CN111294227A - 基于神经网络的流量预测的方法、装置、设备和介质 - Google Patents
基于神经网络的流量预测的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111294227A CN111294227A CN201811506320.9A CN201811506320A CN111294227A CN 111294227 A CN111294227 A CN 111294227A CN 201811506320 A CN201811506320 A CN 201811506320A CN 111294227 A CN111294227 A CN 111294227A
- Authority
- CN
- China
- Prior art keywords
- prediction
- network
- user
- traffic
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 39
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000005284 excitation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于神经网络的流量预测的方法、装置、设备和介质。该方法包括:将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型;根据预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果;基于用户预测结果和网络预测结果,得到流量预测结果。根据本发明的实施例,能够得到更加精准的流量预测结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于神经网络的流量预测的方法、装置、设备和介质。
背景技术
随着不限量流量的套餐颁布,流量的使用越来越广泛。但是随着流量使用量的增加,对于基站的容量要求也越加的严格。因此,为了更好的设置基站的容量,就要进行对流量进行预测。
目前对于流量的预测方法,主要是将网络流量作为线性数据进行处理。但是网络流量是属于复杂的非线性数据,受常驻或者流动用户的特性、业务习惯以及网络性能等大量因素的影响。基于网络流量作为预测数据会导致预测结果误差较大,不能得到较为精准的流量预测结果。
因此,存在无法得到准确的流量预测结果的技术问题。
发明内容
本发明实施例提供了一种基于神经网络的流量预测的方法、装置、设备和介质,能够得到较为准确的流量预测结果。
本发明实施例的一方面,提供一种基于神经网络的流量预测的方法,该方法包括:
将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型;
根据预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果;
基于用户预测结果和网络预测结果,得到流量预测结果。
本发明实施例的另一方面,提供一种基于神经网络的流量预测的装置,该装置包括:
模型训练模块,用于将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型;
预测模型模块,用于根据预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果;
预测结果模块,用于基于用户预测结果和网络预测结果,得到流量预测结果。
根据本发明实施例的另一方面,提供一种基于神经网络的流量预测的设备,该设备包括:
处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如上述本发明实施例的任意一方面提供的基于神经网络的流量预测的方法。
根据本发明实施例的另一方面,提供一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如上述本发明实施例的任意一方面提供的基于神经网络的流量预测的方法。
本发明实施例提供的基于神经网络的流量预测的方法、装置、设备和介质。考虑更加全面的用户因子以及网络因子,基于神经网络对流量进行预测,得到用户预测结果和网络预测结果。最后将用户预测结果和网络预测结果互相修正,可以得到更加精准的流量预测结果。
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,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示出本发明一实施例的基于神经网络的流量预测的方法的流程图;
图2示出本发明一实施例的神经网络的基本原理图;
图3示出本发明一实施例的流量模型的结构示意图;
图4示出本发明一实施例的预测函数的示意图;
图5示出本发明一实施例的基于神经网络的流量预测的装置的结构示意图
图6示出能够实现根据本发明实施例的基于神经网络的流量预测的方法和装置的计算设备的示例性硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,详细描述根据本发明实施例的基于神经网络的流量预测的方法、装置、设备和介质。应注意,这些实施例并不是用来限制本发明公开的范围。
下面通过图1至图5详细介绍根据本发明实施例的数据自动化管理的方法。
为了更好的理解本发明,下面结合图1对本发明一实施例的数据自动化管理的方法进行详细说明,图1是示出本发明一实施例的基于神经网络的流量预测的方法的流程图。
如图1所示,本发明实施例中的基于神经网络的流量预测的方法100包括以下步骤:
S110,将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型。具体的,为了得到更加精准的预测模型,可以选用包括如表1所示的用户因子作为历史用户样本,可以选用包括如表2所示的网络因子作为历史网络样本。
表1
表2
其中,历史用户样本是按照预设采样时间以及预设采样区域采样得到,同样历史网络样本也是按照预设采样时间以及预设采样区域采样得到。应当注意的是,历史用户样本的数量不得低于预设采样区域内全部用户数的10%,历史网络样本中的小区数需达到预设采样区域内小区数的100%。历史用户流量数据以及历史网络数据应是对应于历史用户样本以及历史网络样本的流量数据信息。
如图2所示,图2是示出本发明一实施例中的神经网络的基本原理图。神经网络最小的单元为神经元,多个神经元组合起来,对输入层的数据进行加工处理,并最终通过输出层进行结果输出。每个神经元,通过激励函数(activation function),计算处理来自其它相邻神经元的加权输入值。其中,神经元之间的信息传递的强度,用加权值来定义。神经网络通过算法会不断自我学习,调整加权值,从而实现整个模型的优化。
在本发明的一个实施例中,如图3所示,图3是示出本发明实施例中流量模型的结构示意图。例如,在历史用户样本中:u1-u13是指流量模型中对应于13个用户因子的神经元,k1-k13是指对应于每一个用户因子的神经元的加权值,r1-r13是指对应于每一个用户预测样本的用户预测样本结果。在历史网络样本中:n1-n15是指流量模型中对应于15个网络因子的神经元,k1-k15是指对应于每一个网络因子的神经元的加权值,r1-r15是指对应于每一个网络预测样本的网络预测样本结果。
首先,基于每个用户因子对应一个神经元以及每一个网络因子对应一个神经元,设置流量模型中的激励函数以及设置每个激励函数对应的初始权值,具体如表3和表4所示。其中,激励函数可以为一元二次函数。
表3
表4
其中,激励函数f(x)为与每一个历史用户样本对应的历史用户流量数据和与每一个历史网络样本对应的历史网络流量数据,x为每一个激励函数对应的用户因子或网络因子。激励函数f(x)的系数、常量与初始权值k在预测时间或预测区域发生改变时都需要进行重置,以保证预测结果的准确性。
在本发明的一个实施例中,首先将用户因子以及网络因子进行移动平均处理,得到移动平均用户因子和移动平均网络因子。其中移动平均处理的平均周期可以是不小于预设采样时间的5%。
其次,可以将预设采样时间均分为三个时间段,并在每个时间段内随机抽取一组历史用户流量数据以及历史网络流量数据,分别得到三组历史用户流量数据以及三组历史网络流量数据。
最后,将得到的三组历史用户流量数据以及三组历史网络流量数据分别代入激励函数中,计算得到对应激励函数中的系数a(a≠0)和b以及常数项c。
接下来,将历史用户样本和历史网络样本分别作为流量模型的输入,得到流量模型的输出结果。其中,流量模型的输出结果包括:用户侧流量和网络侧流量。根据历史用户流量数据和历史网络数据,通过调整初始权值,对流量模型的输出结果进行修正,使流量模型的输出结果分别和历史用户流量数据和历史网络流量数据一致。
应当理解的是,当流量模型的输出结果分别和历史用户流量数据和历史网络流量数据一致时,即完成流量模型的训练,得到预测模型。
在本发明实施例中,通过将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型。历史用户样本侧重于对流量变化趋势的预测,流量规模的预测依靠历史网络样本来完成。基于历史用户样本和历史网络样本对流量变化趋势和流量规模进行综合预测,可以得到更为精准的流量预测结果。
S120,根据预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果。
具体的,可以按照预设用户比例选取用户预测样本和按照预设网络比例选取网络预测样本。
在本发明的一个实施例中,首先,根据预测模型,对用户预测样本进行学习,得到多个用户预测样本结果,如表达式(1)所示。
ri=(f(u1)×k1+f(u2)×k2+…+f(un)×ka) (1)
其中,i≤a,a为一共a个用户因子,ri为对应于第i个用户因子的用户预测样本结果,f(ua)为对应于第a个用户因子的激励函数,ka为对应于第a个用户因子的初始权值。
根据预测模型,对网络预测样本进行学习,得到多个网络预测样本结果,如表达式(2)所示。
ni=(f(u1)×k1+f(u2)×k2+…+f(un)×kb) (2)
其中,i≤b,b为一共b个网络因子,ni为对应于第i个网络因子的网络预测样本结果,f(ub)为对应于第b个网络因子的激励函数,kb为对应于第b个网络因子的初始权值。
其次,将多个用户预测样本结果求和,得到用户预测结果。如表达式(3)所示。
其中,Resultr为用户预测结果,a为一共a个用户因子,ri为对应于第i个用户因子的用户预测样本结果。
将多个网络预测样本结果求和,得到网络预测结果。如表达式(4)所示。
其中,Resultn为网络预测结果,b为一共b个网络因子,ri为对应于第i个网络因子的网络预测样本结果。
在本发明实施例中,按照预设用户比例选取用户预测样本和按照预设网络比例选取网络预测样本,可以减少用户数据量,便于计算。通过将多个用户预测样本结果以及网络预测样本进行求和处理,可以得到更加精准的用户预测结果以及网络预测结果,便于后续得到更加精准的流量预测结果。
S130,基于用户预测结果和网络预测结果,得到流量预测结果。
在本发明的一个实施例中,如图4所示,图4是示出本发明一实施例的预测函数的示意图。首先,将用户预测结果按照预设用户比例进行放大,得到放大处理后的用户预测结果。即,Resultr/预设用户比例。
其次,将放大处理后的用户预测结果和网络预测结果进行叠加,得到叠加函数。即,叠加函数=Resultr/预设用户比例+Resultn。
接下来,基于叠加函数确定拟合函数的系数和常数项,得到预测函数。其中,设定拟合函数如表达式(5)所示。
f(t)=at4+bt3+ct2+dt+e (5)
其中,f(t)表示流量预测结果,t表示预测时间。
将上述得到的叠加函数代入拟合函数中,通过计算可以得到系数项a、b、c和d以及常数项e。最终将已知系数项a、b、c和d以及常数项e的值的拟合函数作为最终的预测函数。
最后,根据预测函数将预测时间代入预测函数中,可以计算得到流量预测结果。
应当注意的是,由于需要计算的样本数量较多(最少为千万级),所以可以采用关系型数据库系统(mysql)、数据库管理系统(sql server)或甲骨文软件系统(oracle)等数据库软件协助运算。
在本发明实施例中,通过用户预测结果与网络预测结果的互相修正,提高了流量预测的准确性。
通过上述实施例所述的基于神经网络的流量预测的方法,采用常驻用户的流量数据和将小区流量数据作为网络流量样本,综合测算区域流量的变化趋势。其中用户预测样本侧重于预测流量的变化趋势、小区流量数据侧重于预测流量的规模。再通过构建神经网络来完成整个流量预测,使之可以得到更加精准的流量预测结果。
下面通过图5详细介绍根据本发明实施例的基于神经网络的流量预测的装置,基于神经网络的流量预测的装置与基于神经网络的流量预测的方法相对应。
图5示出了本发明一实施例的基于神经网络的流量预测的装置的结构示意图。
如图5所示,基于神经网络的流量预测的装置500包括:
模型训练模块510,用于将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型.
预测模型模块520,用于根据预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果。
预测结果模块530,用于基于用户预测结果和网络预测结果,得到流量预测结果。
通过上述实施例所述的基于神经网络的流量预测的装置,通过模型训练模块510设置各个神经元的初始权值,通过对流量模型不断地训练,调整初始权值,实现整个模型的不断优化,便于后续基于预测模型得到精准的流量预测结果。通过预测模型模块520以及预测结果模块530,将用户预测结果与网络预测结果的互相修正,提高了流量预测的准确性。
在本发明的一个实施例中,模型训练模块510具体用于基于每一个历史用户样本确定流量模型中的用户神经元的初始权值。根据每一个历史网络样本确定流量模型中的网络神经元的初始权值。基于目标数据和用户神经元的初始权值,修正流量模型的输出结果,得到预测模型。
其中,按照预设用户比例选取用户预测样本和按照预设网络比例选取网络预测样本。用户预测样本包括:GET请求速率、常用业务、常驻小区以及业务时长,网络预测样本包括:用户平面的承载E-RAB建立成功率、数据大包业务占比、流量最忙时段、平均长期演进技术网络的关键指标RS-SINR、上行平均综合速率以及下行平均综合速率。流量模型的激励函数为一元二次函数。
在本发明的一个实施例中,预测模型模块520具体用于根据预测模型,对用户预测样本以及网络预测样本进行学习,得到多个用户预测样本结果和多个网络预测样本结果。将多个用户预测样本结果求和,得到用户预测结果。将多个网络预测样本结果求和,得到网络预测结果。
在本发明的一个实施例中,预测结果模块530具体用于将用户预测结果按照预设用户比例进行放大,得到放大处理后的用户预测结果。将放大处理后的用户预测结果和网络预测结果进行叠加,得到叠加函数。基于叠加函数确定拟合函数的系数和常数项,得到预测函数。根据预测函数和预测时间得到流量预测结果。
在本发明的另一个实施例中,基于神经网络的流量预测的装置500还包括:样本选取模块540,用于按照预设用户比例选取用户预测样本和按照预设网络比例选取网络预测样本。
图6示出了能够实现根据本发明实施例的基于神经网络的流量预测的方法和装置的计算设备的示例性硬件架构的结构图。
如图6所示,计算设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中,输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接,输入设备601和输出设备606分别通过输入接口602和输出接口605与总线610连接,进而与计算设备600的其他组件连接。
具体地,输入设备601接收来自外部的输入信息,并通过输入接口602将输入信息传送到中央处理器603;中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器604中,然后通过输出接口605将输出信息传送到输出设备606;输出设备606将输出信息输出到计算设备600的外部供用户使用。
也就是说,图6所示的计算设备也可以被实现基于神经网络的流量预测的设备,该基于神经网络的流量预测的设备可以包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图1至图5描述的基于神经网络的流量预测的方法和装置。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的基于神经网络的流量预测。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本发明可以以其他的具体形式实现,而不脱离其精神和本质特征。例如,特定实施例中所描述的算法可以被修改,而设备体系结构并不脱离本发明的基本精神。因此,当前的实施例在所有方面都被看作是示例性的而非限定性的,本发明的范围由所附权利要求而非上述描述定义,并且,落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明的范围之中。
Claims (14)
1.一种基于神经网络的流量预测的方法,其特征在于,包括:
将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型;
根据所述预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果;
基于所述用户预测结果和所述网络预测结果,得到流量预测结果。
2.根据权利要求1所述基于神经网络的流量预测的方法,其特征在于,
按照预设用户比例选取所述用户预测样本和按照预设网络比例选取所述网络预测样本。
3.根据权利要求1所述基于神经网络的流量预测的方法,其特征在于,所述用户预测样本包括:GET请求速率、常用业务、常驻小区以及业务时长,
所述网络预测样本包括:用户平面的承载E-RAB建立成功率、数据大包业务占比、流量最忙时段、平均长期演进技术网络的关键指标RS-SINR、上行平均综合速率以及下行平均综合速率。
4.根据权利要求1所述基于神经网络的流量预测的方法,其特征在于,将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型包括:
基于每一个所述历史用户样本确定所述流量模型中的用户神经元的初始权值;
根据每一个所述历史网络样本确定所述流量模型中的网络神经元的初始权值;
基于所述流量模型的输出结果和所述目标数据,修正所述用户神经元的初始权值和修正所述网络神经元的初始权值,得到所述预测模型,所述输出结果包括:用户流量数据和网络流量数据。
5.根据权利要求1所述基于神经网络的流量预测的方法,其特征在于,所述根据所述预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果,包括:
根据所述预测模型,对用户预测样本以及网络预测样本进行学习,得到多个用户预测样本结果和多个网络预测样本结果;
将所述多个用户预测样本结果求和,得到所述用户预测结果;
将所述多个网络预测样本结果求和,得到所述网络预测结果。
6.根据权利要求1所述基于神经网络的流量预测的方法,其特征在于,所述流量模型的激励函数为一元二次函数。
7.根据权利要求1所述基于神经网络的流量预测的方法,其特征在于,所述基于所述用户预测结果和所述网络预测结果,得到流量预测结果,包括:
将所述用户预测结果按照预设放大比例进行放大,得到放大处理后的用户预测结果;
将所述放大处理后的用户预测结果和所述网络预测结果进行叠加,得到叠加函数;
基于所述叠加函数确定拟合函数的系数和常数项,得到预测函数;
根据所述预测函数和预测时间得到流量预测结果。
8.根据权利要求7所述基于神经网络的流量预测的方法,其特征在于,所述预设放大比例包括:选取所述用户预测样本的预设用户比例。
9.根据权利要求1所述基于神经网络的流量预测的方法,其特征在于,
利用数据库软件对样本数据进行处理,所述样本数据包括:历史用户样本、历史网络样本、历史用户流量数据、历史网络流量数据、用户预测样本、网络预测样本、用户预测结果和网络预测结果。
10.根据权利要求8所述基于神经网络的流量预测的方法,其特征在于,所述数据库软件包括:关系型数据库系统mysql、数据库管理系统sql server或甲骨文软件系统oracle。
11.一种基于神经网络的流量预测的装置,其特征在于,包括:
模型训练模块,用于将历史用户样本和历史网络样本作为训练样本,将历史用户流量数据和历史网络流量数据作为目标数据,训练流量模型,得到预测模型;
预测模型模块,用于根据所述预测模型,对用户预测样本以及网络预测样本进行学习,得到用户预测结果和网络预测结果;
预测结果模块,用于基于所述用户预测结果和所述网络预测结果,得到流量预测结果。
12.根据权利要求11所述基于神经网络的流量预测的装置,其特征在于,还包括:
样本选取模块,用于按照预设用户比例选取所述用户预测样本和按照预设网络比例选取所述网络预测样本。
13.一种基于神经网络的流量预测的设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-10任意一项所述基于神经网络的流量预测的方法。
14.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述基于神经网络的流量预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811506320.9A CN111294227A (zh) | 2018-12-10 | 2018-12-10 | 基于神经网络的流量预测的方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811506320.9A CN111294227A (zh) | 2018-12-10 | 2018-12-10 | 基于神经网络的流量预测的方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111294227A true CN111294227A (zh) | 2020-06-16 |
Family
ID=71029009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811506320.9A Pending CN111294227A (zh) | 2018-12-10 | 2018-12-10 | 基于神经网络的流量预测的方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111294227A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039711A (zh) * | 2020-09-08 | 2020-12-04 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN113079033A (zh) * | 2021-03-08 | 2021-07-06 | 南京苏宁软件技术有限公司 | 一种流量控制方法、装置、电子设备及计算机可读介质 |
CN113645642A (zh) * | 2021-08-16 | 2021-11-12 | 北京遥感设备研究所 | 一种无线资源分配预测方法及系统 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
CN108199928A (zh) * | 2018-02-01 | 2018-06-22 | 国网湖北省电力公司信息通信公司 | 一种多维电力通信网流量预测方法及系统 |
CN108924127A (zh) * | 2018-06-29 | 2018-11-30 | 新华三信息安全技术有限公司 | 一种流量基线的生成方法和装置 |
-
2018
- 2018-12-10 CN CN201811506320.9A patent/CN111294227A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
CN108199928A (zh) * | 2018-02-01 | 2018-06-22 | 国网湖北省电力公司信息通信公司 | 一种多维电力通信网流量预测方法及系统 |
CN108924127A (zh) * | 2018-06-29 | 2018-11-30 | 新华三信息安全技术有限公司 | 一种流量基线的生成方法和装置 |
Non-Patent Citations (1)
Title |
---|
张昕: "校园网络流量分析与预测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039711A (zh) * | 2020-09-08 | 2020-12-04 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN112039711B (zh) * | 2020-09-08 | 2023-03-24 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN113079033A (zh) * | 2021-03-08 | 2021-07-06 | 南京苏宁软件技术有限公司 | 一种流量控制方法、装置、电子设备及计算机可读介质 |
CN113079033B (zh) * | 2021-03-08 | 2022-09-27 | 南京苏宁软件技术有限公司 | 一种流量控制方法、装置、电子设备及计算机可读介质 |
CN113645642A (zh) * | 2021-08-16 | 2021-11-12 | 北京遥感设备研究所 | 一种无线资源分配预测方法及系统 |
CN113645642B (zh) * | 2021-08-16 | 2023-08-15 | 北京遥感设备研究所 | 一种无线资源分配预测方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111294227A (zh) | 基于神经网络的流量预测的方法、装置、设备和介质 | |
US11132608B2 (en) | Learning-based service migration in mobile edge computing | |
US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
CN110163713B (zh) | 一种业务数据处理方法、装置以及相关设备 | |
CN113469325A (zh) | 一种边缘聚合间隔自适应控制的分层联邦学习方法、计算机设备、存储介质 | |
CN110213784B (zh) | 一种流量预测方法及装置 | |
CN109377218B (zh) | 一种遏制虚假感知攻击的方法、服务器及移动终端 | |
CN113572697A (zh) | 一种基于图卷积神经网络与深度强化学习的负载均衡方法 | |
CN105279692A (zh) | 金融信息技术系统性能预测方法和装置 | |
CN105354092A (zh) | 一种应用性能风险预测方法、装置和系统 | |
Tian et al. | A network traffic hybrid prediction model optimized by improved harmony search algorithm | |
CN111401772A (zh) | 客服请求分配方法、装置及设备 | |
CN116166957A (zh) | 基于lstm的数据处理方法、装置、计算机设备及介质 | |
Liu et al. | Quantized reservoir computing for spectrum sensing with knowledge distillation | |
CN117010653A (zh) | 一种权益分配方法、装置、设备及存储介质 | |
CN110378464B (zh) | 人工智能平台的配置参数的管理方法和装置 | |
CN116843016A (zh) | 一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质 | |
CN114267422B (zh) | 地表水质参数预测方法、系统、计算机设备及存储介质 | |
CN113297310B (zh) | 一种物联网中区块链分片验证者选取的方法 | |
Wen et al. | Learning-based big data sharing incentive in mobile AIGC networks | |
CN115239068A (zh) | 一种目标任务决策方法、装置、电子设备及存储介质 | |
Deng et al. | SVR with hybrid chaotic genetic algorithm for short-term traffic flow forecasting | |
CN109670593B (zh) | 一种评估、以及预测深度学习模型中层计算时间的方法 | |
CN109981327B (zh) | 一种业务量的预测方法及系统 | |
CN111369091A (zh) | 用户感知画像分析的方法、装置、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
RJ01 | Rejection of invention patent application after publication |