CN112787882A - 一种物联网边缘流量预测方法、装置及设备 - Google Patents
一种物联网边缘流量预测方法、装置及设备 Download PDFInfo
- Publication number
- CN112787882A CN112787882A CN202011560259.3A CN202011560259A CN112787882A CN 112787882 A CN112787882 A CN 112787882A CN 202011560259 A CN202011560259 A CN 202011560259A CN 112787882 A CN112787882 A CN 112787882A
- Authority
- CN
- China
- Prior art keywords
- data
- volume
- data transmission
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005540 biological transmission Effects 0.000 claims abstract description 61
- 230000007787 long-term memory Effects 0.000 claims abstract description 23
- 230000006403 short-term memory Effects 0.000 claims abstract description 23
- 230000007774 longterm Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 3
- 238000013500 data storage Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本说明书实施例公开了一种物联网边缘流量预测方法、装置及设备。方案包括:获取历史数据量和当前时段数据传输量;对历史数据量和当前时段数据传输量分别进行数据时间对齐;对对齐后的历史数据量和当前时段数据传输量进行数据拟合;采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。本方案根据物联网边缘流量的不确定性,提出了应用LSTM和灰色模型相结合的方法进行长短期流量预测,从而实现了边缘流量的全方位预测,有效解决物联网终端的数据存储和预计算,提高物联网边缘流量预测的准确性。
Description
技术领域
本申请涉及物联网技术领域,尤其涉及一种物联网边缘流量预测方法、装置及设备。
背景技术
智能设备的普及,带动了物联网技术的应用和发展。物联网数据是分布式的管理,海量物联网数据已不适合传统数据的管理方式。物联网是新一代信息技术的重要组成部分,同样是信息发展的重大标志。物联网通过连接智能设备,使得异构实体之间更容易收集、流通、处理和共享数据。
传感器是物联网的节点,通过物联网连接的设备和技术可以实时监控和测量数据,从而节省时间和金钱,物联网各节点之间会进行信息传递和数据传输,那么如何根据各节点历史数据传输量和当前时段数据传输量来预测未来数据传输量是一个值得研究的方向。
发明内容
有鉴于此,本申请实施例提供了一种物联网边缘流量预测方法、装置及设备,用于提高物联网边缘流量预测的准确性。
为解决上述技术问题,本说明书实施例是这样实现的:
第一方面,本说明书实施例提供的一种物联网边缘流量预测方法,包括:
获取历史数据量和当前时段数据传输量;
对历史数据量和当前时段数据传输量分别进行数据时间对齐;
对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
可选的,所述灰色模型用于短期数据预测,所述长短期记忆网络用于长期数据预测。
可选的,所述采用灰色模型和长短期记忆网络对拟合后的数据进行预测,具体包括:
设定时间阈值T,当历史时刻t≤T时,采用灰色模型对下一时刻的数据值进行预测,当历史时刻t>T时,采用长短期记忆网络对下一时刻的数据值进行预测进行预测,根据两者的预测结果进行加权平均得到最终的预测数值。
可选的,所述对历史数据量和当前时段数据传输量分别进行数据时间对齐,具体包括:
根据历史数据量确定变化变化曲线;
采用动态时间规整算法将当前时间段数据传输量和所述变化曲线进行时间对齐。
可选的,所述采用动态时间规整算法将当前时间段数据传输量和所述变化曲线进行时间对齐,具体包括:
确定所述当前时间段数据传输量的第一时间序列;
确定所述变化曲线的第二时间序列;
判断所述第一时间序列和所述第二时间序列的长度是否相同,得到判断结果;
当所述判断结果表示所述第一时间序列和所述第二时间序列的长度相同时,计算所述第一时间序列与所述第二时间序列的距离。
可选的,所述方法还包括:
当所述判断结果表示所述第一时间序列和所述第二时间序列的长度不相同时,根据所述第一时间序列的长度和所述第二时间序列的长度构造一个矩阵网络,矩阵某一位置的元素为两个点的距离,通过动态回归的方法寻找一条通过此网络中若干格点的路径,路径通过的格点即为两个序列进行计算的对齐的点。
可选的,所述长短期记忆网络具有长短时记忆功能,包括:遗忘门、输入门和输出门。
第二方面,本说明书实施例提供的一种物联网边缘流量预测装置,包括:
数据获取模块,用于获取历史数据量和当前时段数据传输量;
数据对齐模块,用于对历史数据量和当前时段数据传输量分别进行数据时间对齐;
数据拟合模块,用于对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
数据预测模块,用于采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
第三方面,本说明书实施例提供的一种物联网边缘流量预测设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取历史数据量和当前时段数据传输量;
对历史数据量和当前时段数据传输量分别进行数据时间对齐;
对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
第四方面,本说明书实施例提供的一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现:
获取历史数据量和当前时段数据传输量;
对历史数据量和当前时段数据传输量分别进行数据时间对齐;
对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本方案根据物联网边缘流量的不确定性,提出了应用LSTM和灰色模型相结合的方法进行长短期流量预测,从而实现了边缘流量的全方位预测,有效解决物联网终端的数据存储和预计算,提高物联网边缘流量预测的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种物联网边缘流量预测方法的流程示意图;
图2为本说明书实施例提供的LSTM工作过程;
图3为本说明书实施例提供的对应于图1的一种物联网边缘流量预测装置的结构示意图;
图4为本说明书实施例提供的对应于图1的一种物联网边缘流量预测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种物联网边缘流量预测方法的流程示意图。从程序角度而言,流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图1所示,该流程可以包括以下步骤:
步骤110:获取历史数据量和当前时段数据传输量。
物联网的节点是传感器,传感器从物联网消费者收集信息,例如安全系统、智能电气等,另外,传感器也可从商业设备中收集。传感器收集数据,数据可以被传输、保存,并且可以进行随时检索。要预测未来物联网各节点的数据传输量,就需要先获取当前和历史数据量,作为输入数据,使用预测模型进行预测。
步骤120:对历史数据量和当前时段数据传输量分别进行数据时间对齐。
根据实际生活情况,一天从早到晚物联网各节点的数据传输量是有较大差异的,所以可把一天划分为若干个时间段,每个时间段包含若干个时间片,对某一时间片车流量信息的预测可仅依赖于该时间段的历史数据量和当前时间段的数据量。物联网各节点的数据传输量在一天中会有高峰时期,每日的数据传输量高峰期出现的时间可能会存在一定程度的偏移,因此,需要使用动态时间规整算法将当前时间段的数据量和变化曲线进行时间对齐,从而得到下一批次数据的到达速率。其中,变化曲线是指随着时间的变化数据传输量的变化而形成的曲线。变化曲线是由历史数据传输量的记载而形成。
当前时间段的数据量和变化曲线分别为两个时间序列,假设二者的长度分别是n和m,若n=m,则可直接计算两个序列的距离,根据动态规整算法,对原始序列拉伸到相同的时间长度,找到一条最优规整路径,即认为第一个时间序列的第i个点和第二个时间序列的j个点是相似的,所有相似点的距离之和作为规整路径距离,规整路径规定了两个序列的对齐方式。
若n不等于m,则可以构造一个n*m的矩阵网络,矩阵某一位置的元素为两个点的距离,通过动态回归的方法寻找一条通过此网格中若干格点的路径,路径通过的格点即为两个序列进行计算的对齐的点。其中,根据动态规整算法会找到一条规整路径,规整路径规定了两个序列的对齐方式,即可得到时间规整序列,规整路径距离矩阵D(i,j)=Dist(i,j)+min{D(i-1,j),D(i,j-1),D(i-1,j-1)},Dist(i,j)表示X序列第i个点与Y序列第j个点之间的距离。
步骤130:对对齐后的历史数据量和当前时段数据传输量进行数据拟合。
收集了历史数据量和当前传输的数据量后,进行数据处理,将数据传输量和变化曲线进行时间对齐,对齐后,开始根据数据量和曲线进行拟合。数据拟合处理可用多种算法,例如灰色模型、长短期记忆网络、递归神经网络等。其中,灰色模型适用于短期数据预测,长短期记忆网络适用于长期数据预测。设定某个时间阈值T,当某历史时刻t≤T时,采用灰色模型来对下一时刻的数据值进行预测,当时刻t>T时,采用长短期记忆网络进行预测,然后根据两者的预测结果进行加权平均得到最终的预测数值。其中,历史时刻指的是数据输出时间,若传输时间较短小于阈值T,应用灰色模型进行预测,否则用LSTM模型进行预测。
步骤140:采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
灰色模型的预测步骤如下:
(1)数据的检验与处理
对已知数据进行检验处理可以保证GM(1,1)建模方法的可行性。
设原始数据列为x(0)=(x(0)(1),x(0)(2),…x(0)(n)),计算数列的级比
(2)建立GM(1,1)模型
设x(0)=(x(0)(1),x(0)(2),…x(0)(n))满足上面的要求,以它为数据列建立GM(1,1)模型x(0)(k)+αz(1)(k)=b,用回归分析求得a,b的估计值,于是相应的白化模型为
于是得到预测值
从而相应的得到预测值
(3)检验预测值
检验预测值有两种,一种是残差检验,计算相对残差;另一种是级比偏差值检验。
残差检验如下:
如果对所有的|ε(k)|<0.1,则认为到达较高的要求;否则,若对所有的|ε(k)|<0.2,则认为达到一般要求。
级比偏差值检验如下:
如果对所有的|ρ(k)|<0.1,则认为达到较高的要求;否则,若对于所有的|ρ(k)|<0.2,则认为达到一般要求。
3.2长短期记忆网络(LSTM)
长短期记忆网络是一种时间递归神经网络,适合处理和预测时间序列中间隔和延迟相对较长的重要事件。长短期记忆网络具有长短时记忆功能,主要由3个门(遗忘门、输入门和输出门)组成,通过三个门的配合更高效地处理长时间序列。长短期记忆网络结构如图3所示。
LSTM的工作原理如下:
(1)LSTM中的第一步会确定什么信息将从元胞状态中被丢弃,确定过程由“遗忘门”的sigmoid层产生,该层的输入是和,输出是一个0到1的系数,元胞状态中的每个数字都要与该系数相乘。
(2)第二步是决定哪些新信息将被存储到元胞状态中,这包含两个过程。首先是通过“输入门”的sigmoid层决定要更新的值,然后,通过tanh层创建一个新的可被加入元胞状态候选值向量,最后结合以上的值和向量更新状态。
(3)最后是决定输出是什么,这个输出需要基于元胞状态。首先使用“输出门”的sigmoid层决定元胞状态哪部分将会被输出,然后,将元胞状态经过tanh层,将值规范化;最后,将得到的值乘以sigmoid层输出的结果即可得到输出的部分。
图1所示的方法,根据物联网边缘流量的不确定性,采用LSTM和灰色模型相结合的方法进行长短期流量预测,从而实现了边缘流量的全方位预测,有效解决物联网终端的数据存储和预计算,提高物联网边缘流量预测的准确性。
基于同样的思路,本说明书实施例还提供了上述方法对应的装置。图3为本说明书实施例提供的对应于图1的一种物联网边缘流量预测装置的结构示意图。如图3所示,该装置可以包括:
数据获取模块310,用于获取历史数据量和当前时段数据传输量;
数据对齐模块320,用于对历史数据量和当前时段数据传输量分别进行数据时间对齐;
数据拟合模块330,用于对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
数据预测模块340,用于采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
可选的,所述灰色模型用于短期数据预测,所述长短期记忆网络用于长期数据预测。
可选的,所述采用灰色模型和长短期记忆网络对拟合后的数据进行预测,具体包括:
设定时间阈值T,当历史时刻t≤T时,采用灰色模型对下一时刻的数据值进行预测,当历史时刻t>T时,采用长短期记忆网络对下一时刻的数据值进行预测进行预测,根据两者的预测结果进行加权平均得到最终的预测数值。
可选的,所述对历史数据量和当前时段数据传输量分别进行数据时间对齐,具体包括:
根据历史数据量确定变化变化曲线;
采用动态时间规整算法将当前时间段数据传输量和所述变化曲线进行时间对齐。
可选的,所述采用动态时间规整算法将当前时间段数据传输量和所述变化曲线进行时间对齐,具体包括:
确定所述当前时间段数据传输量的第一时间序列;
确定所述变化曲线的第二时间序列;
判断所述第一时间序列和所述第二时间序列的长度是否相同,得到判断结果;
当所述判断结果表示所述第一时间序列和所述第二时间序列的长度相同时,计算所述第一时间序列与所述第二时间序列的距离。
可选的,所述方法还包括:
当所述判断结果表示所述第一时间序列和所述第二时间序列的长度不相同时,根据所述第一时间序列的长度和所述第二时间序列的长度构造一个矩阵网络,矩阵某一位置的元素为两个点的距离,通过动态回归的方法寻找一条通过此网络中若干格点的路径,路径通过的格点即为两个序列进行计算的对齐的点。
可选的,所述长短期记忆网络具有长短时记忆功能,包括:遗忘门、输入门和输出门。
图4为本说明书实施例提供的对应于图1的一种物联网边缘流量预测设备的结构示意图。如图4所示,所述物联网边缘流量预测设备,包括:
至少一个处理器410;以及,
与所述至少一个处理器410通信连接的存储器;其中,
所述存储器430存储有可被所述至少一个处理器410执行的指令420,所述指令420被所述至少一个处理器410执行,以使所述至少一个处理器410能够:
获取历史数据量和当前时段数据传输量;
对历史数据量和当前时段数据传输量分别进行数据时间对齐;
对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
本说明书实施例还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现以下物联网边缘流量预测方法:
获取历史数据量和当前时段数据传输量;
对历史数据量和当前时段数据传输量分别进行数据时间对齐;
对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,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,对于系统实施例而言,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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种物联网边缘流量预测方法,其特征在于,包括:
获取历史数据量和当前时段数据传输量;
对历史数据量和当前时段数据传输量分别进行数据时间对齐;
对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
2.如权利要求1所述的方法,其特征在于,所述灰色模型用于短期数据预测,所述长短期记忆网络用于长期数据预测。
3.如权利要求1所述的方法,其特征在于,所述采用灰色模型和长短期记忆网络对拟合后的数据进行预测,具体包括:
设定时间阈值T,当历史时刻tjT时,采用灰色模型对下一时刻的数据值进行预测,当历史时刻t>T时,采用长短期记忆网络对下一时刻的数据值进行预测进行预测,根据两者的预测结果进行加权平均得到最终的预测数值。
4.如权利要求1所述的方法,其特征在于,所述对历史数据量和当前时段数据传输量分别进行数据时间对齐,具体包括:
根据历史数据量确定变化变化曲线;
采用动态时间规整算法将当前时间段数据传输量和所述变化曲线进行时间对齐。
5.如权利要求1所述的方法,其特征在于,所述采用动态时间规整算法将当前时间段数据传输量和所述变化曲线进行时间对齐,具体包括:
确定所述当前时间段数据传输量的第一时间序列;
确定所述变化曲线的第二时间序列;
判断所述第一时间序列和所述第二时间序列的长度是否相同,得到判断结果;
当所述判断结果表示所述第一时间序列和所述第二时间序列的长度相同时,计算所述第一时间序列与所述第二时间序列的距离。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
当所述判断结果表示所述第一时间序列和所述第二时间序列的长度不相同时,根据所述第一时间序列的长度和所述第二时间序列的长度构造一个矩阵网络,矩阵某一位置的元素为两个点的距离,通过动态回归的方法寻找一条通过此网络中若干格点的路径,路径通过的格点即为两个序列进行计算的对齐的点。
7.如权利要求1所述的方法,其特征在于,所述长短期记忆网络具有长短时记忆功能,包括:遗忘门、输入门和输出门。
8.一种物联网边缘流量预测装置,其特征在于,包括:
数据获取模块,用于获取历史数据量和当前时段数据传输量;
数据对齐模块,用于对历史数据量和当前时段数据传输量分别进行数据时间对齐;
数据拟合模块,用于对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
数据预测模块,用于采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
9.一种物联网边缘流量预测设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取历史数据量和当前时段数据传输量;
对历史数据量和当前时段数据传输量分别进行数据时间对齐;
对对齐后的历史数据量和当前时段数据传输量进行数据拟合;
采用灰色模型和长短期记忆网络对拟合后的数据进行预测,得到预测结果。
10.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1至7中任一项所述的物联网边缘流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560259.3A CN112787882A (zh) | 2020-12-25 | 2020-12-25 | 一种物联网边缘流量预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560259.3A CN112787882A (zh) | 2020-12-25 | 2020-12-25 | 一种物联网边缘流量预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112787882A true CN112787882A (zh) | 2021-05-11 |
Family
ID=75752386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011560259.3A Pending CN112787882A (zh) | 2020-12-25 | 2020-12-25 | 一种物联网边缘流量预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112787882A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358164A (zh) * | 2021-06-07 | 2021-09-07 | 芯视界(北京)科技有限公司 | 流量检测方法及装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981372A (zh) * | 2019-04-03 | 2019-07-05 | 华南理工大学 | 基于边缘计算的流式大数据处理方法及系统 |
CN110210648A (zh) * | 2019-04-30 | 2019-09-06 | 南京航空航天大学 | 基于灰色长短期记忆网络的管制空域战略流量预测方法 |
CN111369075A (zh) * | 2020-03-31 | 2020-07-03 | 上海应用技术大学 | 运量预测方法 |
CN111561734A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的供暖户阀调节方法、系统及设备 |
-
2020
- 2020-12-25 CN CN202011560259.3A patent/CN112787882A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981372A (zh) * | 2019-04-03 | 2019-07-05 | 华南理工大学 | 基于边缘计算的流式大数据处理方法及系统 |
CN110210648A (zh) * | 2019-04-30 | 2019-09-06 | 南京航空航天大学 | 基于灰色长短期记忆网络的管制空域战略流量预测方法 |
CN111369075A (zh) * | 2020-03-31 | 2020-07-03 | 上海应用技术大学 | 运量预测方法 |
CN111561734A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的供暖户阀调节方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
张普宁等: "相似度自适应估计的物联网实体高效搜索方法", 《电子与信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358164A (zh) * | 2021-06-07 | 2021-09-07 | 芯视界(北京)科技有限公司 | 流量检测方法及装置、电子设备和存储介质 |
CN113358164B (zh) * | 2021-06-07 | 2024-03-05 | 芯视界(北京)科技有限公司 | 流量检测方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN107944594B (zh) | 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法 | |
CN110210656B (zh) | 基于站点行为分析的共享单车流量预测方法及系统 | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
Sundararajan et al. | Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors | |
Yu et al. | Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast | |
CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
CN113360848A (zh) | 一种时序数据预测方法及装置 | |
CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 | |
CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
CN117081941A (zh) | 基于注意力机制的流量预测方法及其装置、电子设备 | |
Xu et al. | Federated learning for interpretable short-term residential load forecasting in edge computing network | |
CN113011674A (zh) | 一种光伏发电预测方法、装置、电子设备及存储介质 | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
Bashir et al. | Smart buildings Cooling and Heating Load Forecasting Models | |
CN113379455B (zh) | 订单量预测方法和设备 | |
Nayak et al. | Short-term wind speed forecasting using multi-source multivariate rnn-lstms | |
Yu et al. | A Deep Learning-Based Multi-model Ensemble Method for Hydrological Forecasting | |
Huy et al. | Short-Term Load Forecasting in Power System Using Recurrent Neural Network | |
CN114710413B (zh) | 一种银行网点网络状态的预测方法及装置 | |
CN116957166B (zh) | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |