CN112910710B - 网络流量时空预测方法、装置、计算机设备和存储介质 - Google Patents
网络流量时空预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112910710B CN112910710B CN202110188316.8A CN202110188316A CN112910710B CN 112910710 B CN112910710 B CN 112910710B CN 202110188316 A CN202110188316 A CN 202110188316A CN 112910710 B CN112910710 B CN 112910710B
- Authority
- CN
- China
- Prior art keywords
- network
- graph
- temporary
- spatial
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance 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
- 238000005295 random walk Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种网络流量时空预测方法、装置、计算机设备和存储介质。所述方法包括：聚集网络节点与其邻居之间的拓扑关系，构建临时图，并使用互相关系数对临时图进行量化，将量化后的临时图作为空间输入，将网络流量的历史观测值作为时间输入，输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。该方法用互相关系数对网络节点之间的拓扑关系进行量化，可以更准确地刻画网络节点之间的拓扑关系，根据网络节点的拓扑结构和历史观测值预测下一时间段内的网络流量，提高了网络流量预测的准确率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种网络流量时空预测方法、装置、计算机设备和存储介质。
背景技术
随着互联网、5G等技术的快速发展，各式各样的软件被开发，并以网络服务的形式呈现给用户。然而随着服务的数量快速增加，网络服务的管理也面临新的挑战。对于网络服务的管理者而言，计算资源的动态配置变得困难。以某新闻网站为例，当发生突发新闻事件时，用户的短时访问量激增，从而导致服务器负载过高，部分功能瘫痪。
网络流量的精准预测可以辅助计算资源的动态合理配置，使企业所提供的网络服务更加稳定。传统的网络流量预测方法不能精准预测网络流量。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高网络流量预测准确性的网络流量时空预测方法、装置、计算机设备和存储介质。
第一方面，提供了一种网络流量时空预测方法，该方法包括：
获取预设时间段内网络流量的历史观测值；
获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，该临时图用于记录该历史观测值中每一个网络节点以及该每一个网络节点的邻居之间的拓扑关系；
使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
在其中一个实施例中，该神经网络模型包括谱图卷积神经网络子模型和循环神经网络子模型；将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段网络流量的预测值，包括：
根据该量化后的临时图，构建拉普拉斯矩阵；
利用谱图卷积神经网络子模型从该拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量；
使用循环神经网络子模型中的门控循环单元、该网络节点的历史观测值对该空间隐向量进行时间维度的建模，得到对应的时间隐向量；
利用该训练好的神经网络模型中的全连接层对该时间隐向量进行回归预测，得到下一时间段内网络流量的预测值。
在其中一个实施例中，该利用谱图卷积神经网络子模型从该拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量，包括：
在谱图卷积过程中根据图卷积算子以及拉普拉斯矩阵建立切比雪夫多项式，提取得到空间隐向量；
该使用循环神经网络子模型中的门控循环单元、该网络节点的历史观测值对该空间隐向量进行时间维度的建模，得到对应的时间隐向量，包括：
该循环神经网络子模型中的门控循环单元中引入该图卷积算子，根据该网络节点的历史观测值以及该图卷积算子计算重置门、更新门的状态；
根据该重置门的状态以及网络节点的历史观测值进行计算，得到候选隐藏状态；
根据该候选隐藏状态和更新门进行计算，得到时间隐向量。
在其中一个实施例中，对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图，包括：
对于该历史观测值中的每一个网络节点，进行深度为K的邻居搜索，构建该网络节点的邻居关系图；其中，该深度K与该谱图卷积神经网络子模型中的谱图卷积核的感受野保持一致。
在其中一个实施例中，该神经网络模型的训练过程，包括：
获取预设时间段内网络流量的历史观测值；
获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；
使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
将该量化后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值；
根据该下一时间段内网络流量的预测值与下一时间段内网络流量的真实值之间的误差，对该初始神经网络模型中的参数进行调整，当该误差小于预设误差阈值时，得到训练好的神经网络模型。
在其中一个实施例中，该使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图，包括：
每隔预设时间间隔，获取当前时刻该临时图中网络节点之间的互相关系数，使用最新的互相关系数量化并更新该网络节点之间的拓扑关系，得到更新后的临时图；
将该量化后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值，包括：
将该更新后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值。
在其中一个实施例中，根据该空间拓扑图和该每一个网络节点的邻居关系图，构建临时图，包括：
从该历史观测值中随机选取预设数量个网络节点，将该网络节点的邻居关系图进行结合，得到该临时图。
第二方面，提供了一种网络流量时空预测装置，该装置包括：
获取模块，用于获取预设时间段内网络流量的历史观测值；
第一构建模块，用于获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
第二构建模块，用于对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
第三构建模块，用于根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，该临时图用于记录该历史观测值中每一个网络节点以及该每一个网络节点的邻居之间的拓扑关系；
量化模块，用于使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
预测模块，用于将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
获取预设时间段内网络流量的历史观测值；
获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，该临时图用于记录该历史观测值中每一个网络节点以及该每一个网络节点的邻居之间的拓扑关系；
使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取预设时间段内网络流量的历史观测值；
获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，该临时图用于记录该历史观测值中每一个网络节点以及该每一个网络节点的邻居之间的拓扑关系；
使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
上述网络流量时空预测方法、装置、计算机设备和存储介质，通过聚集网络节点与其邻居之间的拓扑关系，构建临时图，并使用互相关系数对临时图进行量化，将量化后的临时图作为空间输入，将网络流量的历史观测值作为时间输入，输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。该方法用互相关系数对网络节点之间的拓扑关系进行量化，可以更准确地刻画网络节点之间的拓扑关系，根据网络节点的拓扑结构和历史观测值预测下一时间段内的网络流量，提高了网络流量预测的准确率。
附图说明
图1为一个实施例中网络流量时空预测方法的应用环境图；
图2为一个实施例中网络流量时空预测方法的流程示意图；
图3为一个实施例中网络流量时空预测方法的结构示意图；
图4为另一个实施例中网络流量时空预测方法中邻居关系的示意图；
图5为一个实施例中网络流量时空预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
随着互联网、5G等技术的快速发展，各式各样的软件被开发，并以网络服务的形式呈现给用户。在这种模式下，用户的各种需求得到满足，企业也获得回报，然而随着服务的数量快速增加，网络服务的管理也面临新的挑战。对于网络服务的管理者而言，计算资源的动态配置变得困难。以某新闻网站为例，当发生突发新闻事件时，用户的短时访问量激增，从而导致服务器负载过高，部分功能瘫痪。网络流量的精准预测可以辅助计算资源的动态合理配置，使企业所提供的网络服务更加稳定。随着网络服务(信息)的数量爆炸式的增长，舆情监管也面临新的挑战。网络流量的精准预测亦可以辅助定位重点、大流量的网络站点。因此，网络流量的精准预测越来越被当今社会所需要。
在网络流量的预测问题中，网络节点之间的空间依赖关系(例如两个网站的状态转移概率)需要被考虑。然而，由于网络节点的关系复杂，因此难以对网络中局部拓扑结构的空间信息抽取。本申请使用谱图卷积核对图进行分析建模，相比于一般的空间卷积，谱图卷积可以从图所对应的邻接矩阵的谱上进行局部化的特征抽取。本申请还考虑了图结构随时间演化的情况，对应的动态更新算法辅助神经网络更泛化地拟合训练数据，最终精准预测网络流量的变化趋势。
本申请提供的网络流量时空预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种网络流量时空预测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取预设时间段内网络流量的历史观测值。
其中，网络流量的历史观测值是指网络节点的访问流量(即访问次数)，访问流量包括了需要预测流量的网络节点在预设时间段内的访问流量，网络节点可以为网站等需要预测流量的节点。
具体地，根据预测的需求获取预设时间段内网络节点的访问流量，可以将预设时间段内网络节点的访问流量以日为单位进行整理，将所有网络节点的访问流量取对数，可以消除不同网络节点的访问流量之间的数据级差异对网络预测造成的影响。预设时间段可以为一年、一个月，也可以为其他一段时间，本实施例在此不做限定。例如，需要预测1-20号网络节点在未来5天的网络流量，用xi表示网络节点的流量观测值，
其中
表示网络节点i于t0时刻的观测值，获取过去一个月内1-20号网络节点的访问流量，以日为单位对访问流量进行整理，并将访问流量取对数，即xi←log(xi+1)，得到这20个网络节点的历史观测值。
步骤204，获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图。
其中，网络节点之间的空间拓扑关系是指网络节点之间的超链接关系，也可以说是空间指向关系或者空间依赖关系。网络节点之间的空间拓扑关系是非欧式空间的数据，即非结构化的数据，每个顶点的邻居结点的个数可能不一样。
具体地，利用网络爬虫对需要预测流量的网络节点(即网站)进行分析，获取网络节点之间的超链接关系，构建网络节点之间的空间拓扑图，可以用邻接矩阵来表示空间拓扑图。例如，若存在超链接从网站i指向网站j，则认为空间拓扑图所对应的邻接矩阵A中有Aij＝1，反之Aij＝0。
步骤206，对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图。
具体地，对于需要预测流量的网络节点进行邻居搜索，即查找与该网络节点有超链接关系的网络节点，并记录该网络节点的邻居关系图。
步骤208，根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，该临时图用于记录该历史观测值中每一个网络节点以及该每一个网络节点的邻居之间的拓扑关系。
具体地，根据需要预测流量的网络节点以及每一个网络节点的邻居节点，构建这些节点之间的拓扑关系图，即临时图。由于不同时刻爬虫采集到的网络节点的邻居可能不同，因此使用临时图刻画当前时刻需要预测流量的网络节点及每一个网络节点的邻居之间的空间依赖关系，并用邻接矩阵表示该临时图。
步骤210，使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图。
具体地，网络节点之间的互相关系数表示网络节点之间的空间依赖程度，使用互相关系数对临时图中网络节点之间的空间依赖关系进行量化，即对表示临时图的邻接矩阵中网络节点之间的空间依赖关系赋予权重。网络节点i与j之间的互相关系数的定义如公式(1)所示：
其中，t为当前时刻，
表示网络节点i与网络节点j在t时刻的互相关系数，if{i,j}∈ε表示在t时刻网络节点i与网络节点j之间有超链接关系，otherwise表示在t时刻网络节点i与网络节点j之间没有超链接关系，自定义的τ表示一段时长，t-τ表示用于计算互相关系数的序列区间，μ表示序列xi、xj在指定区间的均值，σ表示序列xi、xj在指定区间的标准差。
步骤212，将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
具体地，将量化后的临时图作为训练好的神经网络模型的空间输入，将临时图中网络节点的历史观测值作为时间输入，经过训练好的神经网络模型的预测，得到下一时间段内网络流量的预测值。下一时间段与获取历史观测值的预设时间段可以不同，例如，利用过去一年的网络流量观测值预测未来3个月的网络流量。
上述网络流量时空预测方法中，通过聚集网络节点与其邻居之间的拓扑关系，构建临时图，并使用互相关系数对临时图进行量化，将量化后的临时图作为空间输入，将网络流量的历史观测值作为时间输入，输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。该方法用互相关系数对网络节点之间的拓扑关系进行量化，可以更准确地刻画网络节点之间的拓扑关系，根据网络节点的拓扑结构和历史观测值预测下一时间段内的网络流量，提高了网络流量预测的准确率。
在一个实施例中，该神经网络模型包括谱图卷积神经网络子模型和循环神经网络子模型；将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段网络流量的预测值，包括：
根据该量化后的临时图，构建拉普拉斯矩阵；
利用谱图卷积神经网络子模型从该拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量；
使用循环神经网络子模型中的门控循环单元、该网络节点的历史观测值对该空间隐向量进行时间维度的建模，得到对应的时间隐向量；
利用该训练好的神经网络模型中的全连接层对该时间隐向量进行回归预测，得到下一时间段内网络流量的预测值。
具体地，使用随机游走定义，构建量化后的临时图的拉普拉斯矩阵，即L＝I-D-1A，L表示构建的拉普拉斯矩阵，A表示量化后的临时图的邻接矩阵，D表示量化后的临时图的度矩阵。
将谱图卷积运用在构建的拉普拉斯矩阵上，通过具有图卷积算子的谱图卷积神经网络子模型提取网络流量的空间特征，作为空间隐向量。通过具有图卷积算子的循环神经网络子模型，利用类似门控循环单元(Gated Recurrent Unit，GRU)的方式，根据网络节点的历史观测值对提取的空间隐向量进行时间维度的建模，得到类GRU中不同门对应的时间隐向量。最后使用全连接层回归时间隐向量，得到下一时间段内网络流量的预测值。
在一个实施例中，该利用谱图卷积神经网络子模型从该拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量，包括：
在谱图卷积过程中根据图卷积算子以及拉普拉斯矩阵建立切比雪夫多项式，提取得到空间隐向量；
该使用循环神经网络子模型中的门控循环单元、该网络节点的历史观测值对该空间隐向量进行时间维度的建模，得到对应的时间隐向量，包括：
该循环神经网络子模型中的门控循环单元中引入该图卷积算子，根据该网络节点的历史观测值以及该图卷积算子计算重置门、更新门的状态；
根据该重置门的状态以及网络节点的历史观测值进行计算，得到候选隐藏状态；
根据该候选隐藏状态和更新门进行计算，得到时间隐向量。
具体地，根据公式(2)在谱图卷积过程中根据图卷积算子以及拉普拉斯矩阵建立切比雪夫多项式，提取得到空间隐向量。
其中，hs表示空间隐向量，Z是图卷积核的输入，由当前时刻的需要预测流量的网络节点观测值X与上一时刻类GRU单元输出的时间隐向量H拼接构成，
为图卷积算子，gθ是图卷积核参数，是本申请实施例中神经网络模型需要学习的参数，
为有向图的入度、出度矩阵。
谱图卷积神经网络子模型中采用图卷积算子可以考虑不规则的(非欧几里得的)空间结构。此处使用与卷积核深度对应的K阶切比雪夫多项式逼近原式，可以降低图卷积过程中的时间复杂度，提高预测的效率。
根据下列公式(3)-(6)构建循环神经网络子模型中的类GRU单元，得到不同门对应的空间隐向量hs，
Ht＝utHt-1+(1-ut)Ct (6)
其中，rt表示重置门，ut表示更新门，Ct表示候选隐藏状态，Ht表示隐藏状态，Ht-1表示上一时刻的隐藏状态。
根据该网络节点的历史观测值以及该图卷积算子计算重置门、更新门的状态；根据该重置门的状态以及网络节点的历史观测值进行计算，得到候选隐藏状态；根据该候选隐藏状态和更新门进行计算，得到隐藏状态，即时间隐向量。
根据下列公式(7)构建全连接层，对时间隐向量进行回归，得到下一时间段内的网络流量的预测值
其中，WT、b都为本申请实施例中神经网络模型需要学习的参数。
在一个实施例中，对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图，包括：
对于该历史观测值中的每一个网络节点，进行深度为K的邻居搜索，构建该网络节点的邻居关系图；其中，该深度K与该谱图卷积神经网络子模型中的谱图卷积核的感受野保持一致。
其中，感受野即receptive field，在卷积神经网络中表示能影响中心节点的邻居的范围。
具体地，需要预测流量的网络节点进行深度为K的邻居搜索，深度K表示当前网络节点的K-跳邻居节点，即在空间拓扑图上跳跃K步可以到达中心节点的邻居节点。对于热门的网络节点，可以随机在其邻居中选取预设数量个邻居节点构建邻居关系图，随机选取邻居节点的数目可以根据实际情况确定，可以为64、32或者其他数量，本申请实施例在此不做限定。如图3所示，对网络节点1和网络节点5进行深度为2的邻居搜索，并记录该网络节点的邻居关系图，可以将邻居关系图用邻接矩阵表示。其中，深度K与该谱图卷积神经网络子模型中的谱图卷积核的感受野保持一致，本申请实施例中深度K为3，通过实验验证深度K为3时，可以考虑网络节点的大部分邻居，可以准确刻画邻居关系，预测的网络流量结果准确率较高，当深度增加时，预测过程的计算量增加，但是预测的准确率没有明显的提升。
在一个实施例中，该神经网络模型的训练过程，包括：
获取预设时间段内网络流量的历史观测值；
获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；
使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
将该量化后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值；
根据该下一时间段内网络流量的预测值与下一时间段内网络流量的真实值之间的误差，对该初始神经网络模型中的参数进行调整，当该误差小于预设误差阈值时，得到训练好的神经网络模型。
具体地，得到量化后的临时图的具体过程在之前的实施例中已经详细介绍，在此不再赘述。将该量化后的临时图作为空间输入，将临时图中网络节点的历史观测值作为时间输入，通过初始神经网络模型的预测，得到下一时间段内网络流量的预测值。使用下一时间段内网络流量的预测值
与下一时间段内网络流量的真实值Yt之间的平均绝对评价误差MAE(Mean Absolute Error)，通过神将网络的反向传播技术，训练图卷积核参数gθ、类GRU单元以及全连接层的参数WT、b，对初始神经网络模型中的参数进行调整。误差公式如公式(8)所示，当MAE误差小于预设误差阈值时，误差曲线收敛，得到训练好的神经网络模型。
其中，N表示需要预测流量的网络节点的数目。
在一个实施例中，该使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图，包括：
每隔预设时间间隔，获取当前时刻该临时图中网络节点之间的互相关系数，使用最新的互相关系数量化并更新该网络节点之间的拓扑关系，得到更新后的临时图；
将该量化后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值，包括：
将该更新后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值。
具体地，每隔预设时间间隔，重新获取临时图中网络节点之间的互相关系数，利用最新的互相关系数更新临时图中网络节点之间的空间依赖关系，得到更新后的临时图。并将更新后的临时图作为初始神经网络模型的空间输入，将更新后的临时图中网络节点的历史观测值作为时间输入，预测得到下一时间段内网络流量的预测值。
本实施例中，通过动态更新网络节点之间的空间依赖关系，防止初始神经网络模型在果实的空间依赖关系上进行训练，得到更加精确的神经网络模型，提高预测的准确率。
在一个实施例中，根据该空间拓扑图和该每一个网络节点的邻居关系图，构建临时图，包括：
从该历史观测值中随机选取预设数量个网络节点，将该网络节点的邻居关系图进行结合，得到该临时图。
具体地，预设数量可根据需要设置。从待预测流量的网络节点中，随机选取预设数量个网络节点，进行小批次的训练。例如，随机选取16个网路节点，将选取的网络节点与对应的邻居节点构建临时图，作为初始神经网络模型的空间输入，将临时图中网络节点的历史观测值作为时间输入，预测得到小批次的下一时间段内网络流量的预测值。
本实施例中通过局部化小批次训练来应对大规模的网络流量预测任务，使得本申请实施例提出的网络流量时空预测方法可不失一般性地在有效切割的多个子图上进行训练，提高预测的效率。
为了易于理解本申请实施例提供的技术方案，如图4所示，以完整的网络流量时空预测过程对本申请实施例提供的网络流量时空预测方法进行简要说明：
(1)获取预设时间段内网络流量的历史观测值(即图4中的Xt，t表示不同时间段内网络流量的历史观测值)；
(2)获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
(3)对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
(4)根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；
(5)使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图(即图4中的G0)；
(6)将该量化后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，根据该量化后的临时图，构建拉普拉斯矩阵；
利用谱图卷积神经网络子模型从该拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量；
使用循环神经网络子模型中的门控循环单元、该网络节点的历史观测值对该空间隐向量进行时间维度的建模，得到对应的时间隐向量(即图4中的HP)；
利用该训练好的神经网络模型中的全连接层(即图4中FC层)对该时间隐向量进行回归预测，得到下一时间段内网络流量的预测值
(7)根据该下一时间段内网络流量的预测值与下一时间段内网络流量的真实值之间的误差，对该初始神经网络模型中的参数进行调整，当该误差小于预设误差阈值时，得到训练好的神经网络模型。
(8)获取预设时间段内网络流量的历史观测值，重复步骤(2)至步骤(5)，得到量化后的临时图，将所述量化后的临时图以及所述临时图中网络节点的历史观测值输入训练好的神经网络模型(即图4中的E-GCGRU(evolutionary graph convolutional gatedrecurrent unit，演化的图卷积门控循环单元))，得到下一时间段内网络流量的预测值。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种网络流量时空预测装置，包括：获取模块502、第一构建模块504、第二构建模块506、第三构建模块508、量化模块510和预测模块512，其中：
获取模块502，用于获取预设时间段内网络流量的历史观测值。
第一构建模块504，用于获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图。
第二构建模块506，用于对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图。
第三构建模块508，用于根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，该临时图用于记录该历史观测值中每一个网络节点以及该每一个网络节点的邻居之间的拓扑关系。
量化模块510，用于使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图。
预测模块512，用于将该量化后的临时图以及该临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
在一个实施例中，该神经网络模型包括谱图卷积神经网络子模型和循环神经网络子模型；预测模块512还用于根据该量化后的临时图，构建拉普拉斯矩阵；
以及利用谱图卷积神经网络子模型从该拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量；
以及使用循环神经网络子模型中的门控循环单元、该网络节点的历史观测值对该空间隐向量进行时间维度的建模，得到对应的时间隐向量；
以及利用该训练好的神经网络模型中的全连接层对该时间隐向量进行回归预测，得到下一时间段内网络流量的预测值。
在一个实施例中，预测模块512还用于在谱图卷积过程中根据图卷积算子以及拉普拉斯矩阵建立切比雪夫多项式，提取得到空间隐向量；
该循环神经网络子模型中的门控循环单元中引入该图卷积算子，以及根据该网络节点的历史观测值以及该图卷积算子计算重置门、更新门的状态；
以及根据该重置门的状态以及网络节点的历史观测值进行计算，得到候选隐藏状态；
以及根据该候选隐藏状态和更新门进行计算，得到时间隐向量。
在一个实施例中，第二构建模块506还用于对于该历史观测值中的每一个网络节点，进行深度为K的邻居搜索，构建该网络节点的邻居关系图；其中，该深度K与该谱图卷积神经网络子模型中的谱图卷积核的感受野保持一致。
在一个实施例中，网络流量时空预测装置还包括训练模块，用于获取预设时间段内网络流量的历史观测值；
以及获取该历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
以及对于该历史观测值中的每一个网络节点，查找该网络节点的邻居节点，构建该网络节点的邻居关系图；
以及根据该空间拓扑图和每一个网络节点的邻居关系图，构建临时图；
以及使用互相关系数对该临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
以及将该量化后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值；
以及根据该下一时间段内网络流量的预测值与下一时间段内网络流量的真实值之间的误差，对该初始神经网络模型中的参数进行调整，当该误差小于预设误差阈值时，得到训练好的神经网络模型。
在一个实施例中，量化模块510还用于每隔预设时间间隔，获取当前时刻该临时图中网络节点之间的互相关系数，使用最新的互相关系数量化并更新该网络节点之间的拓扑关系，得到更新后的临时图；
以及将该更新后的临时图以及该临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值。
在一个实施例中，第三构建模块508还用于从该历史观测值中随机选取预设数量个网络节点，将该网络节点的邻居关系图进行结合，得到该临时图。
关于网络流量时空预测装置的具体限定可以参见上文中对于网络流量时空预测方法的限定，在此不再赘述。上述网络流量时空预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种网络流量时空预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种网络流量时空预测方法，其特征在于，所述方法包括：
获取预设时间段内网络流量的历史观测值；
获取所述历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
对于所述历史观测值中的每一个网络节点，查找所述网络节点的邻居节点，构建所述网络节点的邻居关系图；
根据所述空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，所述临时图用于记录所述历史观测值中每一个网络节点以及所述每一个网络节点的邻居之间的拓扑关系；
使用互相关系数对所述临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图，所述互相关系数表示所述网络节点之间的空间依赖程度，所述互相关系数是动态更新的；
将所述量化后的临时图以及所述临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括谱图卷积神经网络子模型和循环神经网络子模型；所述将所述量化后的临时图以及所述临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段网络流量的预测值，包括：
根据所述量化后的临时图，构建拉普拉斯矩阵；
利用谱图卷积神经网络子模型从所述拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量；
使用循环神经网络子模型中的门控循环单元、所述网络节点的历史观测值对所述空间隐向量进行时间维度的建模，得到对应的时间隐向量；
利用所述训练好的神经网络模型中的全连接层对所述时间隐向量进行回归预测，得到下一时间段内网络流量的预测值。
3.根据权利要求2所述的方法，其特征在于，所述利用谱图卷积神经网络子模型从所述拉普拉斯矩阵提取网络流量的空间特征，得到空间隐向量，包括：
在谱图卷积过程中根据图卷积算子以及拉普拉斯矩阵建立切比雪夫多项式，提取得到空间隐向量；
所述使用循环神经网络子模型中的门控循环单元、所述网络节点的历史观测值对所述空间隐向量进行时间维度的建模，得到对应的时间隐向量，包括：
所述循环神经网络子模型中的门控循环单元中引入所述图卷积算子，根据所述网络节点的历史观测值以及所述图卷积算子计算重置门、更新门的状态；
根据所述重置门的状态以及网络节点的历史观测值进行计算，得到候选隐藏状态；
根据所述候选隐藏状态和更新门进行计算，得到时间隐向量。
4.根据权利要求2所述的方法，其特征在于，所述对于所述历史观测值中的每一个网络节点，查找所述网络节点的邻居节点，构建所述网络节点的邻居关系图，包括：
对于所述历史观测值中的每一个网络节点，进行深度为K的邻居搜索，构建所述网络节点的邻居关系图；其中，所述深度K与所述谱图卷积神经网络子模型中的谱图卷积核的感受野保持一致。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练过程，包括：
获取预设时间段内网络流量的历史观测值；
获取所述历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
对于所述历史观测值中的每一个网络节点，查找所述网络节点的邻居节点，构建所述网络节点的邻居关系图；
根据所述空间拓扑图和每一个网络节点的邻居关系图，构建临时图；
使用互相关系数对所述临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图；
将所述量化后的临时图以及所述临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值；
根据所述下一时间段内网络流量的预测值与下一时间段内网络流量的真实值之间的误差，对所述初始神经网络模型中的参数进行调整，当所述误差小于预设误差阈值时，得到训练好的神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述使用互相关系数对所述临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图，包括：
每隔预设时间间隔，获取当前时刻所述临时图中网络节点之间的互相关系数，使用最新的互相关系数量化并更新所述网络节点之间的拓扑关系，得到更新后的临时图；
所述将所述量化后的临时图以及所述临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值，包括：
将所述更新后的临时图以及所述临时图中网络节点的历史观测值输入初始神经网络模型，得到下一时间段内网络流量的预测值。
7.根据权利要求5所述的方法，其特征在于，所述根据所述空间拓扑图和所述每一个网络节点的邻居关系图，构建临时图，包括：
从所述历史观测值中随机选取预设数量个网络节点，将所述网络节点的邻居关系图进行结合，得到所述临时图。
8.一种网络流量时空预测装置，其特征在于，所述装置包括：
获取模块，用于获取预设时间段内网络流量的历史观测值；
第一构建模块，用于获取所述历史观测值中网络节点之间的空间拓扑关系，构建空间拓扑图；
第二构建模块，用于对于所述历史观测值中的每一个网络节点，查找所述网络节点的邻居节点，构建所述网络节点的邻居关系图；
第三构建模块，用于根据所述空间拓扑图和每一个网络节点的邻居关系图，构建临时图；其中，所述临时图用于记录所述历史观测值中每一个网络节点以及所述每一个网络节点的邻居之间的拓扑关系；
量化模块，用于使用互相关系数对所述临时图中网络节点之间的拓扑关系进行量化，得到量化后的临时图，所述互相关系数表示所述网络节点之间的空间依赖程度，所述互相关系数是动态更新的；
预测模块，用于将所述量化后的临时图以及所述临时图中网络节点的历史观测值输入训练好的神经网络模型，得到下一时间段内网络流量的预测值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110188316.8A CN112910710B (zh) | 2021-02-08 | 2021-02-08 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110188316.8A CN112910710B (zh) | 2021-02-08 | 2021-02-08 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112910710A CN112910710A (zh) | 2021-06-04 |
| CN112910710B true CN112910710B (zh) | 2022-04-01 |
Family
ID=76123714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110188316.8A Active CN112910710B (zh) | 2021-02-08 | 2021-02-08 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112910710B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435502B (zh) * | 2021-06-25 | 2022-09-16 | 平安科技（深圳）有限公司 | 站点流量确定方法、装置、设备及存储介质 |
| CN113886181B (zh) * | 2021-09-30 | 2022-10-14 | 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 |
| CN114090238A (zh) * | 2021-10-29 | 2022-02-25 | 国网江苏省电力有限公司信息通信分公司 | 一种边缘节点负载预测方法及装置 |
| CN114938335B (zh) * | 2022-04-27 | 2024-01-26 | 中国人民解放军战略支援部队信息工程大学 | 一种网络切片服务功能动态调度方法及装置 |
| 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 |
| CN115242663B (zh) * | 2022-07-29 | 2023-07-18 | 西安电子科技大学 | 基于时间相关图卷积的虚拟网络流量预测方法 |
| CN115604131B (zh) * | 2022-12-15 | 2023-04-07 | 广州丰石科技有限公司 | 一种链路流量预测方法、系统、电子设备及介质 |
| GB2628551A (en) * | 2023-03-27 | 2024-10-02 | Neueda Tech Ireland Limited | Network traffic prediction method |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
| CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
| CN110995520A (zh) * | 2020-02-28 | 2020-04-10 | 清华大学 | 网络流量预测方法、装置、计算机设备及可读存储介质 |
| CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754605B (zh) * | 2019-02-27 | 2021-12-07 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
| CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
-
2021
- 2021-02-08 CN CN202110188316.8A patent/CN112910710B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
| CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
| CN110995520A (zh) * | 2020-02-28 | 2020-04-10 | 清华大学 | 网络流量预测方法、装置、计算机设备及可读存储介质 |
| CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图卷积神经网络的交通流量预测;朱凯利等;《智能计算机与应用》;20191130(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112910710A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
| CN110995520B (zh) | 网络流量预测方法、装置、计算机设备及可读存储介质 | |
| CN107657015B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
| US7953676B2 (en) | Predictive discrete latent factor models for large scale dyadic data | |
| CN106600052B (zh) | 一种基于时空轨迹的用户属性与社会网络检测系统 | |
| CN111651671B (zh) | 用户对象推荐方法、装置、计算机设备和存储介质 | |
| CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
| CN110705688A (zh) | 对操作事件进行风险评估的神经网络系统、方法及装置 | |
| CN115618008A (zh) | 账户状态模型构建方法、装置、计算机设备和存储介质 | |
| WO2023217127A1 (zh) | 一种因果关系确定方法及相关设备 | |
| Avrachenkov et al. | Inference in osns via lightweight partial crawls | |
| CN114072809A (zh) | 经由神经架构搜索的小且快速的视频处理网络 | |
| CN116090504A (zh) | 图神经网络模型训练方法及装置、分类方法、计算设备 | |
| CN115936802A (zh) | 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 | |
| CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
| Yang et al. | ATPP: A mobile app prediction system based on deep marked temporal point processes | |
| Song et al. | Clustered embedding of massive social networks | |
| Yang et al. | Gated graph convolutional network based on spatio-temporal semi-variogram for link prediction in dynamic complex network | |
| CN106600053B (zh) | 一种基于时空轨迹和社会网络的用户属性预测系统 | |
| CN111666501A (zh) | 异常社团识别方法、装置、计算机设备和存储介质 | |
| CN116467466A (zh) | 基于知识图谱的编码推荐方法、装置、设备及介质 | |
| CN114757391B (zh) | 一种面向服务质量预测的网络数据空间设计与应用方法 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN113283589B (zh) | 事件预测系统的更新方法及装置 | |
| CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及系统 |
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 |