CN111200531A - 一种通信网流量预测方法、装置与电子设备 - Google Patents

一种通信网流量预测方法、装置与电子设备 Download PDF

Info

Publication number
CN111200531A
CN111200531A CN202010001506.XA CN202010001506A CN111200531A CN 111200531 A CN111200531 A CN 111200531A CN 202010001506 A CN202010001506 A CN 202010001506A CN 111200531 A CN111200531 A CN 111200531A
Authority
CN
China
Prior art keywords
time
data
traffic
network
flow
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
Application number
CN202010001506.XA
Other languages
English (en)
Other versions
CN111200531B (zh
Inventor
王艺霏
石川
马铭君
肖丁
彭柏
来骥
马跃
张少军
张玙璠
莫爽
吴文睿
郝燕如
王东升
娄竞
金燊
许大卫
万莹
聂正璞
李坚
李贤�
孟德
李信
常海娇
陈重韬
寇晓溪
尚芳剑
纪雨彤
赵阳
辛霆麟
于然
李硕
张实君
王海峰
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.)
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Jibei Electric Power 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 State Grid Corp of China SGCC, Beijing University of Posts and Telecommunications, Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010001506.XA priority Critical patent/CN111200531B/zh
Publication of CN111200531A publication Critical patent/CN111200531A/zh
Application granted granted Critical
Publication of CN111200531B publication Critical patent/CN111200531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本说明书一个或多个实施例提供一种通信网流量预测方法、装置与电子设备，能够解决现有通信网流量预测方法预测结果误差较大、有失准确的问题。所述通信网流量预测方法，包括：获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集；构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练；根据训练结果对所述多通道时空预测模型进行优化；根据所述历史流量数据，利用优化后的多通道时空预测模型对目标区域流量值进行预测。

Description

一种通信网流量预测方法、装置与电子设备
技术领域
本说明书一个或多个实施例涉及通信技术领域，尤其涉及一种通信网流量预测方法、装置与电子设备。
背景技术
通信网是一种使用交换设备、传输设备，将地理上分散用户终端设备互联起来实现通信和信息交换的系统。随着通信和计算机技术的发展，通信网已经存在于生活的方方面面，对通信网中数据流量进行预测，对于通信网络的管理和异常状态的预警具有重要的指导意义。
现有的预测方法中多根据通信网络在历史时刻的流量值进行预测，考虑到网络流量不仅受过去历史时刻的流量影响，同样的，周边网络节点的流量值也会对当前目标节点的流量值造成影响。现有的对通信网流量预测的方法得到的预测结果往往存在较大误差，预测得到的流量值有失准确。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种通信网流量预测方法、装置与电子设备，以解决通信网流量预测结果误差较大、有失准确的问题。
基于上述目的，本说明书一个或多个实施例提供了一种通信网流量预测方法，包括：
获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集；
构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练；
根据训练结果对所述多通道时空预测模型进行优化；
根据所述历史流量数据，利用优化后的多通道时空预测模型对目标区域流量值进行预测。
可选的，所述获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集，包括：
获取目标区域通信网的网络数据，所述网络数据包括所述目标区域内的基站地点数据、采样时间点与网络流量数据；
将所述目标区域进行网格划分，根据网格划分结果对所述网络数据进行整合，将所述网络数据整理为“区域标号-时间戳-流量值”的数据字段，其中所述区域标号与目标区域划分得到的网格区域一一对应；
所述流量数据集由所述数据字段组成。
可选的，对所述历史流量数据进行预处理得到流量数据集，还包括：
在所述网格区域的流量值存在缺失的情况下，根据所述时间戳确定流量值数据缺失相应的缺失时间点；
采用流量均值法对所述缺失时间点的流量值进行补全，获得数据完整的所述流量数据集。(前六均值，前后各三均值)
可选的，所述构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练，包括：
所述多通道时空预测模型包括多时间卷积神经网络单元与长短期记忆网络单元；
将所述流量数据集作为所述多通道时空预测模型的输入值，所述多时间卷积神经网络单元对所述流量数据集进行处理，得到标量输出值；
所述长短期记忆网络单元对由所述标量输出值形成的时间序列数据进行处理，得到训练输出值。
可选的，所述根据训练结果对所述多通道时空预测模型进行优化，包括：
根据所述历史流量数据确定所述目标区域当前网络流量的实际值；
根据所述实际值与所述预测输出值，计算确定损失函数；
对所述多通道时空预测模型中的网络参数进行调整以使所述损失函数达到最小。
可选的，所述多时间卷积神经网络单元对所述流量数据集进行处理，得到标量输出值，包括：
根据所属时间区间对所述流量数据集进行划分，获取得到输入矩阵Td,Ta,Tr；
所述输入矩阵中的每个元素分别表示相应时间区间内所对应的地理位置区域内的通信网流量值，所述输入矩阵Td所对应的时间区间为前一天与预测时刻相同的时间区间，所述输入矩阵Ta所对应的时间区间为所述预测时刻前一个小时的时间区间，所述输入矩阵Tr所对应的时间区间为所述预测时刻前一个时刻的时间区间；
将所述输入矩阵Td,Ta,Tr对齐堆叠得到输入序列Q：
Figure BDA0002353665000000031
其中，Rd×d×3表示三维矩阵，n表示多个预测时刻组成的时间序列的序列长度，
Figure BDA0002353665000000032
分别表述时间序列中第i个预测时刻相应的所述输入矩阵，d×d表示每一层矩阵
Figure BDA0002353665000000033
的大小；
通过卷积操作获取所述输入序列Q的局部特征kt:
kt＝f(g*Qt+b)
其中，(kt是所述输入序列Q经过卷积后的矩阵表示)f()表示激活函数，g表示卷积神经网络中的卷积核，Qt表示所述输入序列Q中与第t个预测时刻相应的序列元素，b表示偏置项；
对所述局部特征kt进行最大池化操作，确定所述标量输出值
Figure BDA0002353665000000034
Figure BDA0002353665000000035
其中，kt1,kt2,…,ktm表示组成矩阵kt的多个元素。
可选的，所述长短期记忆网络单元对由所述标量输出值形成的时间序列数据进行处理，得到训练输出值S22，包括：
所述标量输出值
Figure BDA0002353665000000036
所形成时间序列为所述长短期记忆网络单元的输入值；
根据所述标量输出值
Figure BDA0002353665000000037
计算确定所述长短期记忆网络单元忘记门、输入门与输出门：
Figure BDA0002353665000000038
Figure BDA0002353665000000039
Figure BDA00023536650000000310
其中，ft、it、ot分别表示所述忘记门、输入门与输出门，σ()表示激活函数，ht-1表示上一个时间点的隐藏状态，Wi,bi为输入门参数，Wo,bo为输出门参数，Wf,bf为忘记门参数，所述忘记门的返回值ft∈(0,1)；
根据所述标量输出值
Figure BDA0002353665000000041
计算确定当前时间点的记忆向量：
Figure BDA0002353665000000042
其中，
Figure BDA0002353665000000043
表示所述记忆向量，tanh()表示激活函数，Wc,bc为记忆向量参数；
根据所述输入门、所述遗忘门与所述记忆向量计算确定当前时间点的遗忘向量：
Figure BDA0002353665000000044
其中，Ct表示所述遗忘向量，Ct-1表示上一个时间点的遗忘向量；
根据所述输出门与所述遗忘向量计算确定所述训练输出值：
ht＝ot*tanh(Ct)
其中，ht表示所述训练输出值，tanh()表示激活函数。
可选的，所述根据所述实际值与所述预测输出值，计算确定损失函数，包括：
所述损失函数L为：
Figure BDA0002353665000000045
其中，N表示时间序列总长度，
Figure BDA0002353665000000046
表示对于时间节点i目标区域网络流量的实际值，
Figure BDA0002353665000000047
表示对于时间节点i目标区域网络流量的所述预测输出值。
基于上述目的，本说明书一个或多个实施例提供了一种通信网流量预测装置，包括：
数据集单元，被配置为获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集；
模型训练单元，被配置为构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练；
模型优化单元，被配置为根据训练结果对所述多通道时空预测模型进行优化；
数据预测单元，被配置为根据所述历史流量数据，利用优化后的多通道时空预测模型对目标区域流量值进行预测。
基于上述目的，本说明书一个或多个实施例提供了一种通信网流量预测电子设备，包括存储器、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，所述处理器执行所述程序时实现所述通信网流量预测方法。
从上面所述可以看出，本说明书一个或多个实施例提供的通信网流量预测方法、装置与电子设备，将离散分布在目标区域的多个基站网络节点的通信网流量数据采集处理整合为同一数据段格式的流量数据集，利用所述数据流量集对包括多时间卷积神经网络单元与长短期记忆网络单元的多通道时空预测模型进行训练与优化，再利用优化后的多通道时空预测模型对目标区域的通信网流量值进行预测，其中所述多时间卷积神经网络单元将历史流量数据与目标分区节点间的地理影响关系进行处理，长短期记忆网络单元对历史流量数据随时间变化的关系进行处理，从空间与时间两个维度上研究通信网流量数据的变化规律并最后以此实现对目标区域流量值的预测，能够充分考虑到网络节点历史流量数据以及周边节点流量数据所造成的影响，保证最终流量预测值较小误差，具有较高准确度，更有利于通信网络的管理和异常状态的预警。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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为本说明书一个或多个实施例所提供的通信网流量预测方法示意图；
图2为本说明书一个或多个实施例所提供的通信网流量预测方法中MCST模型训练方法示意图；
图3为本说明书一个或多个实施例所提供的通信网流量预测方法中MTCNN单元确定标量输出值方法示意图；
图4为本说明书一个或多个实施例所提供的通信网流量预测方法中历史网络数据采集时间段示意图；
图5为本说明书一个或多个实施例所提供的通信网流量预测方法中LSTM单元确定训练输出值方法示意图；
图6为本说明书一个或多个实施例所提供的通信网流量预测装置结构示意图；
图7为本说明书一个或多个实施例所提供的通信网流量预测电子设备结构示意图；
图8为本说明书一个或多个实施例所提供的通信网流量预测方法实验仿真结果数据；
图9为本说明书一个或多个实施例所提供的通信网流量预测方法实验反正结果示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
在一方面，本说明书一个或多个实施例提供了一种通信网流量预测方法。
如图1所示，本发明的一个或多个实施例所提供的一种通信网流量预测方法，包括：
S1：通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集；
S2：建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练；
S3：练结果对所述多通道时空预测模型进行优化；
S4：述历史流量数据，利用优化后的多通道时空预测模型对目标区域流量值进行预测。
所述通信网流量预测方法中，通过对历史流量数据进行预处理，将离散分布在目标区域的多个基站网络节点的通信网流量数据采集处理整合为同一数据段格式的流量数据集，之后利用所述数据流量集对包括多时间卷积神经网络单元与长短期记忆网络单元的多通道时空预测模型进行训练与优化，再利用优化后的多通道时空预测模型对目标区域的通信网流量值进行预测，其中所述多时间卷积神经网络单元将历史流量数据与目标分区节点间的地理影响关系进行处理，长短期记忆网络单元对历史流量数据随时间变化的关系进行处理，从空间与时间两个维度上研究通信网流量数据的变化规律并最后以此实现对目标区域流量值的预测，能够充分考虑到网络节点历史流量数据以及周边节点流量数据所造成的影响，保证最终流量预测值较小误差，具有较高准确度，更有利于通信网络的管理和异常状态的预警。
在本发明的一个或多个实施例所提供的一种通信网流量预测方法中，所述获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集S1，包括：
获取目标区域通信网的网络数据，所述网络数据包括所述目标区域内的基站地点数据、采样时间点与网络流量数据；
将所述目标区域进行网格划分，根据网格划分结果对所述网络数据进行整合，将所述网络数据整理为“区域标号-时间戳-流量值”(square ID,timestamp,traffic)的数据字段，整理为统一格式的数据字段，便于对网络数据进行存储、处理与分析，其中所述区域标号与目标区域划分得到的网格区域一一对应，例如在一些可选的实施例中，可以将目标区域划分成100*100的网格，则所示区域标号(square ID)所表示的就是这100*100个网格区域的区域标号，数数据字段((15,15),1383260400000,175MB)中，时间戳表示2013年11月1日00:00，这一数据字段含义为在(15,15)所表示的网格区域内在2013年11月1日00:00这一时刻的通信网流量是175MB。按照这样的方式，可以将所述目标区域的网络数据记录为矩阵形式，矩阵的大小即为目标区域网格划分的大小，矩阵的每个元素表示的是数据采集时间戳以及相应采集到的流量数据。
所述流量数据集由所述数据字段组成。
所述通信网流量预测方法中，获取通信网的历史网络数据并进行预处理后得到格式统一的“区域标号-时间戳-流量值”数据字段构成流量数据集，将离散分布的在目标区域的多个基站网络节点的通信网流量数据进行网格区域化划分，则对每一数据字段而言，不仅仅包括有流量数据，也同时记录地理信息，便于之后研究流量数据与地理位置之间的关系。
在本发明的一个或多个实施例所提供的一种通信网流量预测方法中，对所述历史流量数据进行预处理得到流量数据集，还包括：
在所述网格区域的流量值存在缺失的情况下，根据所述时间戳确定流量值数据缺失相应的缺失时间点；
采用流量均值法对所述缺失时间点的流量值进行补全，获得数据完正的所述流量数据集。
在实际的历史流量数据采集过程中，有可能存在数据缺失的情况，这种情况下需要对缺失值进行补全，一些可选的方式是，采用流量均值法对所述缺失时间点的流量值进行补全，采用的是缺失时刻前6个采样点的流量均值作为补全值，或者采用缺失时刻前后各三个采样点的流量均值作为补全值。由于流量值是时序数据可视为线性变化数据，历史数据会对当前数据产生影响。选取前6个时刻的均值或前后3时刻均值作为补全值的优点是既可以考虑到历史时刻的影响，又可以对过去的历史时刻进行平滑。
如图2所示，在本发明的一个或多个实施例所提供的一种通信网流量预测方法中，所述构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练，S2包括：
所述多通道时空预测模型包括多时间卷积神经网络单元与长短期记忆网络单元；
S21：将所述流量数据集作为所述多通道时空预测模型的输入值，所述多时间卷积神经网络单元对所述流量数据集进行处理，得到标量输出值；
S22：所述长短期记忆网络单元对由所述标量输出值形成的时间序列数据进行处理，得到训练输出值。
所述通信网流量预测方法中所构建的所述多通道时空预测模型(Multi-ChannelSpatial-Temporal framework,MCST)主要由多时间卷积神经网络单元(Multi-TimeConvolutional Neural Network,MTCNN)与长短期记忆网络单元(Long Short-TermMemory,LSTM)组成，所述多时间卷积神经网络单元MTCNN用来处理历史流量数据以及记录数据的基站之间的位置关系，长短期记忆网络单元LSTM的存在是为了建模历史网络数据在整个时间维度上的关系，MTCNN单元与LSTM单元相结合，能够捕获通信网网络流量数据在时空上的依赖关系，从而使得最后训练优化到的模型对流量值进行预测的结果更加准确，误差更小。
在本发明的一个或多个实施例所提供的一种通信网流量预测方法中，所述根据训练结果对所述多通道时空预测模型进行优化S3，包括：
根据所述历史流量数据确定所述目标区域当前网络流量的实际值；
根据所述实际值与所述预测输出值，计算确定损失函数；
对所述多通道时空预测模型中的网络参数进行调整以使所述损失函数达到最小。
如图3所示，在本发明的一个或多个实施例所提供的一种通信网流量预测方法中，所述多时间卷积神经网络单元对所述流量数据集进行处理，得到标量输出值S21，包括：
S211根据所属时间区间对所述流量数据集进行划分，获取得到输入矩阵Td,Ta,Tr；
所述输入矩阵中的每个元素分别表示相应时间区间内所对应的地理位置区域内的通信网流量值，所述输入矩阵Td所对应的时间区间为前一天与预测时刻相同的时间区间，所述输入矩阵Ta所对应的时间区间为所述预测时刻前一个小时的时间区间，所述输入矩阵Tr所对应的时间区间为所述预测时刻前一个时刻的时间区间；
参考图4所示，表示所采集历史网络数据对应的时间端(部分时间段，图中所示为2013年11月29日之11月30日这一时间段)，其中Tp对应表示的是待预测的目标时刻，所示的目标时刻是12：00-12:10这一时刻；
Tr对应表示的是目标时刻的前一个时刻，图中所示为11:50-12:00这一时刻，矩阵Tr的元素即在11:50-12:00这一时刻的目标区域的各个网格区域内的流量值；
Ta对应表示的是目标时刻的前一个小时这一时间区间，图中所示为11:00-12:00这一个小时，则矩阵Ta的元素即在11:00-12:00这一小时内在目标区域的各个网格区域内的流量值；
Td对应表示的是目标时刻相应前一天(以天为周期)相同时刻，图中所示为前一天的12:00-12:10这一时刻，则Td的元素即前一天与目标时刻相同时刻时目标区域的各个网格区域内的流量值。
S212将所述输入矩阵Td,Ta,Tr对齐堆叠得到输入序列Q：
Figure BDA0002353665000000101
其中，Rd×d×3表示三维矩阵，所述输出序列Q∈Rd×d×3，是一个三维矩阵。n表示多个预测时刻组成的时间序列的序列长度，所述预测时刻即所述目标时刻，本领域人员应当理解的是，所采集到的历史网络数据是一个长时期大量数据，在进行模型训练时，会针对多个目标时刻进行训练，针对每个目标时刻都存在其相应的所述输入矩阵Td,Ta,Tr，多个所述目标时刻组成一个时间序列，每个目标时刻相应的输入矩阵也能够组成矩阵序列：
Figure BDA0002353665000000102
分别表示所述时间序列中第i个预测时刻相应的所述输入矩阵，d×d表示每一层矩阵的大小，与目标区域网格划分后的大小相对应；
S213通过卷积操作获取所述输入序列Q的局部特征kt:
kt＝f(g*Qt+b)
其中，(kt是所述输入序列Q经过卷积后的矩阵表示)f()表示激活函数，一些可选的实施例中，所述激活函数f()为线性整流函数(Rectified Linear Unit,ReLU)，g表示卷积神经网络中的卷积核，Qt表示所述输入序列Q中与第t个预测时刻相应的序列元素，b表示偏置项；
S214对所述局部特征kt进行最大池化操作，确定所述标量输出值
Figure BDA0002353665000000103
Figure BDA0002353665000000104
其中，kt1,kt2,…,ktm表示组成矩阵kt的多个元素。
如图5所示，在本发明的一个或多个实施例所提供的一种通信网流量预测方法中，所述长短期记忆网络单元对由所述标量输出值形成的时间序列数据进行处理，得到训练输出值S22，包括：
所述标量输出值
Figure BDA0002353665000000111
所形成时间序列为所述长短期记忆网络单元的输入值；
S221根据所述标量输出值
Figure BDA0002353665000000112
计算确定所述长短期记忆网络单元忘记门、输入门与输出门：
Figure BDA0002353665000000113
Figure BDA0002353665000000114
Figure BDA0002353665000000115
其中，ft、it、ot分别表示所述忘记门、输入门与输出门，σ()表示激活函数，ht-1表示上一个时间点的隐藏状态，Wi,bi为输入门参数，Wo,bo为输出门参数，Wf,bf为忘记门参数，所述忘记门的返回值ft∈(0,1)；
S222根据所述标量输出值
Figure BDA0002353665000000116
计算确定当前时间点的记忆向量：
Figure BDA0002353665000000117
其中，
Figure BDA0002353665000000118
表示所述记忆向量，tanh()表示激活函数，Wc,bc为记忆向量参数；
S223根据所述输入门、所述遗忘门与所述记忆向量计算确定当前时间点的遗忘向量：
Figure BDA0002353665000000119
其中，Ct表示所述遗忘向量，Ct-1表示上一个时间点的遗忘向量；
S224根据所述输出门与所述遗忘向量计算确定所述训练输出值：
ht＝ot*tanh(Ct)
其中，ht表示所述训练输出值，tanh()表示激活函数。
在本发明的一个或多个实施例所提供的一种通信网流量预测方法中，所述根据所述实际值与所述预测输出值，计算确定损失函数，包括：
所述损失函数L为：
Figure BDA0002353665000000121
其中，N表示时间序列总长度，
Figure BDA0002353665000000122
表示对于时间节点i目标区域网络流量的实际值，
Figure BDA0002353665000000123
表示对于时间节点i目标区域网络流量的所述预测输出值。
在实际模型训练优化的过程中，采用通过最小化损失函数来不断更改模型的参数，从而达到优化模型的目的。对于每一个时间节点i，都会存在两个值，一个是当前时间的网络流量的真实值
Figure BDA0002353665000000124
另一个是当前相同时刻的预测值
Figure BDA0002353665000000125
模型的目的是让预测值与真实值更加接近，我们需要不断调整参数使得损失函数达到最小，从而能够保证利用优化得到的MCST模型与流量值进行预测的数值更准确，效果更优。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在另一方面，本说明书一个或多个实施例提供了一种通信网流量预测装置。
如图6所示，本发明的一个或多个实施例所提供的一种通信网流量预测装置，包括：
数据集单元1，被配置为获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集；
模型训练单元2，被配置为构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练；
模型优化单元3，被配置为根据训练结果对所述多通道时空预测模型进行优化；
数据预测单元4，被配置为根据所述历史流量数据，利用优化后的多通道时空预测模型对目标区域流量值进行预测。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
在另一方面，本说明书一个或多个实施例提供了一种通信网流量预测电子设备。
在本发明的一个或多个实施例所提供的一种通信网流量预测电子设备，包括存储器、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，所述处理器执行所述程序时实现所述通信网流量预测方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的通信网流量预测方法的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的通信网流量预测方法的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
本说明书实施例中所述支付涉及的技术载体，例如可以包括近场通信(NearField Communication，NFC)、WIFI、3G/4G/5G、POS机刷卡技术、二维码扫码技术、条形码扫码技术、蓝牙、红外、短消息(Short Message Service，SMS)、多媒体消息(MultimediaMessage Service，MMS)等。
如图8、9所示，为利用本发明提供的通信网流量预测方法、装置和电子设备进行预测的实验结果，从实验数据可以看出相比其他几种现有的预测方法，本发明提供的通信网流量预测方法、装置和电子设备取得了更好的效果。图8为实验结果评价系数数据表，其他几种现有预测方法分别是HA(historical average，历史平均值)预测法、ARIMA(Autoregressive Integrated Moving Average，差分整合移动平均自回归模型)预测法、DTR(Decision Tree Regressor，决策树回归)预测法、LSTM(Long Short-Term Memory，长短期记忆网络)预测法、Bi-LSTM(Bi-directional Long Short-Term Memory，双向长短期记忆网络)预测法以及CNN(Convolutional Neural Network，卷积神经网络)预测法。为排除其他影响因素，实验分别在训练集占比是50％，60％，70％，80％的情况下进行，训练集占比即模型训练所用数据占全部历史数据的比值，全部历史数据中除训练集外的数据用于对训练优化得到的模型进行检验。图9为相应的柱状图。
所述评价系数通过以下公式计算得到：
Figure BDA0002353665000000151
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种通信网流量预测方法，其特征在于，包括：
获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集；
构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练；
根据训练结果对所述多通道时空预测模型进行优化；
根据所述历史流量数据，利用优化后的多通道时空预测模型对目标区域流量值进行预测。
2.根据权利要求1所述的方法，其特征在于，所述获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集，包括：
获取目标区域通信网的网络数据，所述网络数据包括所述目标区域内的基站地点数据、采样时间点与网络流量数据；
将所述目标区域进行网格划分，根据网格划分结果对所述网络数据进行整合，将所述网络数据整理为“区域标号-时间戳-流量值”的数据字段，其中所述区域标号与目标区域划分得到的网格区域一一对应；
所述流量数据集由所述数据字段组成。
3.根据权利要求2所述的方法，其特征在于，对所述历史流量数据进行预处理得到流量数据集，还包括：
在所述网格区域的流量值存在缺失的情况下，根据所述时间戳确定流量值数据缺失相应的缺失时间点；
采用流量均值法对所述缺失时间点的流量值进行补全，获得数据完整的所述流量数据集。
4.根据权利要求1所述的方法，其特征在于，所述构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练，包括：
所述多通道时空预测模型包括多时间卷积神经网络单元与长短期记忆网络单元；
将所述流量数据集作为所述多通道时空预测模型的输入值，所述多时间卷积神经网络单元对所述流量数据集进行处理，得到标量输出值；
所述长短期记忆网络单元对由所述标量输出值形成的时间序列数据进行处理，得到训练输出值。
5.根据权利要求4所述的方法，其特征在于，所述根据训练结果对所述多通道时空预测模型进行优化，包括：
根据所述历史流量数据确定所述目标区域当前网络流量的实际值；
根据所述实际值与所述预测输出值，计算确定损失函数；
对所述多通道时空预测模型中的网络参数进行调整以使所述损失函数达到最小。
6.根据权利要求4所述的方法，其特征在于，所述多时间卷积神经网络单元对所述流量数据集进行处理，得到标量输出值，包括：
根据所属时间区间对所述流量数据集进行划分，获取得到输入矩阵Td,Ta,Tr；
所述输入矩阵中的每个元素分别表示相应时间区间内所对应的地理位置区域内的通信网流量值，所述输入矩阵Td所对应的时间区间为前一天与预测时刻相同的时间区间，所述输入矩阵Ta所对应的时间区间为所述预测时刻前一个小时的时间区间，所述输入矩阵Tr所对应的时间区间为所述预测时刻前一个时刻的时间区间；
将所述输入矩阵Td,Ta,Tr对齐堆叠得到输入序列Q：
Figure FDA0002353664990000021
其中，Rd×d×3表示三维矩阵，n表示多个预测时刻组成的时间序列的序列长度，
Figure FDA0002353664990000022
分别表示所述时间序列中第i个预测时刻相应的所述输入矩阵，d×d表示每一层矩阵
Figure FDA0002353664990000023
的大小；
通过卷积操作获取所述输入序列Q的局部特征kt:
kt＝f(g*Qt+b)
其中，(kt是所述输入序列Q经过卷积后的矩阵表示)f()表示激活函数，g表示卷积神经网络中的卷积核，Qt表示所述输入序列Q中与第t个预测时刻相应的序列元素，b表示偏置项；
对所述局部特征kt进行最大池化操作，确定所述标量输出值
Figure FDA0002353664990000024
Figure FDA0002353664990000025
其中，kt1,kt2,…,ktm表示组成矩阵kt的多个元素。
7.根据权利要求6所述的方法，其特征在于，所述长短期记忆网络单元对由所述标量输出值形成的时间序列数据进行处理，得到训练输出值，包括：
所述标量输出值
Figure FDA0002353664990000031
所形成时间序列为所述长短期记忆网络单元的输入值；
根据所述标量输出值
Figure FDA0002353664990000032
计算确定所述长短期记忆网络单元忘记门、输入门与输出门：
Figure FDA0002353664990000033
Figure FDA0002353664990000034
Figure FDA0002353664990000035
其中，ft、it、ot分别表示所述忘记门、输入门与输出门，σ()表示激活函数，ht-1表示上一个时间点的隐藏状态，Wi,bi为输入门参数，Wo,bo为输出门参数，Wf,bf为忘记门参数，所述忘记门的返回值ft∈(0,1)；
根据所述标量输出值
Figure FDA0002353664990000036
计算确定当前时间点的记忆向量：
Figure FDA0002353664990000037
其中，
Figure FDA0002353664990000038
表示所述记忆向量，tanh()表示激活函数，Wc,bc为记忆向量参数；
根据所述输入门、所述遗忘门与所述记忆向量计算确定当前时间点的遗忘向量：
Figure FDA0002353664990000039
其中，Ct表示所述遗忘向量，Ct-1表示上一个时间点的遗忘向量；
根据所述输出门与所述遗忘向量计算确定所述训练输出值：
ht＝ot*tanh(Ct)
其中，ht表示所述训练输出值，tanh()表示激活函数。
8.根据权利要求5所述的方法，其特征在于，所述根据所述实际值与所述预测输出值，计算确定损失函数，包括：
所述损失函数L为：
Figure FDA00023536649900000310
其中，N表示时间序列总长度，
Figure FDA00023536649900000311
表示对于时间节点i目标区域网络流量的实际值，
Figure FDA0002353664990000041
表示对于时间节点i目标区域网络流量的所述预测输出值。
9.一种通信网流量预测装置，其特征在于，包括：
数据集单元，被配置为获取通信网的历史流量数据，对所述历史流量数据进行预处理得到流量数据集；
模型训练单元，被配置为构建多通道时空预测模型，利用所述流量数据集对所述多通道时空预测模型进行训练；
模型优化单元，被配置为根据训练结果对所述多通道时空预测模型进行优化；
数据预测单元，被配置为根据所述历史流量数据，利用优化后的多通道时空预测模型对目标区域流量值进行预测。
10.一种电子设备，包括存储器、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，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的通信网流量预测方法。
CN202010001506.XA 2020-01-02 2020-01-02 一种通信网流量预测方法、装置与电子设备 Active CN111200531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010001506.XA CN111200531B (zh) 2020-01-02 2020-01-02 一种通信网流量预测方法、装置与电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010001506.XA CN111200531B (zh) 2020-01-02 2020-01-02 一种通信网流量预测方法、装置与电子设备

Publications (2)

Publication Number Publication Date
CN111200531A true CN111200531A (zh) 2020-05-26
CN111200531B CN111200531B (zh) 2022-01-04

Family

ID=70746725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010001506.XA Active CN111200531B (zh) 2020-01-02 2020-01-02 一种通信网流量预测方法、装置与电子设备

Country Status (1)

Country Link
CN (1) CN111200531B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935766A (zh) * 2020-09-15 2020-11-13 之江实验室 一种基于全局空间依赖性的无线网络流量预测方法
CN112085282A (zh) * 2020-09-11 2020-12-15 中国联合网络通信集团有限公司 小区流量预测方法及服务器
CN112468326A (zh) * 2020-11-11 2021-03-09 北京工业大学 基于时间卷积神经网络的访问流量预测方法
CN112636995A (zh) * 2020-11-11 2021-04-09 北京邮电大学 一种前传网络资源分配方法及装置
CN112738015A (zh) * 2020-10-28 2021-04-30 北京工业大学 一种基于可解释卷积神经网络cnn与图检测的多步攻击检测方法
CN113435122A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 实时流量数据处理方法、装置、计算机设备和存储介质
CN113886181A (zh) * 2021-09-30 2022-01-04 中南大学 应用于AIOps故障预警的动态阈值预测方法、设备及介质
CN114205853A (zh) * 2020-09-02 2022-03-18 中兴通讯股份有限公司 流量预测方法、流量预测模型建立方法和存储介质
CN114338416A (zh) * 2020-09-29 2022-04-12 中国移动通信有限公司研究院 一种时空多指标预测方法、装置和存储介质
CN114945187A (zh) * 2022-06-06 2022-08-26 中国联合网络通信集团有限公司 网络流量预测方法、装置、设备和存储介质
CN115225546A (zh) * 2022-07-22 2022-10-21 北京天融信网络安全技术有限公司 一种网络流量的预测方法、装置及设备
CN116232923A (zh) * 2022-12-23 2023-06-06 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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150180740A1 (en) * 2012-07-02 2015-06-25 Nec Corporation Flow rate prediction device, flow rate prediction method, and flow rate prediction program
US20150207727A1 (en) * 2013-02-13 2015-07-23 Amazon Technologies, Inc. Predicting route utilization and non-redundant failures in network environments
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
US20180137412A1 (en) * 2016-11-16 2018-05-17 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
CN108900346A (zh) * 2018-07-06 2018-11-27 西安电子科技大学 基于lstm网络的无线网络流量预测方法
CN109639524A (zh) * 2018-12-13 2019-04-16 国网上海市电力公司 基于流量预测的通信网络数据可视化方法、装置及设备
CN110298501A (zh) * 2019-06-21 2019-10-01 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150180740A1 (en) * 2012-07-02 2015-06-25 Nec Corporation Flow rate prediction device, flow rate prediction method, and flow rate prediction program
US20150207727A1 (en) * 2013-02-13 2015-07-23 Amazon Technologies, Inc. Predicting route utilization and non-redundant failures in network environments
US20180137412A1 (en) * 2016-11-16 2018-05-17 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
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
CN108900346A (zh) * 2018-07-06 2018-11-27 西安电子科技大学 基于lstm网络的无线网络流量预测方法
CN109639524A (zh) * 2018-12-13 2019-04-16 国网上海市电力公司 基于流量预测的通信网络数据可视化方法、装置及设备
CN110298501A (zh) * 2019-06-21 2019-10-01 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114205853A (zh) * 2020-09-02 2022-03-18 中兴通讯股份有限公司 流量预测方法、流量预测模型建立方法和存储介质
CN112085282A (zh) * 2020-09-11 2020-12-15 中国联合网络通信集团有限公司 小区流量预测方法及服务器
CN112085282B (zh) * 2020-09-11 2023-08-04 中国联合网络通信集团有限公司 小区流量预测方法及服务器
CN111935766A (zh) * 2020-09-15 2020-11-13 之江实验室 一种基于全局空间依赖性的无线网络流量预测方法
CN114338416B (zh) * 2020-09-29 2023-04-07 中国移动通信有限公司研究院 一种时空多指标预测方法、装置和存储介质
CN114338416A (zh) * 2020-09-29 2022-04-12 中国移动通信有限公司研究院 一种时空多指标预测方法、装置和存储介质
CN112738015B (zh) * 2020-10-28 2023-05-02 北京工业大学 一种基于可解释卷积神经网络cnn与图检测的多步攻击检测方法
CN112738015A (zh) * 2020-10-28 2021-04-30 北京工业大学 一种基于可解释卷积神经网络cnn与图检测的多步攻击检测方法
CN112468326B (zh) * 2020-11-11 2022-11-04 北京工业大学 基于时间卷积神经网络的访问流量预测方法
CN112636995A (zh) * 2020-11-11 2021-04-09 北京邮电大学 一种前传网络资源分配方法及装置
CN112468326A (zh) * 2020-11-11 2021-03-09 北京工业大学 基于时间卷积神经网络的访问流量预测方法
CN113435122A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 实时流量数据处理方法、装置、计算机设备和存储介质
CN113435122B (zh) * 2021-06-30 2023-11-07 平安科技（深圳）有限公司 实时流量数据处理方法、装置、计算机设备和存储介质
CN113886181A (zh) * 2021-09-30 2022-01-04 中南大学 应用于AIOps故障预警的动态阈值预测方法、设备及介质
CN114945187A (zh) * 2022-06-06 2022-08-26 中国联合网络通信集团有限公司 网络流量预测方法、装置、设备和存储介质
CN114945187B (zh) * 2022-06-06 2024-02-06 中国联合网络通信集团有限公司 网络流量预测方法、装置、设备和存储介质
CN115225546A (zh) * 2022-07-22 2022-10-21 北京天融信网络安全技术有限公司 一种网络流量的预测方法、装置及设备
CN115225546B (zh) * 2022-07-22 2023-11-28 北京天融信网络安全技术有限公司 一种网络流量的预测方法、装置及设备
CN116232923A (zh) * 2022-12-23 2023-06-06 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

Also Published As

Publication number Publication date
CN111200531B (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN111200531B (zh) 一种通信网流量预测方法、装置与电子设备
Huang et al. Spatiotemporal analysis of rural–urban land conversion
CN107358247B (zh) 一种确定流失用户的方法及装置
CN107633254A (zh) 建立预测模型的装置、方法及计算机可读存储介质
Mitrovic et al. Low-dimensional models for compressed sensing and prediction of large-scale traffic data
Li et al. Prediction of human activity intensity using the interactions in physical and social spaces through graph convolutional networks
Wang et al. Comparative performance of logistic regression and survival analysis for detecting spatial predictors of land-use change
Nejadettehad et al. Short-term demand forecasting for online car-hailing services using recurrent neural networks
CN114971748B (zh) 预测数据生成、模型训练方法、计算机设备以及存储介质
Zou et al. Long-term origin-destination demand prediction with graph deep learning
Li et al. An expectation conditional maximization approach for Gaussian graphical models
CN111144950A (zh) 模型筛选方法、装置、电子设备及存储介质
Ay et al. Aggregated versus individual land-use models: Modeling spatial autocorrelation to increase predictive accuracy
Yang et al. Use internet search data to accurately track state level influenza epidemics
CN114077912A (zh) 数据预测方法以及数据预测装置
Aryandoust et al. Enhanced spatio-temporal electric load forecasts using less data with active deep learning
Chen et al. A cellular automaton integrating spatial case-based reasoning for predicting local landslide hazards
Marchang et al. Task reduction using regression-based missing data imputation in sparse mobile crowdsensing
CN117077928A (zh) 网约车需求预测方法、装置、设备及存储介质
Cao et al. Customer demand prediction of service-oriented manufacturing using the least square support vector machine optimized by particle swarm optimization algorithm
Li Estimation of stadium construction schedule based on big data analysis
CN113610174A (zh) 基于Phik特征选择的电网主机负载预测方法、设备及介质
CN115278529A (zh) 一种移动终端分布可视化方法及装置
Marchello et al. A Deep Dynamic Latent Block Model for Co-clustering of Zero-Inflated Data Matrices
CN113192315B (zh) 一种交通流量分布预测方法、预测装置及终端设备

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