CN112039711B - 流量预测方法及设备 - Google Patents
流量预测方法及设备 Download PDFInfo
- Publication number
- CN112039711B CN112039711B CN202010934120.4A CN202010934120A CN112039711B CN 112039711 B CN112039711 B CN 112039711B CN 202010934120 A CN202010934120 A CN 202010934120A CN 112039711 B CN112039711 B CN 112039711B
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- service link
- data set
- time period
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种流量预测方法及设备,该方法包括:首先通过预设时间段内历史流量数据,进行预处理得到第一数据集,并利用第一数据集对业务链路节点的目标时间段内的流量进行预测;然后通过预设时间段内的互联网数据,进行预处理得到第二数据集,并利用第二数据集得到业务链路节点的流量修正系数;最后利用流量修正系数对预测的流量进行修正,得到最终的预测流量。本发明实施例能够准确、快速的对业务链路节点的流量进行预测。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种流量预测方法及设备。
背景技术
流量是业务链路节点忙闲程度的一个重要指标,是指在一段时间内,经过链路节点上行数据量和下行数据量的总和。业务链路节点流量的变化,可表征该业务链路节点使用业务的变化情况,也可表征该链路节点健康情况,为了掌握业务链路节点的流量动态变化趋势,为忙时业务链路节点流量负责作均衡调整,闲时进行设备拆闲补盲、设备节能,优化业务链路节点性能提供依据,因此需要对业务链路节点的流量进行预测具有重要意义。
近年来,随着网络技术的发展,网络流量红利持续释放,用户规模的爆炸性增长,短视频业务兴起使得网络本身的复杂度大大增加,传统的人工统计网络流量,流量预测的准确性和实时性较差,具有较大的局限性。
因此,亟需一种能够快速、准确地对业务链路节点的网络流量进行预测的方法。
发明内容
本发明实施例提供一种流量预测方法及设备,能够快速、准确地对业务链路节点的网络流量进行预测的方法。
第一方面,本发明实施例提供一种流量预测方法,包括:
获取待预测的目标时间段内对应的预设时间段内互联网数据;
获取业务链路节点在所述预设时间段内的历史流量数据;
对所述历史流量数据进行第一预处理,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集;
对所述互联网数据进行第二预处理,得到所述业务链路节点的互联网数据特征序列组成的第二数据集,其中所述第二数据集与所述第一数据集的特征序列相对应;
将所述第一数据集输入至第一预设模型,得到所述业务链路节点的目标时间段内的预测流量数据;
将所述第二数据集输入至第二预设模型,得到所述业务链路节点的流量修正系数;
根据所述流量修正系数对所述预测流量数据进行修正,得到所述业务链路节点的目标时间段内的最终预测流量。
在一种可能的设计中,所述对所述历史流量数据进行第一预处理,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集,包括:
对所述历史流量数据中的各类型的数据进行无量纲化,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集。在一种可能的设计中,
在一种可能的设计中,所述对所述互联网数据进行第二预处理,得到所述业务链路节点的互联网数据特征序列组成的第二数据集,包括:
对所述互联网数据中的各类型的数据进行无量纲化,得到所述业务链路节点的互联网数据特征序列组成的第二数据集。
在一种可能的设计中,所述第一预设模型为季节性差分自回归滑动平均SARIMA模型,所述第二预设模型为LightGBM模型。
在一种可能的设计中,所述根据所述流量修正系数对所述预测流量数据进行修正,得到所述业务链路节点的最终预测流量,包括:将预测流量数据与所述流量修正系数相乘,得到所述业务链路节点的最终预测流量。
第二方面,本发明实施例提供一种流量预测设备,包括:
获取模块,用于获取待预测的目标时间段内对应的预设时间段内互联网数据;获取业务链路节点在所述预设时间段内的历史流量数据;
预处理模块,用于对所述历史流量数据进行第一预处理,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集;对所述互联网数据进行第二预处理,得到所述业务链路节点的互联网数据特征序列组成的第二数据集,其中所述第二数据集与所述第一数据集的特征序列相对应;
模型处理模块,用于将所述第一数据集输入至第一预设模型,得到所述业务链路节点的目标时间段内的预测流量数据;将所述第二数据集输入至第二预设模型,得到所述业务链路节点的流量修正系数;
预测模块,用于根据所述流量修正系数对所述预测流量数据进行修正,得到所述业务链路节点的目标时间段内的最终预测流量。
在一种可能的设计中,所述预处理模块,具体用于对所述历史流量数据中的各类型的数据进行无量纲化,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集。
在一种可能的设计中,所述预处理模块,具体用于对所述互联网数据中的各类型的数据进行无量纲化,得到所述业务链路节点的互联网数据特征序列组成的第二数据集。
第三方面,本发明实施例提供一种流量预测设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的流量预测方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的流量预测方法。
本发明实施例提供的流量预测方法及设备,该方法首先通过预设时间段内历史流量数据,进行预处理得到第一数据集,并利用第一数据集对业务链路节点的目标时间段内的流量进行预测;然后通过预设时间段内的互联网数据,进行预处理得到第二数据集,并利用第二数据集得到业务链路节点的流量修正系数;最后利用流量修正系数对预测的流量进行修正,得到最终的预测流量,能够准确、快速的对业务链路节点的流量进行预测。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的流量预测的应用场景示意图;
图2为本发明实施例提供的流量预测方法的流程示意图一;
图3为本发明实施例提供的流量预测方法的流程示意图二;
图4为本发明实施例提供的流量预测设备的结构示意图;
图5为本发明实施例提供的流量预测设备的硬件结构示意图。
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,显然,所描述的实施例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作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。
图1为本发明实施例提供的流量预测的应用场景示意图。如图1所示,本实施例提供的系统包括网络设备101和服务器102。其中,网络设备101可以为手机、个人电脑、路由器、交换机或防火墙等。服务器102可以是一台或多台组成的服务器集群。
现有,传统的人工统计网络流量,流量预测的准确性和实时性较差,具有较大的局限性。为了解决该技术问题,本实施例提供一种流量预测方法,该方法利用历史流量数据对业务链路节点的目标时间段内的流量进行预测;在利用互联网数据得到业务链路节点的流量修正系数,并利用流量修正系数对预测的流量进行修正,得到最终的预测流量。本发明实施例能够准确、快速的对业务链路节点的流量进行预测。
图2为本发明实施例提供的流量预测方法的流程示意图一,本实施例的执行主体可以为图1所示实施例的服务器。如图2所示,该方法包括:
S201:获取待预测的目标时间段内对应的预设时间段内互联网数据。
在本实施例中,互联网数据可以包括节日放假数据。其包括但不限于:节日放假开始时间、节日放假结束时间、调休上班开始时间和调休上班结束时间。
其中,互联网数据还可以包括天气数据。其包括但不限于:地市区县、最高气温、最低气温、天气、风向、PM质量指数和质量状况等。
进一步地,天气数据包括台风数据,包括但不限于:台风风圈的强度、台风的中心位置、台风的风力风速、台风的风圈半径等。
具体地,可以通过互联网获取节日放假数据和天气数据。例如通过官方网站获取节日放假数据;通过气象部门的台风播报系统实时采集天气数据。
在本实施例中,待预测的目标时间段对应的预设时间段,可以是与待预测的目标时间段对应的历史周期内的时间段。
S202:获取业务链路节点在所述预设时间段内的历史流量数据。
在本实施例中,业务链路节点可以是大粒度网元粒度节点,例如网关GPRS(General Packet Radio Service,通用无线分组业务)支持节点、SGW(Serving GateWay,服务网关)节点等;也可以是小颗粒节点,例如基站、小区等;还可以是区域粒度节点,例如TAC(Tracking Area Code,跟踪区码)、LAC(Location Area Code,位置区码)、场景边框等。
其中,历史流量数据包括业务链路节点的上行流量和下行流量的总和。
S203:对所述历史流量数据进行第一预处理,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集。
在本实施例中,历史流量数据可以是不同类型的数据。具体地,历史流量数据可以是连续型数据,也可以是离散型数据。第一预处理可以是无量纲化处理。
其中,流量信息的时间特征序列,指的是按照时间顺序排列的无量纲化处理后的历史流量数据。
S204:对所述互联网数据进行第二预处理,得到所述业务链路节点的互联网数据特征序列组成的第二数据集,其中所述第二数据集与所述第一数据集的特征序列相对应。
在本实施例中,互联网数据可以是不同类型的数据。具体地,互联网数据可以是连续型数据,也可以是离散型数据。第二预处理可以是无量纲化处理。
其中,互联网数据特征序列与流量信息的时间特征序,在时间顺序是相对应的。
S205:将所述第一数据集输入至第一预设模型,得到所述业务链路节点的目标时间段内的预测流量数据。
在本实施例中,第一预设模型用于根据流量信息的时间特征序,预测业务链路节点的目标时间段内的预测流量数据。
其中,第一预设模型是根据多个第一数据集以及对应的实际流量数据,训练得到的。
S206:将所述第二数据集输入至第二预设模型,得到所述业务链路节点的流量修正系数。
在本实施例中,第二预设模型用于根据互联网数据对预测流量数据进行修正。
其中,第二预设模型是根据第二数据集中训练得到的。
S207:根据所述流量修正系数对所述预测流量数据进行修正,得到所述业务链路节点的目标时间段内的最终预测流量。
具体地,将预测流量数据与所述流量修正系数相乘,得到所述业务链路节点的最终预测流量。
从上述描述可知,首先通过预设时间段内历史流量数据,进行预处理得到第一数据集,并利用第一数据集对业务链路节点的目标时间段内的流量进行预测;然后通过预设时间段内的互联网数据,进行预处理得到第二数据集,并利用第二数据集得到业务链路节点的流量修正系数;最后利用流量修正系数对预测的流量进行修正,得到最终的预测流量,能够准确、快速的对业务链路节点的流量进行预测。
图3为本发明实施例提供的流量预测方法的流程示意图二,本实施例在图2实施例的基础上,对本实施例的具体实现过程进行了详细说明。如图3所示,该方法包括:
S301:获取待预测的目标时间段内对应的预设时间段内互联网数据。
S302:获取所述业务链路节点在所述预设时间段内的历史流量数据。
在本实施例中,步骤S301-S302的步骤与上述S201-S102的步骤一致,详细内容请参考S201-S102的描述,这里不再赘述。
S303:对所述历史流量数据中的各类型的数据进行无量纲化,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集。
在本实施例中,历史流量数据可以是小区级小时级流量数据的连续型数据。由于其分布类似正态分布,采用Z-score方式,利用数据的均值和方差将其归一化只均值为0,方差为1的无量纲数值。
历史流量数据中的时间为时间序列数据,将转化为基于1970年1月1日计算的时间戳,以消除时区和单位的影响。
S304:对所述互联网数据中的各类型的数据进行无量纲化,得到所述业务链路节点的互联网数据特征序列组成的第二数据集。
在本实施例中,互联网数据中的连续型数据包括天气数据中的最高气温、最低气温、PM质量指数,台风信息中的风圈强度、风力风速、风圈半径。同样,由于它们的分布类似正态分布,采用Z-score方式,利用数据的均值和方差将其归一化只均值为0,方差为1的无量纲数值。
互联网数据中的离散型数据包括天气、质量状况等。采用独热编码将数据的不同类别映射到欧式空间,统一转换为二进制向量。
进一步地,节假日和台风期间的历史流量数据呈正态分布,以节假日和台风登陆时的流量作为波峰,选取节假日放假前后一一天、台风登陆前后6小时的时间窗口扩散平滑,为后续第一数据集输入至第一预设模型做准备。
S305:将所述第一数据集输入至SARIMA模型,得到所述业务链路节点的目标时间段内的预测流量数据。
在本实施例中,SARIMA(Seasonal Autoregressive Integrated MovingAverage,季节性差分自回归滑动平均)模型是通过多个第一数据集以及对应的实际流量数据,训练得到的,其训练过程包括:
对多个第一数据集进行特征工程,根据流量高峰和周期性特点,采用d阶差分运算后的平稳时间序列的相关系数和自相关系数,将多个第一数据集分为N类小集合,其中N大于等于3。对每类小集合采用网格搜索,初始化SARIMA(p,d,q)参数取值。
对SARIMA(p,d,q)进行训练,调整参数取值,当SARIMA(p,d,q)实际流量数据与预测流量数据的DTW(Dynamic Time Warping,动态时间归整)下雨门限时,代表SARIMA(p,d,q)模型训练完成。
其中,对预测流量数据S=s1,s2…si,…sn,和实际流量数据R=r1,r2,…rj…rn,构建n×m的矩阵网格,矩阵元素(i,j)表示qi和cj两个点的距离d(qi,cj),一般采用欧式距离。则DTW
S306:将所述第二数据集输入至LightGBM模型,得到所述业务链路节点的流量修正系数。
具体地,将第二数据集中的特征序列和衍生特征序列拆分为训练集和验证集,并对LightGBM模型中的参数进行调整,将训练数据输入至已调节好的参数的LightGBM模型中进行训练,得到训练好的模型后,再将验证集中的衍生特征序列输入至训练好的LightGBM模型中得到回归拟合修正系数。
其中,为防止LightGBM模型出现过拟合或欠拟合,以提高LightGBM模型的准确度,需要对LightGBM模型中参数进行调整。具体的调整参数包括num_leaves、max_depth、feature_fraction、bagging_fraction、bagging_freq、lambda_l1、lambda_l2、min_gain_to_split和learning_rate。
S307:得到回归拟合修正系数与预测流量数据相乘,得到所述业务链路节点的最终预测流量。
在本实施例中,将最终预测流量发送至管理平台,以使管理人员根据最终预测流量对所述业务链路节点进行维护。
从上述描述可知,通过对历史流量数据和互联网数据中的各类型的数据进行无量纲化的预处理,并SARIMA模型和历史流量数据进行流量预测,利用互联网数据和LightGBM模型,得到的修正系数对预测流量进行修正,使得预测的业务链路节点流量预测更加精确。
图4为本发明实施例提供的流量预测设备的结构示意图。如图4所示,该流量预测设备40包括:获取模块401、预处理模块402、模型处理模块403和预测模块404。
其中,获取模块401,用于获取待预测的目标时间段内对应的预设时间段内互联网数据;获取所述业务链路节点在所述预设时间段内的历史流量数据;
预处理模块402,用于对历史流量数据进行第一预处理,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集;对所述互联网数据进行第二预处理,得到所述业务链路节点的互联网数据特征序列组成的第二数据集,其中所述第二数据集与所述第一数据集的特征序列相对应;
模型处理模块403,用于将所述第一数据集输入至第一预设模型,得到所述业务链路节点的目标时间段内的预测流量数据;将所述第二数据集输入至第二预设模型,得到所述业务链路节点的流量修正系数;
预测模块404,用于根据所述流量修正系数对所述预测流量数据进行修正,得到所述业务链路节点的目标时间段内的最终预测流量。
在一种可能的设计中,所述预处理模块402,具体用于对所述历史流量数据中的各类型的数据进行无量纲化,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集。
在一种可能的设计中,所述预处理模块402,具体用于对所述互联网数据中的各类型的数据进行无量纲化,得到所述业务链路节点的互联网数据特征序列组成的第二数据集。
在一种可能的设计中,所述预测模块404,用于将预测流量数据与所述流量修正系数相乘,得到所述业务链路节点的最终预测流量。
本实施例提供的设备,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图5为本发明实施例提供的流量预测设备的硬件结构示意图。如图5所示,本实施例的流量预测设备50包括:处理器501以及存储器502;其中
存储器502,用于存储计算机执行指令;
处理器501,用于执行存储器存储的计算机执行指令,以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器502既可以是独立的,也可以跟处理器501集成在一起。
当存储器502独立设置时,该流量预测设备还包括总线503,用于连接所述存储器502和处理器501。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的流量预测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种流量预测方法,其特征在于,包括:
获取待预测的目标时间段内对应的预设时间段内互联网数据;所述互联网数据包括如下中的至少一种:节日放假数据、天气数据;
获取业务链路节点在所述预设时间段内的历史流量数据;
对所述历史流量数据中的各类型数据进行无量纲化处理,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集;
对所述互联网数据中的各类型数据进行无量纲化处理,得到所述业务链路节点的互联网数据特征序列组成的第二数据集,其中所述第二数据集与所述第一数据集的特征序列相对应;
将所述第一数据集输入至第一预设模型,得到所述业务链路节点的目标时间段内的预测流量数据;
将所述第二数据集输入至第二预设模型,得到所述业务链路节点的流量修正系数;
将所述预测流量数据与所述流量修正系数相乘,得到所述业务链路节点的最终预测流量。
2.根据权利要求1所述的方法,其特征在于,所述第一预设模型为季节性差分自回归滑动平均SARIMA模型,所述第二预设模型为LightGBM模型。
3.一种流量预测设备,其特征在于,包括:
获取模块,用于获取待预测的目标时间段内对应的预设时间段内互联网数据;获取业务链路节点在所述预设时间段内的历史流量数据;所述互联网数据包括如下中的至少一种:节日放假数据、天气数据;
预处理模块,用于对历史流量数据中的各类型数据进行无量纲化处理,得到所述业务链路节点的流量信息的时间特征序列组成的第一数据集;对所述互联网数据中的各类型数据进行无量纲化处理,得到所述业务链路节点的互联网数据特征序列组成的第二数据集,其中所述第二数据集与所述第一数据集的特征序列相对应;
模型处理模块,用于将所述第一数据集输入至第一预设模型,得到所述业务链路节点的目标时间段内的预测流量数据;将所述第二数据集输入至第二预设模型,得到所述业务链路节点的流量修正系数;
预测模块,用于将所述预测流量数据与所述流量修正系数相乘,得到所述业务链路节点的最终预测流量。
4.一种流量预测设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至2任一项所述的流量预测方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至2任一项所述的流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934120.4A CN112039711B (zh) | 2020-09-08 | 2020-09-08 | 流量预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934120.4A CN112039711B (zh) | 2020-09-08 | 2020-09-08 | 流量预测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112039711A CN112039711A (zh) | 2020-12-04 |
CN112039711B true CN112039711B (zh) | 2023-03-24 |
Family
ID=73585683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934120.4A Active CN112039711B (zh) | 2020-09-08 | 2020-09-08 | 流量预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112039711B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113194037B (zh) * | 2021-03-31 | 2022-05-24 | 新华三大数据技术有限公司 | 一种流量调度方法及装置 |
CN113724497A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种目标道路实时交通流量预测方法和装置 |
CN114554431B (zh) * | 2022-02-16 | 2024-02-06 | 武汉纵拓信息技术有限公司 | 一种基于大数据的短视频流量使用预警系统及方法 |
CN116866095B (zh) * | 2023-09-04 | 2023-11-14 | 深圳国冶星光电科技股份有限公司 | 一种带触控面板的工业路由器及其待机控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014178116A1 (ja) * | 2013-04-30 | 2014-11-06 | 中国電力株式会社 | 流量予想装置及び流量予想システム |
CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN109889391A (zh) * | 2019-03-13 | 2019-06-14 | 南京理工大学 | 一种基于组合模型的网络短时流量预测方法 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN111294227A (zh) * | 2018-12-10 | 2020-06-16 | 中国移动通信集团四川有限公司 | 基于神经网络的流量预测的方法、装置、设备和介质 |
-
2020
- 2020-09-08 CN CN202010934120.4A patent/CN112039711B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014178116A1 (ja) * | 2013-04-30 | 2014-11-06 | 中国電力株式会社 | 流量予想装置及び流量予想システム |
CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN111294227A (zh) * | 2018-12-10 | 2020-06-16 | 中国移动通信集团四川有限公司 | 基于神经网络的流量预测的方法、装置、设备和介质 |
CN109889391A (zh) * | 2019-03-13 | 2019-06-14 | 南京理工大学 | 一种基于组合模型的网络短时流量预测方法 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于ARIMA 补偿ELM的网络流量预测方法;田大中等;《信息与控制》;20141215;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112039711A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112039711B (zh) | 流量预测方法及设备 | |
CN114614989B (zh) | 基于数字孪生技术的网络业务的可行性验证方法及装置 | |
CN111368887B (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN113347267B (zh) | 一种移动边缘云计算网络中的mec服务器部署方法 | |
CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN106982250B (zh) | 信息推送方法及装置 | |
CN112533270B (zh) | 基站节能的处理方法、装置、电子设备及存储介质 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN113543195A (zh) | 通信基站评估方法、装置及电子设备 | |
CN113423113A (zh) | 无线参数优化处理方法、装置及服务器 | |
CN114726745A (zh) | 网络流量预测方法、装置及计算机可读存储介质 | |
CN106993309B (zh) | 用户价值评价方法及装置 | |
CN110928634B (zh) | 数据处理方法、装置及设备 | |
CN110570136B (zh) | 配送范围确定方法、装置、电子设备以及存储介质 | |
CN108966269B (zh) | 一种场馆基站识别方法和装置 | |
CN110324292B (zh) | 身份验证装置、身份验证方法及计算机存储介质 | |
CN112637904A (zh) | 负载均衡方法、装置及计算设备 | |
CN112464970A (zh) | 区域价值评估模型处理方法、装置及计算设备 | |
CN110838018A (zh) | 节假日期间小区最大用户数预测方法及装置 | |
CN116663392B (zh) | 水文气象灾害二维复合事件模拟方法、装置、设备及介质 | |
CN117768328A (zh) | 网元扩容方法、装置、设备及存储介质 | |
CN110942196B (zh) | 预测辐照修正方法及装置 | |
CN117195036A (zh) | 一种电厂数据智能处理方法及系统 |
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 |