CN113037523B - 网络流量流向预测方法、装置以及存储介质 - Google Patents
网络流量流向预测方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN113037523B CN113037523B CN201911346541.9A CN201911346541A CN113037523B CN 113037523 B CN113037523 B CN 113037523B CN 201911346541 A CN201911346541 A CN 201911346541A CN 113037523 B CN113037523 B CN 113037523B
- Authority
- CN
- China
- Prior art keywords
- matrix
- flow direction
- prediction
- time sequence
- obtaining
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
Abstract
本公开提供了一种网络流量流向预测方法、装置以及存储介质,其中的方法包括:对历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;基于傅里叶谱变换矩阵和历史流量流向矩阵获得剩余流量流向矩阵,生成时间序列流量流向预测矩阵;对时间序列流量流向预测矩阵进行傅里叶反变换,获得时间序列流量流向预测矩阵的傅立叶反变换矩阵;根据时间序列流量流向预测矩阵和傅立叶反变换矩阵,获得流量流向预测矩阵。本公开的方法、装置以及存储介质,基于谱分解变换及时间序列分析可直接预测全网流量流向,也可以灵活按需的预测流量流向矩阵的部分子集,流量流向预测准确,可有力支撑网络规划和网络建设的有效性和可行性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种网络流量流向预测方法、装置以及存储介质。
背景技术
目前,IP流量增长迅速且具有不确定性,通常采用函数趋势外推法预测网络流量流向,此预测方法对单一节点的预测相对合理。但是,实际网络中IP流量是由网络节点与网络结构共同决定的,现有的预测方法忽视网络结构而仅仅根据单一节点的历史数据进行预测会造成较大的误差,导致资源的浪费和巨大的经济损失。
发明内容
有鉴于此,本发明要解决的一个技术问题是提供一种网络流量流向预测方法、装置以及存储介质。
根据本公开的一个方面,提供一种网络流量流向预测方法,包括:获取网络的历史流量流向矩阵,对所述历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;基于所述傅里叶谱变换矩阵和所述历史流量流向矩阵获得剩余流量流向矩阵,对所述剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵;对所述时间序列流量流向预测矩阵进行傅里叶反变换,获得所述时间序列流量流向预测矩阵的傅立叶反变换矩阵;根据所述时间序列流量流向预测矩阵和所述傅立叶反变换矩阵,获得流量流向预测矩阵。
可选地,所述获取网络的历史流量流向矩阵,对所述历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵包括:基于网络节点之间的边相似性,获得与所述历史流量流向矩阵相对应的网络结构相似矩阵;基于所述相似矩阵获得网络结构度矩阵;根据所述网络结构相似矩阵和所述网络结构度矩阵获得网络结构矩阵;基于所述网络结构矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;其中,傅里叶谱分解变换处理包括:获取所述网络结构矩阵的特征值和特征向量。
可选地,所述基于所述傅里叶谱变换矩阵和所述历史流量流向矩阵获得剩余流量流向矩阵包括:将所述历史流量流向矩阵减去所述傅里叶谱变换矩阵,获得所述剩余流量流向矩阵。
可选地,所述对所述剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵包括:获取多个剩余流量流向矩阵中的、处在相同位置的全部元素,生成多个时间序列;对每个时间序列分别采用时间序列模型进行流量预测,获得与多个剩余流量流向矩阵相对应的多个时间序列流量流向预测矩阵。
可选地,所述对所述时间序列流量流向预测矩阵进行傅里叶反变换,获得所述时间序列流量流向预测矩阵的傅立叶反变换矩阵包括:基于各个历史流量流向矩阵的特征向量矩阵的转置矩阵,对相对应的各个时间序列流量流向预测矩阵进行傅立叶反变换,获得所述多个子傅立叶反变换矩阵;将所述多个子傅立叶反变换矩阵进行相加处理,获得所述傅立叶反变换矩阵。
可选地,所述根据所述时间序列流量流向预测矩阵和所述傅立叶反变换矩阵,获得流量流向预测矩阵包括:将每个时间序列流量流向预测矩阵与所述傅立叶反变换矩阵相加,获得与每个时间序列流量流向预测矩阵相对应的流量流向预测矩阵。
根据本公开的另一方面,提供一种网络流量流向预测装置,包括:变换矩阵获取模块,用于获取网络的历史流量流向矩阵,对所述历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;时间序列预测模块,用于基于所述傅里叶谱变换矩阵和所述历史流量流向矩阵获得剩余流量流向矩阵,对所述剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵;反变换矩阵获取模块,用于对所述时间序列流量流向预测矩阵进行傅里叶反变换,获得所述时间序列流量流向预测矩阵的傅立叶反变换矩阵;预测矩阵获取模块,用于根据所述时间序列流量流向预测矩阵和所述傅立叶反变换矩阵,获得流量流向预测矩阵。
可选地,所述变换矩阵获取模块,用于基于网络节点之间的边相似性,获得与所述历史流量流向矩阵相对应的网络结构相似矩阵;基于所述相似矩阵获得网络结构度矩阵;根据所述网络结构相似矩阵和所述网络结构度矩阵获得网络结构矩阵;基于所述网络结构矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;其中,傅里叶谱分解变换处理包括:获取所述网络结构矩阵的特征值和特征向量。
可选地,时间序列预测模块,用于将所述历史流量流向矩阵减去所述傅里叶谱变换矩阵,获得所述剩余流量流向矩阵。
可选地,所述时间序列预测模块,还用于获取多个剩余流量流向矩阵中的、处在相同位置的全部元素,生成多个时间序列;对每个时间序列分别采用时间序列模型进行流量预测,获得与多个剩余流量流向矩阵相对应的多个时间序列流量流向预测矩阵。
可选地,所述反变换矩阵获取模块,用于基于各个历史流量流向矩阵的特征向量矩阵的转置矩阵,对相对应的各个时间序列流量流向预测矩阵进行傅立叶反变换,获得所述多个子傅立叶反变换矩阵;将所述多个子傅立叶反变换矩阵进行相加处理,获得所述傅立叶反变换矩阵。
可选地,所述预测矩阵获取模块,用于将每个时间序列流量流向预测矩阵与所述傅立叶反变换矩阵相加,获得与每个时间序列流量流向预测矩阵相对应的流量流向预测矩阵。
根据本公开的又一方面,提供一种网络流量流向预测装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如上所述的方法。
根据本公开的再一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行如上所述的方法。
本公开的网络流量流向预测方法、装置以及存储介质,基于谱分解变换及时间序列分析可直接预测全网流量流向,也可以灵活按需的预测流量流向矩阵的部分子集,适用性强且具有更小的误差,流量流向预测准确,可有力支撑网络规划和网络建设的有效性和可行性。
附图说明
为了更清楚地说明本公开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,下面描述中的附图仅仅是本公开的一些实施例,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为根据本公开的网络流量流向预测方法的一个实施例的流程示意图;
图2为根据本公开的网络流量流向预测方法的一个实施例的数据处理流程示意图;
图3为根据本公开的网络流量流向预测装置的一个实施例的模块示意图;
图4为根据本公开的网络流量流向预测装置的另一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述,其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
图1为根据本公开的网络流量流向预测方法的一个实施例的流程示意图,如图1所示:
步骤101,获取网络的历史流量流向矩阵,对历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵。
步骤102,基于傅里叶谱变换矩阵和历史流量流向矩阵获得剩余流量流向矩阵,对剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵。
步骤103,对时间序列流量流向预测矩阵进行傅里叶反变换,获得时间序列流量流向预测矩阵的傅立叶反变换矩阵。
步骤104,根据时间序列流量流向预测矩阵和傅立叶反变换矩阵,获得流量流向预测矩阵。
上述实施例中的网络流量流向预测方法,能够基于傅里叶谱分解变换提取网络节点之间相互影响的网络特征,同时使用时间序列分析法预测单一节点的流量变化趋势,并将两者结合一起进行全网IP流量变化的预测,更符合IP流量的网络特性和发展趋势,其预测具有更广泛的适用性和更好的精确度。
获得傅里叶谱变换矩阵可以采用多种方法。例如,基于网络节点之间的边相似性,获得与历史流量流向矩阵相对应的网络结构相似矩阵,基于相似矩阵获得网络结构度矩阵,根据网络结构相似矩阵和网络结构度矩阵获得网络结构矩阵。基于网络结构矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;其中,傅里叶谱分解变换处理包括:获取网络结构矩阵的特征值和特征向量。
在一个实施例中,如图2所示,通过傅里叶谱分析提取IP骨干网历史流量流向矩阵的数据特征,得到IP骨干网的历史流量流向特征向量矩阵和傅里叶谱变换矩阵。例如,由N个网络节点构成的IP骨干网的第m个月的历史流量流向矩阵记为F(m),记fij,m表示第m个月从第i个骨干节点流向第j个骨干节点的IP流量,则F(m)=(fij,m)=(f1,m,f2,m,…,fj,m,…,fN,m),如下表1.1所示:
表1.1第m个月流量流向矩阵F(m)
第m个月第i个骨干节点与第j个骨干节点的边相似性定义为:
其中,W(m)=(wij,m)称为该网络结构的网络结构相似矩阵。
记dii,m=∑j≠iwij,m,定义D(m)=diag(dii,m)为骨干节点网络结构的网络结构度矩阵,即
定义L(m)=D(m)-W(m)为网络结构矩阵。求L(m)矩阵的特征值和特征向量称为网络结构的傅立叶谱分解。L(m)的特征值从小到大排列依次为:λ0,m≤λ1,m≤…≤λN-1,m,其对应的正交特征向量分别为:
将每个正交特征向量与流量流向矩阵做内积即:
得到原始网络流量流向矩阵的傅立叶谱变换矩阵X(m)·F(m):
对所有共M个月份的每个历史流量流向矩阵都进行上述运算操作,从而得到所有月份的历史流量流向矩阵的傅里叶谱变换矩阵。
将历史流量流向矩阵减去傅里叶谱变换矩阵,获得剩余流量流向矩阵。获取多个剩余流量流向矩阵中的、处在相同位置的全部元素,生成多个时间序列,对每个时间序列分别采用时间序列模型进行流量预测,获得与多个剩余流量流向矩阵相对应的多个时间序列流量流向预测矩阵。
在一个实施例中,多个剩余流量流向矩阵与多个月份的历史流量流向矩阵相对应。历史流量中扣除傅里叶谱变换流量后得到剩余流量,对该部分流量通过时间序列预测法对未来流量进行预测,得到时间序列预测流量。第m个月份的历史流量流向矩阵减去对应的傅里叶谱变换矩阵,得到第m个月的剩余流量流向矩阵V(m),vij,m为该矩阵第i行第j列的元素:
vij,m=fij,m-(X(m)·F(m))ij;
获取所有历史月份的剩余流量流向矩阵中第i行第j列的M个元素,生成一个时间序列,共生成N×N个时间序列;对每个时间序列分别采用时间序列模型进行流量预测,时间序列模型可以为现有的ARIM模型等,得到未来第M+1,M+2…,M+k月份的时间序列流量流向预测矩阵,其中,0<k<M。
第M+k月份的时间序列预测流量矩阵为T(M+k),每一个元素可表示为:
4ij,M+7=gij,M+k+sij,M+k+εij,M+k;
其中,gij,M+k为时间序列的趋势分量,sij,M+k为时间序列的季节分量,可通过ARIMA等现有的时间序列模型来求解预测,而εij,M+k为随机扰动分量,通常无法预测。
基于各个历史流量流向矩阵的特征向量矩阵的转置矩阵,对相对应的各个时间序列流量流向预测矩阵进行傅立叶反变换,获得多个子傅立叶反变换矩阵。将多个子傅立叶反变换矩阵进行相加处理,获得傅立叶反变换矩阵。
在一个实施例中,对时间序列流量流向预测矩阵进行傅里叶反变换,得到时间序列流量流向预测矩阵的傅立叶反谱变换矩阵。获取第m月的历史流量流向矩阵的特征向量矩阵的转置矩阵X(n)T,对第M+k月的时间序列流量流向预测矩阵T(M+k)进行傅立叶反变换,采用现有的傅里叶反变换进行处理。傅里叶反变换与前述的傅里叶变换相对应,为前述的傅里叶变换的反变换,得到傅里叶反变换矩阵
所有M个历史月份都进行相同的运算操作,得到T(M+k)所有月份的傅里叶反变换矩阵,并将M个月份的傅里叶反变换矩阵进行加和得到
获得流量流向预测矩阵可以采用多种方法。例如,将每个时间序列流量流向预测矩阵与傅立叶反变换矩阵相加,获得与每个时间序列流量流向预测矩阵相对应的流量流向预测矩阵。
在一个实施例中,时间序列预测流量加上时间序列预测流量的傅里叶反谱变换矩阵,得到最终的流量流向预测矩阵。第M+k月最终的流量流向预测矩阵流量流向矩阵为:
在一个实施例中,如图3所示,本公开提供一种网络流量流向预测装置30,包括:变换矩阵获取模块31、时间序列预测模块32、反变换矩阵获取模块33和预测矩阵获取模块34。
变换矩阵获取模块31获取网络的历史流量流向矩阵,对历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵。时间序列预测模块32基于傅里叶谱变换矩阵和历史流量流向矩阵获得剩余流量流向矩阵,对剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵。
反变换矩阵获取模块33对时间序列流量流向预测矩阵进行傅里叶反变换,获得时间序列流量流向预测矩阵的傅立叶反变换矩阵。预测矩阵获取模块34根据时间序列流量流向预测矩阵和傅立叶反变换矩阵,获得流量流向预测矩阵。
在一个实施例中,变换矩阵获取模块31基于网络节点之间的边相似性,获得与历史流量流向矩阵相对应的网络结构相似矩阵。变换矩阵获取模块31基于相似矩阵获得网络结构度矩阵。变换矩阵获取模块31根据网络结构相似矩阵和网络结构度矩阵获得网络结构矩阵。变换矩阵获取模块31基于网络结构矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;其中,傅里叶谱分解变换处理包括:获取网络结构矩阵的特征值和特征向量。
时间序列预测模块32将历史流量流向矩阵减去傅里叶谱变换矩阵,获得剩余流量流向矩阵。时间序列预测模块32获取多个剩余流量流向矩阵中的、处在相同位置的全部元素,生成多个时间序列;时间序列预测模块32对每个时间序列分别采用时间序列模型进行流量预测,获得与多个剩余流量流向矩阵相对应的多个时间序列流量流向预测矩阵。
反变换矩阵获取模块33基于各个历史流量流向矩阵的特征向量矩阵的转置矩阵,对相对应的各个时间序列流量流向预测矩阵进行傅立叶反变换,获得多个子傅立叶反变换矩阵。反变换矩阵获取模块33将多个子傅立叶反变换矩阵进行相加处理,获得傅立叶反变换矩阵。
预测矩阵获取模块34将每个时间序列流量流向预测矩阵与傅立叶反变换矩阵相加,获得与每个时间序列流量流向预测矩阵相对应的流量流向预测矩阵。
图4为根据本公开的网络流量流向预测系统的另一个实施例的模块示意图。如图4所示,该装置可包括存储器41、处理器42、通信接口43以及总线44。存储器41用于存储指令,处理器42耦合到存储器41,处理器42被配置为基于存储器41存储的指令执行实现上述的网络流量流向预测方法。
存储器41可以为高速RAM存储器、非易失性存储器(non-volatile memory)等,存储器41也可以是存储器阵列。存储器41还可能被分块,并且块可按一定的规则组合成虚拟卷。处理器42可以为中央处理器CPU,或专用集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本公开的网络流量流向预测方法的一个或多个集成电路。
在一个实施例中,本公开提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,指令被处理器执行如上任一实施例中的网络流量流向预测方法。
上述实施例中提供的网络流量流向预测方法、装置以及存储介质,通过傅里叶谱分解变换和时间序列结合,可以把流量构成分解为单一节点和网络结构两部分,符合网络流量客观实际;傅里叶谱分解变换可将流量时域特性转换为空间分布,对分析历史流量的空间特性尤其适用;时间序列可以很好的适用于有时间特性和时间趋势的分析预测中;傅里叶谱分解变换还可以灵活按需的分析预测流量流向的部分子集,极大简化分析运算的过程。
上述实施例中提供的网络流量流向预测方法、装置以及存储介质,解决了现有技术中的预测方法只能预测流量而无法预测流量流向的问题,基于谱分解变换及时间序列分析可直接预测全网流量流向,也可以灵活按需的预测流量流向矩阵的部分子集,适用性强且具有更小的误差,流量流向预测准确,可有力支撑网络规划和网络建设的有效性和可行性。
可能以许多方式来实现本公开的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用,并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (14)
1.一种网络流量流向预测方法,包括:
获取网络的历史流量流向矩阵,对所述历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;
基于所述傅里叶谱变换矩阵和所述历史流量流向矩阵获得剩余流量流向矩阵,对所述剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵;
对所述时间序列流量流向预测矩阵进行傅里叶反变换,获得所述时间序列流量流向预测矩阵的傅立叶反变换矩阵;
根据所述时间序列流量流向预测矩阵和所述傅立叶反变换矩阵,获得流量流向预测矩阵。
2.如权利要求1所述的方法,所述获取网络的历史流量流向矩阵,对所述历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵包括:
基于网络节点之间的边相似性,获得与所述历史流量流向矩阵相对应的网络结构相似矩阵;
基于所述相似矩阵获得网络结构度矩阵;
根据所述网络结构相似矩阵和所述网络结构度矩阵获得网络结构矩阵;
基于所述网络结构矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;其中,傅里叶谱分解变换处理包括:获取所述网络结构矩阵的特征值和特征向量。
3.如权利要求2所述的方法,所述基于所述傅里叶谱变换矩阵和所述历史流量流向矩阵获得剩余流量流向矩阵包括:
将所述历史流量流向矩阵减去所述傅里叶谱变换矩阵,获得所述剩余流量流向矩阵。
4.如权利要求3所述的方法,所述对所述剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵包括:
获取多个剩余流量流向矩阵中的、处在相同位置的全部元素,生成多个时间序列;
对每个时间序列分别采用时间序列模型进行流量预测,获得与多个剩余流量流向矩阵相对应的多个时间序列流量流向预测矩阵。
5.如权利要求4所述的方法,所述对所述时间序列流量流向预测矩阵进行傅里叶反变换,获得所述时间序列流量流向预测矩阵的傅立叶反变换矩阵包括:
基于各个历史流量流向矩阵的特征向量矩阵的转置矩阵,对相对应的各个时间序列流量流向预测矩阵进行傅立叶反变换,获得所述多个子傅立叶反变换矩阵;
将所述多个子傅立叶反变换矩阵进行相加处理,获得所述傅立叶反变换矩阵。
6.如权利要求5所述的方法,所述根据所述时间序列流量流向预测矩阵和所述傅立叶反变换矩阵,获得流量流向预测矩阵包括:
将每个时间序列流量流向预测矩阵与所述傅立叶反变换矩阵相加,获得与每个时间序列流量流向预测矩阵相对应的流量流向预测矩阵。
7.一种网络流量流向预测装置,包括:
变换矩阵获取模块,用于获取网络的历史流量流向矩阵,对所述历史流量流向矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;
时间序列预测模块,用于基于所述傅里叶谱变换矩阵和所述历史流量流向矩阵获得剩余流量流向矩阵,对所述剩余流量流向矩阵进行时间序列分析预测处理,生成时间序列流量流向预测矩阵;
反变换矩阵获取模块,用于对所述时间序列流量流向预测矩阵进行傅里叶反变换,获得所述时间序列流量流向预测矩阵的傅立叶反变换矩阵;
预测矩阵获取模块,用于根据所述时间序列流量流向预测矩阵和所述傅立叶反变换矩阵,获得流量流向预测矩阵。
8.如权利要求7所述的装置,其中,
所述变换矩阵获取模块,用于基于网络节点之间的边相似性,获得与所述历史流量流向矩阵相对应的网络结构相似矩阵;基于所述相似矩阵获得网络结构度矩阵;根据所述网络结构相似矩阵和所述网络结构度矩阵获得网络结构矩阵;基于所述网络结构矩阵进行傅里叶谱分解变换处理,获得傅里叶谱变换矩阵;其中,傅里叶谱分解变换处理包括:获取所述网络结构矩阵的特征值和特征向量。
9.如权利要求8所述的装置,其中,
时间序列预测模块,用于将所述历史流量流向矩阵减去所述傅里叶谱变换矩阵,获得所述剩余流量流向矩阵。
10.如权利要求9所述的装置,其中,
所述时间序列预测模块,还用于获取多个剩余流量流向矩阵中的、处在相同位置的全部元素,生成多个时间序列;对每个时间序列分别采用时间序列模型进行流量预测,获得与多个剩余流量流向矩阵相对应的多个时间序列流量流向预测矩阵。
11.如权利要求10所述的装置,其中,
所述反变换矩阵获取模块,用于基于各个历史流量流向矩阵的特征向量矩阵的转置矩阵,对相对应的各个时间序列流量流向预测矩阵进行傅立叶反变换,获得所述多个子傅立叶反变换矩阵;将所述多个子傅立叶反变换矩阵进行相加处理,获得所述傅立叶反变换矩阵。
12.如权利要求11所述的装置,其中,
所述预测矩阵获取模块,用于将每个时间序列流量流向预测矩阵与所述傅立叶反变换矩阵相加,获得与每个时间序列流量流向预测矩阵相对应的流量流向预测矩阵。
13.一种网络流量流向预测装置,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1至6中任一项所述的方法。
14.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346541.9A CN113037523B (zh) | 2019-12-24 | 2019-12-24 | 网络流量流向预测方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346541.9A CN113037523B (zh) | 2019-12-24 | 2019-12-24 | 网络流量流向预测方法、装置以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113037523A CN113037523A (zh) | 2021-06-25 |
CN113037523B true CN113037523B (zh) | 2022-06-07 |
Family
ID=76451661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911346541.9A Active CN113037523B (zh) | 2019-12-24 | 2019-12-24 | 网络流量流向预测方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113037523B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103227999B (zh) * | 2013-05-02 | 2016-04-13 | 中国联合网络通信集团有限公司 | 网络流量预测方法和装置 |
US9519912B2 (en) * | 2013-09-20 | 2016-12-13 | Xerox Corporation | Hybrid system for demand prediction |
CN104767656A (zh) * | 2015-04-10 | 2015-07-08 | 中国电力科学研究院 | 一种基于分数阶傅里叶变换的网络流量特性分析方法 |
CN105023054A (zh) * | 2015-06-24 | 2015-11-04 | 国网山东省电力公司电力科学研究院 | 一种基于单类支持向量机的电力负荷分析、预测方法 |
-
2019
- 2019-12-24 CN CN201911346541.9A patent/CN113037523B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113037523A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Berry et al. | Nonparametric forecasting of low-dimensional dynamical systems | |
He et al. | A splitting method for separable convex programming | |
Naderi et al. | A data-driven approach to actuator and sensor fault detection, isolation and estimation in discrete-time linear systems | |
JP5362823B2 (ja) | 無限次元を用いた高速行列因子分解による推薦システム | |
Hassani | Singular spectrum analysis based on the minimum variance estimator | |
Agulló | New algorithms for computing the least trimmed squares regression estimator | |
Roozbeh | Robust ridge estimator in restricted semiparametric regression models | |
Ciavolino et al. | A generalized maximum entropy (GME) estimation approach to fuzzy regression model | |
Fiorin et al. | Product Markovian quantization of a diffusion process with applications to finance | |
JPWO2016125500A1 (ja) | 特徴変換装置、認識装置、特徴変換方法及びコンピュータ読み取り可能記録媒体 | |
Liu et al. | Some asymptotic results of Gaussian random fields with varying mean functions and the associated processes | |
Ursu et al. | On modelling and diagnostic checking of vector periodic autoregressive time series models | |
CN113037523B (zh) | 网络流量流向预测方法、装置以及存储介质 | |
JP7014069B2 (ja) | データ解析装置、方法、及びプログラム | |
JP2019185163A (ja) | データ予測装置、方法、及びプログラム | |
Zhao et al. | Efficient Bayesian PARCOR approaches for dynamic modeling of multivariate time series | |
CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
Shao et al. | Polynomial spline confidence bands for time series trend | |
Peeters et al. | On the identification of sparse gene regulatory networks | |
CN109492707B (zh) | 光谱分析模型的构建方法、装置、设备及存储介质 | |
WO2020040007A1 (ja) | 学習装置、学習方法及び学習プログラム | |
Spliid | Multivariate time series estimation using marima | |
Thouvenin et al. | A versatile distributed MCMC algorithm for large scale inverse problems | |
US20210034695A1 (en) | Feature transformation apparatus and method, and recording medium | |
JP2019113962A (ja) | 解析装置、解析方法及びプログラム |
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 |