根据上网用户普及率对应的第一因子权重、指定用户占比对应的第二因子权重和DOU对应的第三因子权重，对当前突发事件的发起方管辖区域内的上网用户普及率、指定用户占比、平均每户每月上网流量DOU进行加权计算，得到当前突发事件发起方的活力度因子；根据目标用户占比对应的第四因子权重和推广渠道对应的第五因子权重，对当前突发事件的目标用户占比和推广渠道进行加权，得到当前突发事件的推广度因子；根据价格因素对应的第六因子权重、流量使用条件对应的第七因子权重、订购次数限制对应的第八因子权重和和流量转赠权限对应的第九因子权重，对当前突发事件的价格因素、流量使用条件和流量转赠权限进行加权计算，得到当前突发事件的吸引力因子；根据当前突发事件的发起方的活力度因子、当前突发事件的推广度因子和当前突发事件的吸引力因子确定预测权重。

可选地，本实施例的网络流量预测装置还包括基准值确定模块，用于从多个历史突发事件中选择一个历史突发事件引起的突发流量增幅作为突发流量增幅基准值，或对多个历史突发事件引起的突发流量增幅进行加权平均，得到突发流量增幅基准值。

可选地，本实施例的网络流量预测装置还包括突发流量增幅计算模块，用于根据历史总流量时间序列预测不考虑任一历史突发事件时的总流量预测值，根据任一历史突发事件发生后的总流量实际值、任一历史突发事件发生前的总流量实际值和上述总流量预测值，得到任一历史突发事件引起的突发流量增幅。

可选地，本实施例的网络流量预测装置还包括置信度调节模块，用于调节突发事件预测模型的置信度，以得到不同置信度下的第二部分流量增幅。

基于与上述网络流量预测方法相同的发明构思，本发明实施例还提供了一种电子设备，该电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等。如图3所示，该电子设备30可以包括处理器301、存储器302和收发机303。收发机303用于在处理器301的控制下接收和发送数据。

存储器302可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本发明实施例中，存储器可以用于存储网络流量预测方法的程序。

处理器301可以是CPU(中央处埋器)、ASIC(Application Specific IntegratedCircuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或CPLD(Complex Programmable Logic Device，复杂可编程逻辑器件)处理器通过调用存储器存储的程序指令，按照获得的程序指令实现上述任一实施例中的网络流量预测方法。

本发明实施例提供了一种计算机可读存储介质，用于储存为上述电子设备所用的计算机程序指令，其包含用于执行上述网络流量预测方法的程序。

上述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。

以上所述，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本发明实施例的方法，不应理解为对本发明实施例的限制。本技术领域的技术人员可轻易想到的变化或替换，都应涵盖在本发明实施例的保护范围之内。

Claims (12)

1.一种网络流量预测方法，其特征在于，包括：

根据历史总流量数据预测第一部分流量增幅，所述第一部分流量增幅为不考虑当前突发事件时网络流量增幅的预测值；

根据所述当前突发事件确定影响因子，并将所述影响因子输入突发事件预测模型，所述突发事件预测模型根据各个影响因子对应的因子权重对各个影响因子进行加权得到预测权重，并根据所述预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅，其中，所述影响影子的因子权重根据历史突发事件的数据拟合得到，所述突发流量增幅基准值根据历史突发事件引起的突发流量增幅得到，所述第二部分流量增幅为所述当前突发事件引起的网络流量增幅的预测值；

根据所述第一部分流量增幅和所述第二部分流量增幅得到总流量增幅的预测值。

2.根据权利要求1所述的方法，其特征在于，所述影响因子具体包括：所述当前突发事件的发起方管辖区域内的上网用户普及率、指定用户占比、平均每户每月上网流量DOU、以及所述当前突发事件的目标用户占比、推广渠道、价格因素、流量使用条件、订购次数限制和流量转赠权限；

所述根据各个影响因子的因子权重，对各个影响因子进行加权得到预测权重，具体包括：

根据所述上网用户普及率对应的第一因子权重、所述指定用户占比对应的第二因子权重和所述DOU对应的第三因子权重，对所述当前突发事件的发起方管辖区域内的上网用户普及率、指定用户占比、平均每户每月上网流量DOU进行加权计算，得到所述当前突发事件发起方的活力度因子；

根据所述目标用户占比对应的第四因子权重和所述推广渠道对应的第五因子权重，对所述当前突发事件的目标用户占比和推广渠道进行加权，得到所述当前突发事件的推广度因子；

根据所述价格因素对应的第六因子权重、所述流量使用条件对应的第七因子权重、所述订购次数限制对应的第八权重和所述流量转赠权限对应的第九因子权重，对所述当前突发事件的价格因素、流量使用条件、订购次数限制和流量转赠权限进行加权计算，得到所述当前突发事件的吸引力因子；

根据所述当前突发事件的发起方的活力度因子、所述当前突发事件的推广度因子和所述当前突发事件的吸引力因子确定预测权重。

3.根据权利要求1所述的方法，其特征在于，所述突发流量增幅基准值通过以下步骤确定：

从多个历史突发事件中选择一个历史突发事件引起的突发流量增幅作为所述突发流量增幅基准值，或对多个历史突发事件引起的突发流量增幅进行加权平均，得到所述突发流量增幅基准值。

4.根据权利要求3所述的方法，其特征在于，所述多个历史突发事件中的任一历史突发事件引起的突发流量增幅通过如下步骤确定：

根据所述历史总流量时间序列预测不考虑所述任一历史突发事件时的总流量预测值；

根据所述任一历史突发事件发生后的总流量实际值、所述任一历史突发事件发生前的总流量实际值和所述总流量预测值，得到所述任一历史突发事件引起的突发流量增幅。

5.根据权利要求1至4中任一所述的方法，其特征在于，所述方法还包括：调节所述突发事件预测模型的置信度，以得到不同置信度下的第二部分流量增幅。

6.一种网络流量预测装置，其特征在于，包括：

第一流量预测模块，用于根据历史总流量数据预测第一部分流量增幅，所述第一部分流量增幅为不考虑当前突发事件时网络流量增幅的预测值；

第二流量预测模块，用于根据所述当前突发事件确定影响因子，并将所述影响因子输入突发事件预测模型，所述突发事件预测模型根据各个影响因子对应的因子权重对各个影响因子进行加权得到预测权重，并根据所述预测权重和预先确定的突发流量增幅基准值预测当前突发事件引起的第二部分流量增幅，其中，所述影响影子的因子权重根据历史突发事件的数据拟合得到，所述突发流量增幅基准值根据历史突发事件引起的突发流量增幅得到，所述第二部分流量增幅为所述当前突发事件引起的网络流量增幅的预测值；

总流量预测模块，用于根据所述第一部分流量增幅和所述第二部分流量增幅得到总流量增幅的预测值。

7.根据权利要求6所述的装置，其特征在于，所述影响因子具体包括：所述当前突发事件的发起方管辖区域内的上网用户普及率、指定用户占比、平均每户每月上网流量DOU、以及所述当前突发事件的目标用户占比、推广渠道、价格因素、流量使用条件、订购次数限制和流量转赠权限；

所述突发事件预测模型具体用于：

根据所述上网用户普及率对应的第一因子权重、所述指定用户占比对应的第二因子权重和所述DOU对应的第三因子权重，对所述当前突发事件的发起方管辖区域内的上网用户普及率、指定用户占比、平均每户每月上网流量DOU进行加权计算，得到所述当前突发事件发起方的活力度因子；

根据所述目标用户占比对应的第四因子权重和所述推广渠道对应的第五因子权重，对所述当前突发事件的目标用户占比和推广渠道进行加权，得到所述当前突发事件的推广度因子；

根据所述价格因素对应的第六因子权重、所述流量使用条件对应的第七因子权重、所述订购次数限制对应的第八因子权重和所述流量转赠权限对应的第九因子权重，对所述当前突发事件的价格因素、流量使用条件和流量转赠权限进行加权计算，得到所述当前突发事件的吸引力因子；

根据所述当前突发事件的发起方的活力度因子、所述当前突发事件的推广度因子和所述当前突发事件的吸引力因子确定预测权重。

8.根据权利要求6所述的装置，其特征在于，还包括基准值确定模块，用于从多个历史突发事件中选择一个历史突发事件引起的突发流量增幅作为所述突发流量增幅基准值，或对多个历史突发事件引起的突发流量增幅进行加权平均，得到所述突发流量增幅基准值。

9.根据权利要求8所述的装置，其特征在于，还包括突发流量增幅计算模块，用于根据所述历史总流量时间序列预测不考虑所述任一历史突发事件时的总流量预测值，根据所述任一历史突发事件发生后的总流量实际值、所述任一历史突发事件发生前的总流量实际值和所述总流量预测值，得到所述任一历史突发事件引起的突发流量增幅。

10.根据权利要求6至9中任一所述的装置，其特征在于，还包括置信度调节模块，用于调节所述突发事件预测模型的置信度，以得到不同置信度下的第二部分流量增幅。

11.一种电子设备，包括收发机、存储器、处理器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，所述收发机用于在所述处理器的控制下接收和发送数据，所述处理器执行所述程序时实现权利要求1至5任一项所述方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1至5任一项所述方法的步骤。

Images