CN112436975A - 一种天地一体化信息网络流量预测方法及装置 - Google Patents

Abstract

本发明实施例提供了一种天地一体化信息网络流量预测方法及装置，采用多项式模型拟合尺度系数，Laplace分布模型拟合小波系数，这样Laplace分布模型表征小波系数，实现系数分布与流量特性相关，并且，多项式模型表征尺度系数，实现对流量的准确模拟。使用更符合流量数据实际分布情况的Laplace分布，预测的流量数据更符合流量实际分布情况。

Description

一种天地一体化信息网络流量预测方法及装置

技术领域

本发明涉及天地一体化信息网络技术领域，特别是涉及一种天地一体化信息网络流量预测方法及装置。

背景技术

对于天地一体化信息网络的流量进行研究，是设计和分析天地一体化信息网络体系架构的切入点，根据天地一体化信息网络的网络流量进行分析，找出其内在的特点，建立合理的网络流量模型，并根据网络流量模型进行流量预测，是对天地一体化信息网络资源进行控制、调配，改进和提高网络性能的一种重要手段。

目前在流量预测过程中所使用的网络流量模型，一般是先假设使用条件，然后在假设使用条件下通过单一业务在单一网络下进行流量预测，使得流量预测不符合实际情况。因此，使得如何使用网络流量模型得到更符合实现情况的流量预测成为亟待解决的技术问题。

发明内容

本发明实施例的目的在于提供的一种天地一体化信息网络流量预测方法及装置，用以使用多项式模型及拉普拉斯分布模型的网络流量模型得到更符合实现情况的流量预测。具体技术方案如下：

第一方面，本发明实施例提供了一种天地一体化信息网络流量预测方法，包括：

获取天地一体化信息网络中预设时间段内的流量数据；

利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，所述任一时刻的尺度系数包括：所述预设时间段内相邻下一预设时间段内的预测尺度系数，以及所述任一时刻的小波系数包括：所述预设时间段内相邻下一预设时间段内的预测小波系数；

对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据。

进一步的，在所述对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据之后，所述方法还包括：

验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度。

进一步的，所述利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数，包括：

将预设时间段内的流量数据和矩形尺度函数积分，并将所述预设时间段内的流量数据在区间[k2^-j，(k+1)2^-j]上的局部均值，确定为所述预设时间段内的尺度系数：

U_j，k＝∫X(t)φ_j，k(t)dt

其中，U_j，k为所述预设时间段内的尺度系数，X(t)为预设时间段内的流量数据的时间序列，t为采样时间间隔，预设时间段，t＝1，2，3…，j＝0，1，2，3，…，n表示尺度，K表示不同移位位置，j，k∈Z，Z为整数集，φ_j，k(t)为矩形尺度函数，

当t＝2^jt-k时代入φ(t)中，得到φ(2^jt-k)，

将预设时间段内的流量数据和小波函数积分，并将所述预设时间段内的流量数据在[k2^-j，(k+1/2)2^-j]和[(k+1/2)2^-j，(k+1)2^-j]区间上的局部均值差，确定为所述预设时间段内的小波系数：

W_j，k＝∫X(t)ψ_j，k(t)dt

其中，W_j，k为所述预设时间段内的小波系数，ψ_j，k(t)为小波函数，dt为t的微元，∫为积分符合，j，k∈Z，Z为整数集，

当t＝2^jt-k时代入ψ(t)中，得到ψ(2^jt-k)，

进一步的，所述利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数，包括：

采用如下公式：U_j-1，k＝2^-1/2(U_j，2k+U_j，2k+1)，W_j-1，k＝2^-1/2(U_j，2k-U_j，2k+1)，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

其中，U_j-1，k为尺度j-1下的第k个尺度系数，U_j，2k为尺度j下的第2k个尺度系数，U_j，2k+1为尺度j下的第2k+1个小波系数，W_j-1，k为尺度j-1下的第k个小波系数，A_j，k|W_j，k|＜U_j，k，A_j，k为随机因子，A_j，k∈[-1，1]。

进一步的，所述使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，包括：

采用最小二乘法，将多项式模型及训练数据集代入如下公式：

并将p_k的偏导设置为零，得到线性方程如下：

通过所述线性方程，求解得到所述多项式模型中每一项p_k；其中，所述多项式模型为y(x)＝p₀+p₁×x¹+p₂×x²+…+p_n×xⁿ，所述训练数据集为T＝[(1，a₁)，(2，a₂)，…，(J，a_J)]，L为误差值，∑为求和符号，i为序号，x为流量值的时间序列，x_i为第i个时间序列，J为x的总个数，k为x的阶数，m为最高阶数，p_k为变量x_k的系数，

为第i个时间序列x_i的k次方，y为采集的流量值，y_i为第i个流量值，

为第i个时间序列x_i的m次方，

为第i个时间序列x_i的2m次方，p₀为多项式的常数项系数，p₁为多项式的一阶项系数，p_m为多项式的m阶项系数，y(x)为关于流量值的时间序列x的函数，x^k为流量值的时间序列_x的k次方；

将已确定每一项的多项式方程，作为任一时刻的尺度系数的曲线拟合；

采用拉普拉斯分布模型为：

并对所述拉普拉斯分布模型进行处理，得到如下任一时刻的小波系数的曲线拟合：

La(a，b)＝ce^-|x-a|/b

其中，所述f(x)为流量值的时间序列x的概率密度函数，所述La(a，b)为关于均值为a，方差为2b²的拉普拉斯分布，2b²的取值为预设时间段内的小波系数的方差，a的取值为预设时间段内的小波系数的均值，x为实数表示时间段，a的取值为预设时间段内的小波系数的均值。

进一步的，所述对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据，包括：

采用如下公式，

预测下一预设时间段内的流量数据；

其中，X′(t)为下一预设时间段内的流量数据，j₀为所有尺度中第一个尺度j₀，k为第k个系数。

进一步的，所述方法还包括：

通过小波系数的曲线拟合的能量谱，估算用于确定所述流量数据的时间序列存在自相似的参数。

第二方面，本发明实施例提供了一种天地一体化信息网络流量预测装置，包括：

获取模块，用于获取天地一体化信息网络中预设时间段内的流量数据；

小波分解模块，用于利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

拟合模块，用于使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，所述任一时刻的尺度系数包括：所述预设时间段内相邻下一预设时间段内的预测尺度系数，以及所述任一时刻的小波系数包括：所述预设时间段内相邻下一预设时间段内的预测小波系数；

预测模块，用于对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。

第四方面，本发明实施例提供了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指令，当其在计算机上运行时，使得计算机执行上述第一方面任一的方法。

本发明实施例有益效果：

本发明实施例提供的一种天地一体化信息网络流量预测方法及装置，采用多项式模型拟合尺度系数，Laplace分布模型拟合小波系数，这样Laplace分布模型表征小波系数，实现系数分布与流量特性相关，并且，多项式模型表征尺度系数，实现对流量的准确模拟。使用更符合流量数据实际分布情况的Laplace分布，预测的流量数据更符合流量实际分布情况。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

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简单地介绍，显而易见地，下面描述中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为本发明实施例提供的天地一体化信息网络流量预测方法的流程示意图；

图2为本发明实施例的Kernel函数表征尺度系数的示意图；

图3为本发明实施例的Kernel函数表征小波系数的示意图；

图4为本发明实施例的多项式模型表征尺度系数的示意图；

图5为本发明实施例的Laplace分布模型表征小波系数的示意图；

图6为本发明实施例提供的天地一体化信息网络流量预测装置的结构示意图；

图7为本发明实施例提供的电子设备的结构示意图。

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。

为了方便理解本发明实施例，首先做如下介绍。

相关技术中的独立小波模型(Independent Wavelet Model，简称IMW)模型，预先假设流量数据分布属于独立高斯分布。然后，基于此假设，IMW模型先进行小波变换，得到小波系数和尺度系数，则得到小波系数和尺度系数也属于独立高斯分布；再通过对小波系数及尺度系数进行小波逆变换，恢复流量数据。而，此时恢复的流量数据存在负值，与实际流量数据不符。因而，IMW模型不能准确刻画实际流量数据。

为了克服恢复的流量数据存在负值，与实际流量数据不符的问题，发明人经过长期科学研究得到，流量数据的分布更接近于拉普拉斯Laplace分布。故，基于此，本发明实施例提供一种天地一体化信息网络流量预测方法及装置，采用多项式模型拟合尺度系数，Laplace分布模型拟合小波系数，这样Laplace分布模型表征小波系数，实现系数分布与流量特性相关，并且，多项式模型表征尺度系数，实现对流量的准确模拟。使用更符合流量数据实际分布情况的Laplace分布，预测的流量数据更符合流量实际分布情况。

本发明实施例一种天地一体化信息网络流量预测方法，可以应用于电子设备。具体的，该电子设备可以为：网络路由或者资源控制中心等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。

下面继续对本发明实施例提供的一种天地一体化信息网络流量预测方法进行详细介绍。

如图1所示，本发明实施例所提供的一种天地一体化信息网络流量预测方法，包括：

步骤11，获取天地一体化信息网络中预设时间段内的流量数据。其中，流量数据是指预设时间段内各单位采样时间间隔流量数据包总数量。

本发明实施例中的天地一体化信息网络是由天基骨干网、天基接入网、地基节点网组成，与未来互联网和移动通信网络互联互通。天地一体化网络的目的是为任何人在任何地点和任何时间为用户提供网络服务，实现全球无缝隙覆盖的信息传输。天地一体化信息网络是典型的动态多变的复杂异构网络，其可能包含：卫星间通信网络、星地通信网络、第三代移动通讯(third Generation，简称3G)/第四代移动通讯(four Generation，简称4G)/(5th Generation mobile networks，简称5G)地面移动通信网络、大规模传感网络等。天地一体化信息网络传输的数据类型，可能包括：多媒体业务、传统语音业务、超低时延业务、大规模机器通信业务等。

其中，上述的预设时间段可以是采样时间间隔的最大值，根据用户需要进行设置，比如几分钟或几小时，只要能够满足能够找出预设时间段内的流量数据的规律分布的时间段，均属于本发明实施例的保护范围。比如，1小时。

步骤12，利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数。

步骤13，使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，所述任一时刻的尺度系数包括：所述预设时间段内相邻下一预设时间段内的预测尺度系数，以及所述任一时刻的小波系数包括：所述预设时间段内相邻下一预设时间段内的预测小波系数。

步骤14，对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据。

本发明实施例中，采用多项式模型拟合尺度系数，Laplace分布模型拟合小波系数，这样Laplace分布模型表征小波系数，实现系数分布与流量特性相关，并且，多项式模型表征尺度系数，实现对流量的准确模拟。使用更符合流量数据实际分布情况的Laplace分布，预测的流量数据更符合流量实际分布情况。

为了能够验证预测下一预设时间段内的流量数据与预设时间段内的流量数据，本发明实施例还一种天地一体化信息网络流量预测方法，在上述步骤14之后，所述方法还包括：

验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度。

当然此处的验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度可以通过多种可能的方式实现。比如，在一种实现方式中，将预设时间段内流量数据的概率密度，与下一预设时间段内流量数据的概率密度进行相似度的比较，验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度。

再比如，在另一实现方式中，分别对预设时间段内流量数据和下一预设时间段内流量数据求解均方差，确定预设时间段内流量数据和下一预设时间段内流量数据之间的均方差误差，从而验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度。

还比如，将预设时间段内流量数据和下一预设时间段内流量数据之差平方之后，再求均值，从而验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度。

又比如，利用核平滑函数估计Kernel函数(Kernel Smoothing FunctionEstimate，简称KSFE)获取尺度系数和小波系数的概率密度，公式如下：

得到尺度系数的概率分布参见图2所示和小波系数的概率分布，参见图3所示。

这里，n为样本点，h为带宽，也叫窗口，h＞0为一个平滑参数，c为尺度系数(或小波系数)的最大值和最小值范围内的任意一个值，c为变量，c_i为第i个尺度系数或者小波系数，当获取尺度系数的概率密度时表示第i个尺度系数，当获取小波系数的概率密度时表示第i个小波系数。

为尺度系数或小波系数概率密度估计，x为流量数据的时间序列，i为序号，此处i表示第i个尺度系数或小波系数，K(x)称为核函数(Kermal fumction)，它通常满足对称性以及∫K(x)dx＝1。

本发明实施例中的核函数为：

上述矩形简单，计算量小。

本发明实施例中利用离散小波变换(Discrete Wavelet Transform，简称DWT)对收集到的天地一体化信息网络中的流量数据进行小波分解。小波基具有能够近似一大类函数的理想特性。此外，由于它们的尺度特征，可在各个时间尺度上对流量进行观察拟合修正，从而得到较为准确的结果和良好的全局近似特性。因此，本发明实施例提供的天地一体化信息网络流量预测方法中，上述步骤12可以通过如下两种任一方式实现，但并不限于以下两种具体实现方式：

在一种具体实现方式中，在到所述预设时间段内的小波系数和所述预设时间段内的尺度系数，包括：

将预设时间段内的流量数据和矩形尺度函数积分，并将所述预设时间段内的流量数据在区间[k2^-j，(k+1)2^-j]上的局部均值，确定为所述预设时间段内的尺度系数：

U_j，k＝∫X(t)φ_j，k(t)^dt

其中，U_j，k为所述预设时间段内的尺度系数，X(t)为预设时间段内的流量数据的序列，t为预设时间段，t＝1，2，3…，j＝0，1，2，3，…，n表示尺度，K表示不同移位位置，j，k∈Z，Z为整数集，φ_j，k(t)为矩形尺度函数，

当t＝2^jt-k时代入φ(t)中，得到φ(2^jt-k)，

将预设时间段内的流量数据和小波函数积分，并将所述预设时间段内的流量数据在[k2^-j，(k+1/2)2^-j]和[(k+1/2)2^-j，(k+1)2^-j]区间上的局部均值差，确定为所述预设时间段内的小波系数：

W_j，k＝∫X(t)ψ_j，k(t)dt

其中，W_j，k为所述预设时间段内的小波系数，ψ_j，k(t)为小波函数，dt为t的微元，∫为积分符合，j，k∈Z，Z为整数集，

当t＝2^jt-k时代入ψ(t)中，得到ψ(2^jt-k)，

Haar函数是最简单的一个小波函数，本文以haar小波进行介绍。Haar小波的尺度系数U_j，k是预设时间段内的流量数据和矩形尺度函数积分，并将所述预设时间段内的流量数据在区间[k2^-j，(k+1)2^-j]上的局部均值，确定为所述预设时间段内的尺度系数。小波系数W_j，k是预设时间段内的流量数据和小波函数积分，并将所述预设时间段内的流量数据在[k2^-j，(k+1/2)2^-j]和[(k+1/2)2^-j，(k+1)2^-j]区间上的局部均值差，确定为所述预设时间段内的小波系数，为了刻画尺度从j到j+1的细节情况，因此在另一种具体实现方式中，采用如下公式，小波系数和尺度系数可由下一尺度系数递归得到：

U_j-1，k＝2^-1/2(U_j，2k+U_j，2k+1)，W_j-1，k＝2^-1/2(U_j，2k-U_j，2k+1)，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

其中，U_j-1，k为第j-1尺度下的第k个尺度系数，U_j，2k为第j尺度下的第2k个尺度系数，U_j，2k+1为第j尺度下的第2k+1个尺度系数，W_j-1，k为第j-1尺度下第k个小波系数，A_j，k|W_j，k|＜U_j，k，A_j，k为随机因子，A_j，k∈[-1，1]。根据迭代公式，当满足限定条件|W_j，k|＜U_j，k就能保证非负性，否则引入随机因子A_j，k∈[-1，1]，保证A_j，k|W_j，k|＜U_j，k。

从而，haar小波逆变换就是由最粗尺度下的小波系数和尺度系数逐步递归计算得到更为精细尺度系数和小波系数，迭代公式如下：

U_j+1，2k＝2^-1/2(U_j，2k+W_j，2k)，U_j+1，2k+1＝2^-1/2(U_j，2k-W_j，2k)，在此不再详述。

为了兼顾离散小波变换多重分形的优点，保证流量非负性，其中系数分布Laplace选取更符合实际流量分布特性，本发明实施例提供的天地一体化信息网络流量预测方法中，上述步骤13可以通过如下方式实现：

采用最小二乘法，将多项式模型及训练数据集代入如下公式：

并将p_k的偏导设置为零，得到线性方程如下：

通过所述线性方程，求解得到所述多项式模型中每一项p_k；其中，所述多项式模型为y(x)＝p₀+p₁×x¹+p₂×x²+…+p_n×xⁿ，所述训练数据集为T＝[(1，a₁)，(2，a₂)，…，(J，a_J)]，L为误差值，∑为求和符号，i为序号，x为流量值的时间序列，x_i为第i个时间序列，J为x的总个数，k为x的阶数，m为最高阶数，p_k为变量x_k的系数，

为第i个时间序列x_i的k次方，y为采集的流量值，y_i为第i个流量值，

为第i个时间序列x_i的m次方，

为第i个时间序列x_i的2m次方，p₀为多项式的常数项系数，p₁为多项式的一阶项系数，p_m为多项式的m阶项系数，y(x)为关于流量值的时间序列x的函数，x^k为流量值的时间序列x的k次方；

上述时间序列举例如下：

假设采用频率为0.1秒采样一次，采样时间间隔t为0.1秒；频率也可以是0.01秒采样一次，采样时间间隔t为0.01秒。以采用频率为0.01秒采样一次为例，对应的x等于零，那第一次采样时间序列中的时间x₁等于1乘以0.01秒，x₂等于2乘以0.01秒，也就是0.02秒。此时间序列主要是由设备的采样频率确定的。而，流量值的时间序列x中各x_i表示比如t₁，t₂，t₃，t₄……t_i分别指的是1乘以0.01秒，2乘以0.01秒，3乘以0.01秒，4乘以0.01秒，……，i乘以0.01秒。当然以上仅仅是举例说明，在此并不做限定。流量值的时间序列x的最大值为预设时间段。0.1是时间间隔，假设i表示序列最大值，当i＝10时，t₁₀表示预设时间段。

参见图4所示，图4中虚线点表示流量数据经过离散小波变换后的真实尺度系数，实线表示多项式拟合结果。将已确定每一项的多项式方程，作为任一时刻的尺度系数的曲线拟合，其中，xca表示小波变换后的尺度系数，fca表示尺度系数对应的概率密度函数。

参见图5所示，图5中虚线点表示流量数据经过离散小波变换后的真实小波系数，实线表示Laplace分布模型拟合结果，其中，xcd表示小波变换后的小波系数，fcd表示小波系数对应的概率密度函数。采用拉普拉斯分布模型为：

并对所述拉普拉斯分布模型进行处理，得到如下任一时刻的小波系数的曲线拟合：

La(a，b)＝ce^-|x-a|/b

其中，所述f(x)为流量值的时间序列x的概率密度函数，所述La(a，b)为关于均值为a，方差为2b²的拉普拉斯分布，2b²的取值为预设时间段内的小波系数的方差，a的取值为预设时间段内的小波系数的均值，x为实数表示时间段，a的取值为预设时间段内的小波系数的均值，这样Laplace分布模型乘上系数，使得拟合数据更加准确。

为了预测下一预设时间段内的流量数据，本发明实施例提供的天地一体化信息网络流量预测方法中，上述步骤14可以通过如下方式实现：

采用如下公式，

预测下一预设时间段内的流量数据；

其中，其中，X′(t)为下一预设时间段内的流量数据，j₀为所有尺度中第一个尺度j₀，k为第k个系数。

为了对预测下一预设时间段内的流量数据进行自相似性分析，本发明实施例提供的天地一体化信息网络流量预测方法中，所述方法还包括：

通过小波系数的曲线拟合的能量谱，估算用于确定所述流量数据的时间序列存在自相似的参数。

上述参数可以是Hurst值，此Hurst值(H值)作为一种判断方法，上述H值是度量时间序列长相关程度的唯一参数，该参数根据实际数据按照长相关特性的幂指规律进行估计。

其中，通过公式计算H值；根据H值的范围判断所述流量数据的时间序列是否存在自相似。具体公式计算H值如下：

采样得到的流量数据包总数X在j层小波次数的能量平均值为Γ_j，n_j对应第j层的小波系数个数，那么：

对上式两边同时取对数得到log₂Γ_j与尺度j的线性关系，可得：

得到自相似参数H＝(k+1)/2；

其中，

是自相似参数H的无偏估计，c为常数。

经过上述H值的无偏估计，0.5＜H＜1，表明时间序列存在长期自相似性，通过Hurst的数值，确定所述流量数据的时间序列存在自相似性。原流量数据样本Hurst值为6.1533，预测的流量数据Hurst值为6.1358，表明本发明实施例的方法能够体现流量数据的自相似性。

下面继续对本发明实施例提供的一种天地一体化信息网络流量预测装置进行介绍。

参见图6，图6为本发明实施例提供的一种天地一体化信息网络流量预测装置的结构示意图。本发明实施例所提供的一种天地一体化信息网络流量预测装置，可以包括如下模块：

获取模块21，用于获取天地一体化信息网络中预设时间段内的流量数据；

小波分解模块22，用于利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

拟合模块23，用于使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，所述任一时刻的尺度系数包括：所述预设时间段内相邻下一预设时间段内的预测尺度系数，以及所述任一时刻的小波系数包括：所述预设时间段内相邻下一预设时间段内的预测小波系数；

预测模块24，用于对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据。

在一种可能的实现方式中，所述装置还包括：

验证模块，用于在所述对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据之后，验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度。

在一种可能的实现方式中，所述小波分解模块，具体用于：

所述利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数，包括：

将预设时间段内的流量数据和矩形尺度函数积分，并将所述预设时间段内的流量数据在区间[k2^-j，(k+1)2^-j]上的局部均值，确定为所述预设时间段内的尺度系数：

U_j，k＝∫X(t)φ_j，k(t)dt

其中，U_j，k为所述预设时间段内的尺度系数，X(t)为预设时间段内的流量数据的序列，t为预设时间段，t＝1，2，3…，j＝0，1，2，3，…，n表示尺度，K表示不同移位位置，j，k∈Z，Z为整数集，φ_j，k(t)为矩形尺度函数，

当t＝2^jt-k时代入φ(t)中，得到φ(2^jt-k)，

将预设时间段内的流量数据和小波函数积分，并将所述预设时间段内的流量数据在[k2^-j，(k+1/2)2^-j]和[(k+1/2)2^-j，(k+1)2^-j]区间上的局部均值差，确定为所述预设时间段内的小波系数：

W_j，k＝∫X(t)ψ_j，k(t)dt

其中，W_j，k为所述预设时间段内的小波系数，ψ_j，k(t)为小波函数，dt为t的微元，∫为积分符合，j，k∈Z，Z为整数集，

当t＝2^jt-k时代入ψ(t)中，得到ψ(2^jt-k)，

在一种可能的实现方式中，所述小波分解模块，具体用于：

采用如下公式：U_j-1，k＝2^-1/2(U_j，2k+U_j，2k+1)，W_j-1，k＝2^-1/2(U_j，2k-U_j，2k+1)，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

其中，U_j-1，k为尺度j-1下的第k个尺度系数，U_j，2k为尺度j下的第2k个尺度系数，U_j，2k+1为尺度j下的第2k+1个小波系数，W_j-1，k为尺度j-1下的第k个小波系数，A_j，k|W_j，k|＜U_j，k，A_j，k为随机因子，A_j，k∈[-1，1]。

在一种可能的实现方式中，所述拟合模块，具有用于：

采用最小二乘法，将多项式模型及训练数据集代入如下公式：

并将p_k的偏导设置为零，得到线性方程如下：

通过所述线性方程，求解得到所述多项式模型中每一项p_k；其中，所述多项式模型为y(x)＝p₀+p₁×x¹+p₂×x²+…+p_n×xⁿ，所述训练数据集为T＝[(1，a₁)，(2，a₂)，…，(J，a_J)]，L为误差值，∑为求和符号，i为序号，x为流量值的时间序列，x_i为第i个时间序列，J为x的总个数，k为x的阶数，m为最高阶数，p_k为变量x_k的系数，

为第i个时间序列x_i的k次方，y为采集的流量值，y_i为第i个流量值，

为第i个时间序列x_i的m次方，

为第i个时间序列x_i的2m次方，p₀为多项式的常数项系数，p₁为多项式的一阶项系数，p_m为多项式的m阶项系数，y(x)为关于流量值的时间序列x的函数，x^k为流量值的时间序列_x的k次方；

将已确定每一项的多项式方程，作为任一时刻的尺度系数的曲线拟合；

采用拉普拉斯分布模型为：

并对所述拉普拉斯分布模型进行处理，得到如下任一时刻的小波系数的曲线拟合：

La(a，b)＝ce^-|x-a|/b

其中，所述f(x)为流量值的时间序列x的概率密度函数，所述La(a，b)为关于均值为a，方差为2b²的拉普拉斯分布，2b²的取值为预设时间段内的小波系数的方差，a的取值为预设时间段内的小波系数的均值，x为实数表示时间段，a的取值为预设时间段内的小波系数的均值。

在一种可能的实现方式中，所述预测模块，具体用于：

采用如下公式，

预测下一预设时间段内的流量数据；

其中，X′(t)为下一预设时间段内的流量数据，j₀为所有尺度中第一个尺度j₀，k为第k个系数。

在一种可能的实现方式中，所述装置还包括：

估算模块，用于通过小波系数的曲线拟合的能量谱，估算Hurst；

自相似性确定模块，用于通过Hurst的数值，确定时间序列存在自相似性。

下面继续对本发明实施例提供的电子设备进行介绍。

参见图7，图7为本发明实施例提供的电子设备的结构示意图。本发明实施例还提供了一种电子设备，包括处理器31、通信接口32、存储器33和通信总线34，其中，处理器31，通信接口32，存储器33通过通信总线34完成相互间的通信，

存储器33，用于存放计算机程序；

处理器31，用于执行存储器33上所存放的程序时，实现上述(方法名称)的步骤，在本发明一个可能的实现方式中，可以实现如下步骤：

获取天地一体化信息网络中预设时间段内的流量数据；

利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，所述任一时刻的尺度系数包括：所述预设时间段内相邻下一预设时间段内的预测尺度系数，以及所述任一时刻的小波系数包括：所述预设时间段内相邻下一预设时间段内的预测小波系数；

对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据。

上述电子设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的天地一体化信息网络流量预测方法的步骤。

本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的天地一体化信息网络流量预测方法的步骤。

本发明实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述的天地一体化信息网络流量预测方法的步骤。

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“包括一个……”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。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种天地一体化信息网络流量预测方法，其特征在于，包括：

获取天地一体化信息网络中预设时间段内的流量数据；

利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，所述任一时刻的尺度系数包括：所述预设时间段内相邻下一预设时间段内的预测尺度系数，以及所述任一时刻的小波系数包括：所述预设时间段内相邻下一预设时间段内的预测小波系数；

对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据。

2.如权利要求1所述的方法，其特征在于，在所述对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据之后，所述方法还包括：

验证所述下一预设时间段内的流量数据，与所述预设时间段内的流量数据之间的差异大小及吻合程度。

3.如权利要求1所述的方法，其特征在于，所述利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数，包括：

将预设时间段内的流量数据和矩形尺度函数积分，并将所述预设时间段内的流量数据在区间[k2^-j，(k+1)2^-j]上的局部均值，确定为所述预设时间段内的尺度系数：

U_j，k＝∫X(t)φ_j，k(t)dt

其中，U_j，k为所述预设时间段内的尺度系数，X(t)为预设时间段内的流量数据的序列，t为采样时间间隔，t的最大值为预设时间间隔，t＝1，2，3…，j＝0，1，2，3，…，n表示尺度，K表示不同移位位置，j，k∈Z，Z为整数集，φ_j，k(t)为矩形尺度函数，

当t＝2^jt-k时代入φ(t)中，得到φ(2^jt-k)，

将预设时间段内的流量数据和小波函数积分，并将所述预设时间段内的流量数据在[k2^-j，(k+1/2)2^-j]和[(k+1/2)2^-j，(k+1)2^-j]区间上的局部均值差，确定为所述预设时间段内的小波系数：

W_j，k＝∫X(t)ψ_j，k(t)dt

其中，W_j，k为所述预设时间段内的小波系数，ψ_j，k(t)为小波函数，dt为t的微元，∫为积分符合，j，k∈Z，Z为整数集，

当t＝2^jt-k时代入ψ(t)中，得到ψ(2^jt-k)，

4.如权利要求1所述的方法，其特征在于，所述利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数，包括：

采用如下公式：U_j-1，k＝2^-1/2(U_j，2k+U_j，2k+1)，W_j-1，k＝2^-1/2(U_j，2k-U_j，2k+1)，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

其中，U_j-1，k为尺度j-1下的第k个尺度系数，U_j，2k为尺度j下的第2k个尺度系数，U_j，2k+1为尺度j下的第2k+1个小波系数，W_j-1，k为尺度j-1下的第k个小波系数，A_j，k|W_j，k|＜U_j，k，A_j，k为随机因子，A_j，k∈[-1，1]。

5.如权利要求1所述的方法，其特征在于，所述使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，包括：

采用最小二乘法，将多项式模型及训练数据集代入如下公式：

并将p_k的偏导设置为零，得到线性方程如下：

通过所述线性方程，求解得到所述多项式模型中每一项p_k；其中，所述多项式模型为y(x)＝p₀+p₁×x¹+p₂×x²+…+p_n×xⁿ，所述训练数据集为T＝[(1，a₁)，(2，a₂)，…，(J，a_J)]，L为误差值，∑为求和符号，i为序号，x为流量值的时间序列，x_i为第i个时间序列，J为x的总个数，k为x的阶数，m为最高阶数，p_k为变量x_k的系数，

为第i个时间序列x_i的k次方，y为采集的流量值，y_i为第i个流量值，

为第i个时间序列x_i的m次方，

为第i个时间序列x_i的2m次方，p₀为多项式的常数项系数，p₁为多项式的一阶项系数，p_m为多项式的m阶项系数，y(x)为关于流量值的时间序列x的函数，x^k为流量值的时间序列x的k次方；

将已确定每一项的多项式方程，作为任一时刻的尺度系数的曲线拟合；

采用拉普拉斯分布模型为：

并对所述拉普拉斯分布模型进行处理，得到如下任一时刻的小波系数的曲线拟合：

La(a，b)＝ce^-|x-a|/b

其中，所述f(x)为流量值的时间序列x的概率密度函数，所述La(a，b)为关于均值为a，方差为2b²的拉普拉斯分布，2b²的取值为预设时间段内的小波系数的方差，a的取值为预设时间段内的小波系数的均值，x为实数表示时间段，a的取值为预设时间段内的小波系数的均值。

6.如权利要求5所述的方法，其特征在于，所述对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据，包括：

采用如下公式，

预测下一预设时间段内的流量数据；

其中，X′(t)为下一预设时间段内的流量数据，j₀为所有尺度中第一个尺度j₀，k为第k个系数。

7.如权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：

通过小波系数的曲线拟合的能量谱，估算用于确定所述流量数据的时间序列存在自相似的参数。

8.一种天地一体化信息网络流量预测装置，其特征在于，包括：

获取模块，用于获取天地一体化信息网络中预设时间段内的流量数据；

小波分解模块，用于利用离散小波变换对所述流量数据进行小波分解，得到所述预设时间段内的小波系数和所述预设时间段内的尺度系数；

拟合模块，用于使用多项式模型拟合所述预设时间段内的尺度系数，拉普拉斯分布模型拟合所述预设时间段内的尺度系数，得到任一时刻的尺度系数的曲线拟合，以及任一时刻的小波系数的曲线拟合，所述任一时刻的尺度系数包括：所述预设时间段内相邻下一预设时间段内的预测尺度系数，以及所述任一时刻的小波系数包括：所述预设时间段内相邻下一预设时间段内的预测小波系数；

预测模块，用于对所述预测尺度系数以及所述预测小波系数进行小波逆变换，预测下一预设时间段内的流量数据。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。

10.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。

Images