CN113038302A - 流量预测方法及装置、计算机可存储介质 - Google Patents
流量预测方法及装置、计算机可存储介质 Download PDFInfo
- Publication number
- CN113038302A CN113038302A CN201911354514.6A CN201911354514A CN113038302A CN 113038302 A CN113038302 A CN 113038302A CN 201911354514 A CN201911354514 A CN 201911354514A CN 113038302 A CN113038302 A CN 113038302A
- Authority
- CN
- China
- Prior art keywords
- flow
- historical
- time point
- traffic
- determining
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
-
- 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
-
- 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
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0083—Testing; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开涉及流量预测方法及装置、计算机可存储介质,涉及人工智能领域。流量预测方法包括:获取无源光纤网络PON端口的历史流量数据;根据所述历史流量数据,确定未来时间点的流量的多种第一特征值;根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量。根据本公开,提高了预测效率和准确率。
Description
技术领域
本公开涉及人工智能领域,特别涉及流量预测方法及装置、计算机可存储介质。
背景技术
目前,PON端口缺乏流量分析预测技术,无法识别出网络的带宽浪费或带宽不足的情况,导致无法实时动态地进行带宽资源和网络流量的规划。PON端口的流量预测,对实时动态地进行带宽资源和网络流量的规划具有重要意义。
相关技术中,根据种类单一且数量巨大的特征值,利用时间序列算法为代表的线性预测技术,对线性平稳的流量进行预测。
发明内容
发明人认为:相关技术中,采用种类单一且数量巨大的特征值进行预测,预测效率低,准确率低,并且线性预测技术对具有突发大流量特点的PON端口流量的预测准确率低。
针对上述技术问题,本公开提出了一种解决方案,提高了预测效率和准确率。
根据本公开的第一方面,提供了一种流量预测方法,包括:获取无源光纤网络PON端口的历史流量数据;根据所述历史流量数据,确定未来时间点的流量的多种第一特征值;根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量。
在一些实施例中,所述多种第一特征值包括以下第一特征值中的多种:在所述未来时间点之前的、每个指定流量周期内的多个指定历史时间点的流量;每个指定流量周期内的多个指定历史时间点的流量的相关值;和未来时间点的流量的类型。
在一些实施例中,根据所述历史流量数据,确定未来时间点的流量的多种第一特征值包括:根据所述历史流量数据,确定所述PON端口的流量周期;确定在所述未来时间点之前的、每个指定流量周期内的多个指定历史时间点的流量;对每个指定流量周期内的多个指定历史时间点的流量进行数学运算,得到每个指定流量周期内的多个指定历史时间点的流量的相关值。
在一些实施例中,根据所述历史流量数据,确定未来时间点的流量的多种第一特征值还包括:根据所述历史流量数据,确定与未来时间点对应的历史时间点的流量的类型;根据所述与未来时间点对应的历史时间点的流量的类型,确定所述未来时间点的流量的类型。
在一些实施例中,所述类型包括忙时流量和闲时流量,根据所述历史流量数据,确定与未来时间点对应的历史时间点的流量的类型包括:根据所述历史流量数据中的各个历史时间点的流量的加和,计算阈值;在与未来时间点对应的历史时间点的流量大于所述阈值的情况下,将所述与未来时间点对应的历史时间点的流量的类型,确定为忙时流量;在与未来时间点对应的历史时间点的流量小于或等于所述阈值的情况下,将所述与未来时间点对应的历史时间点的流量的类型,确定为闲时流量。
在一些实施例中,根据所述历史流量数据中的各个历史时间点的流量的加和,计算阈值包括:根据所述加和与指定百分比的乘积,确定所述阈值。
在一些实施例中,根据所述历史流量数据,确定所述PON端口的流量周期包括:根据所述历史流量数据,利用曲线拟合方法,确定所述PON端口的流量周期。
在一些实施例中,所述相关值为每个指定流量周期中各个指定历史时间点的流量的均值、中位数、最大值和方差中的至少一个。
在一些实施例中,流量预测方法还包括:利用随机森林算法,生成多棵决策树;根据所述历史流量数据,计算每棵决策树的预测权重;其中,根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量包括:根据所述多种第一特征值,利用所述多棵决策树和每棵决策树的预测权重,预测未来时间点的流量。
在一些实施例中,根据所述历史流量数据,计算每棵决策树的预测权重包括:确定所述历史流量数据中每个历史时间点的流量的多种第二特征值,所述第二特征值与所述第一特征值的种类相同;根据所述历史流量数据中每个历史时间点的流量和所述多种第二特征值,确定多个训练样本;利用所述多个训练样本,确定每棵决策树的准确率;根据每棵决策树的准确率与各棵决策树的准确率的总和的比值,计算每棵决策树的预测权重。
在一些实施例中,利用所述多个训练样本,确定每棵决策树的准确率包括:将每个训练样本中的每个历史时间点的流量和所述多种第二特征值,输入与所述每个训练样本对应的决策树,得到每棵决策树的准确率。
在一些实施例中,根据所述历史流量数据,利用所述多棵决策树和每棵决策树的预测权重,预测未来时间点的流量包括:根据所述多种第一特征值,利用每棵决策树,预测所述未来时间点的中间流量;根据各棵决策树的中间流量和预测权重的加权和,确定未来时间点的流量。
根据本公开第二方面,提供了一种流量预测装置,包括:获取模块,被配置为获取无源光纤网络PON端口的历史流量数据;确定模块,被配置为根据所述历史流量数据,确定未来时间点的流量的多种第一特征值;预测模块,被配置为根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量。
根据本公开第三方面,提供了一种流量预测装置,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的指令,执行上述任一实施例所述的流量预测方法。
根据本公开的第四方面,一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述任一实施例所述的流量预测方法。
在上述实施例中,提高了预测效率和准确率。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1示出根据本公开一些实施例的流量预测方法的流程图;
图2示出根据本公开一些实施例的流量预测装置的框图;
图3示出根据本公开另一些实施例的流量预测装置的框图;
图4示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1示出根据本公开一些实施例的流量预测方法的流程图。
如图1所示,流量预测方法包括步骤S110-步骤S130。
在步骤S110中,获取PON(Passive Optical Network,无源光纤网络)端口的历史流量数据。例如,历史流量数据为历史时间序列流量数据。
在步骤S120中,根据历史流量数据,确定未来时间点的流量的多种第一特征值。例如,多种第一特征值包括以下第一特征值中的多种:在未来时间点之前的、每个指定流量周期内的多个指定历史时间点的流量,每个指定流量周期内的多个指定历史时间点的流量的相关值,和每个指定历史时间点的流量的类型。
在一些实施例中,根据历史流量数据,确定未来时间点的流量的多种第一特征值包括如下步骤:
首先,根据历史流量数据,确定PON端口的流量周期。例如,根据历史流量数据,确定PON端口的流量周期包括步骤:根据历史流量数据,利用曲线拟合方法,确定PON端口的流量周期。
然后,确定在未来时间点之前的、每个指定流量周期内的多个指定历史时间点的流量。
最后,对每个指定流量周期内的多个指定历史时间点的流量进行数学运算,得到每个指定流量周期内的多个指定历史时间点的流量的相关值。例如,相关值为每个指定流量周期中各个指定历史时间点的流量的均值、中位数、最大值和方差中的至少一个。
在一些实施例中,根据历史流量数据,确定未来时间点的流量的多种第一特征值还包括如下步骤:
根据所述历史流量数据,确定与未来时间点对应的历史时间点的流量的类型。
然后,根据与未来时间点对应的历史时间点的流量的类型,确定未来时间点的流量的类型。
例如,类型包括忙时流量和闲时流量,根据历史流量数据,确定与未来时间点对应的历史时间点的流量的类型包括如下步骤:
首先,根据历史流量数据中的各个历史时间点的流量的加和,计算阈值。
在一些实施例中,根据历史流量数据中的各个历史时间点的流量的加和,计算阈值包括步骤:根据加和与指定百分比的乘积,确定阈值。例如,将1与历史流量数据中的流量总个数的比值确定为指定百分比。这里的流量总个数即为历史时间点的总个数。此时,阈值为平均值。
在一些实施例中,PON端口的历史流量数据为流量全时间序列N=[N1,N2,…Nn],n为历史时间点的总个数,也等于历史流量数据的总个数。Nn表示历史时间点n对应的PON端口的历史流量。
PON端口的流量周期为t,将历史流量数据划分为k组,k=n/t。得到历史流量数据对应的二维数组B。其中,k、t、n均为大于1的整数。
首先对于二维数组B的不同组的相同时间点的流量求和:
例如,将流量总和与n的比值确定为阈值。
然后,在与未来时间点对应的历史时间点的流量大于阈值的情况下,将与未来时间点对应的历史时间点的流量的类型,确定为忙时流量。
最后,在与未来时间点对应的历史时间点的流量小于或等于阈值的情况下,将与未来时间点对应的历史时间点的流量的类型,确定为闲时流量。
在一些实施例中,对于未来时间点x,多种第一特征值如表1所示。
表1未来时间点x的多种第一特征值
如表1所示,对于未来时间点x,指定流量周期分别为未来时间点x所在的当前周期、前一周期、前二周期和前三周期。对于当前周期,指定历史时间点分别为历史时间点x-1、x-2和x-3,流量分别为Nx-3、Nx-2和Nx-1。对于当前周期,历史时间点x-1、x-2和x-3的流量的均值为其他周期的均值也是采用类似的方法求解。中位数、最大值、方差均采用现有的方法进行计算。
根据表1可以得到未来时间点x的流量的28个第一特征值,加上未来时间点x的流量的类型,总共29个特征值。其中,指定历史时间点的流量为一种第一特征值。均值、中位数、最大值和方差均为相关之,为另一种第一特征值。流量的类型为再一种第一特征值。
通过采用与未来时间点密切相关的多种第一特征值,提高了流量预测的准确率和速率。
在步骤S130中,根据多种第一特征值,利用随机森林算法,预测未来时间点的流量。
在一些实施例中,流量预测方法还包括如下步骤:
首先,利用随机森林算法,生成多棵决策树。例如,多棵决策树包括m棵决策树,决策树h1(x)至决策树hm(x)。其中,m为大于1的整数。
然后,根据历史流量数据,计算每棵决策树的预测权重。
其中,根据多种第一特征值,利用随机森林算法,预测未来时间点的流量包括如下步骤:根据多种第一特征值,利用多棵决策树和每棵决策树的预测权重,预测未来时间点的流量。
由于随机森林算法基于离散分类器,而PON端口的流量具有连续性。通过加权拟合的方式,提高了随机森林算法在流量预测中的准确率。
在一些实施例中,根据历史流量数据,计算计算每棵决策树的预测权重包括如下步骤:
首先,确定历史流量数据中每个历史时间点的流量的多种第二特征值。第二特征值与第一特征值的种类相同。确定每个历史时间点的流量的多种第二特征值的方法与确定未来时间点的多种第一特征值的方法类似。每个历史时间点的流量具有多种第二特征值。例如,历史流量Nn的多种第二特征值采用特征集合Sn表示。
其次,根据历史流量数据中每个历史时间点的流量和多种第二特征值,确定多个训练样本。例如,多个训练样本为训练样本1至训练样本m。
然后,利用多个训练样本,确定每棵决策树的准确率。例如,利用多个训练样本,确定每棵决策树的准确率包括步骤:将每个训练样本中的每个历史时间点的流量和多种第二特征值,输入与每个训练样本对应的决策树,得到每棵决策树的准确率。例如,第i棵决策树的准确率为Ri,其中,i为大于或等于1且小于或等于m的整数。
在一些实施例中,每个历史时间点的流量作为标签数据,每棵决策树利用对应的多种第二特征值预测得到预测流量。根据预测流量和标签数据,确定每棵决策树的准确率。例如,当预测流量在标签数据的指定偏差范围内的情况,预测流量为正确的。将正确的数量与训练样本的流量总个数的比值,确定为每棵决策树的准确率。
最后,根据每棵决策树的准确率与各棵决策树的准确率的总和的比值,计算每棵决策树的预测权重。在一些实施例中,将每棵决策树的准确率与各棵决策树的准确率的总和的比值,确定为每棵决策树的预测权重。例如,对于第i棵决策树,预测权重为
在一些实施例中,根据历史流量数据,利用多棵决策树和每棵决策树的预测权重,预测未来时间点的流量包括如下步骤:
首先,根据多种第一特征值,利用每棵决策树,预测未来时间点的中间流量。例如,对于第i棵决策树hi(x),中间流量为di。
本公开通过对历史流量数据进行分析,确定与未来时间点密切相关的多种特征值,并利用准确率高、鲁棒性好的随机森林算法,提高了预测效率和准确率。另外,利用多种第一特征值进行预测,解决了利用大量历史数据,进行流量预测,预测效率低的技术问题。本公开可应用于带宽调整场景。根据流量预测分析结果进行动态带宽调整,以提高接入网的带宽利用率,保证网络质量以及新业务的正常开通的带宽余量。在智能运维及网络规划方法具有实用性。
图2示出根据本公开一些实施例的流量预测装置的框图。
如图2所示,流量预测装置2包括获取模块21、确定模块22和预测模块23。
获取模块21被配置为获取无源光纤网络PON端口的历史流量数据,例如执行如图1所示的步骤S110。
确定模块22被配置为根据所述历史流量数据,确定未来时间点的流量的多种第一特征值,例如执行如图1所示的步骤S120。
预测模块22被配置为根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量,例如执行如图1所示的步骤S130。
图3示出根据本公开另一些实施例的流量预测装置的框图。
如图3所示,流量预测装置3包括存储器31;以及耦接至该存储器31的处理器32,存储器31用于存储执行流量预测方法对应实施例的指令。处理器32被配置为基于存储在存储器31中的指令,执行本公开中任意一些实施例中的流量预测方法。
图4示出用于实现本公开一些实施例的计算机系统的框图。
如图4所示,计算机系统40可以通用计算设备的形式表现。计算机系统40包括存储器410、处理器420和连接不同系统组件的总线400。
存储器410例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。系统存储器可以包括易失性存储介质,例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行流量预测方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器420可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地,诸如判断模块和确定模块的每个模块,可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现,也可以通过执行相应步骤的专用电路来实现。
总线400可以使用多种总线结构中的任意总线结构。例如,总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、外围组件互连(PCI)总线。
计算机系统40还可以包括输入输出接口430、网络接口440、存储接口440等。这些接口430、440、440以及存储器410和处理器420之间可以通过总线400连接。输入输出接口430可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口440为各种联网设备提供连接接口。存储接口440为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里,参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个框以及各框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器,以产生一个机器,使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中,这些指令使得计算机以特定方式工作,从而产生一个制造品,包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
通过上述实施例中的流量预测方法及装置、计算机可存储介质,增加了匿名性,提高了PON端口流量预测的预测效率和准确率。
至此,已经详细描述了根据本公开的流量预测方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
Claims (15)
1.一种流量预测方法,包括:
获取无源光纤网络PON端口的历史流量数据;
根据所述历史流量数据,确定未来时间点的流量的多种第一特征值;
根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量。
2.根据权利要求1所述的流量预测方法,其中,所述多种第一特征值包括以下第一特征值中的多种:
在所述未来时间点之前的、每个指定流量周期内的多个指定历史时间点的流量;
每个指定流量周期内的多个指定历史时间点的流量的相关值;和
未来时间点的流量的类型。
3.根据权利要求2所述的流量预测方法,其中,根据所述历史流量数据,确定未来时间点的流量的多种第一特征值包括:
根据所述历史流量数据,确定所述PON端口的流量周期;
确定在所述未来时间点之前的、每个指定流量周期内的多个指定历史时间点的流量;
对每个指定流量周期内的多个指定历史时间点的流量进行数学运算,得到每个指定流量周期内的多个指定历史时间点的流量的相关值。
4.根据权利要求3所述的流量预测方法,其中,根据所述历史流量数据,确定未来时间点的流量的多种第一特征值还包括:
根据所述历史流量数据,确定与未来时间点对应的历史时间点的流量的类型;
根据所述与未来时间点对应的历史时间点的流量的类型,确定所述未来时间点的流量的类型。
5.根据权利要求4所述的流量预测方法,其中,所述类型包括忙时流量和闲时流量,根据所述历史流量数据,确定与未来时间点对应的历史时间点的流量的类型包括:
根据所述历史流量数据中的各个历史时间点的流量的加和,计算阈值;
在与未来时间点对应的历史时间点的流量大于所述阈值的情况下,将所述与未来时间点对应的历史时间点的流量的类型,确定为忙时流量;
在与未来时间点对应的历史时间点的流量小于或等于所述阈值的情况下,将所述与未来时间点对应的历史时间点的流量的类型,确定为闲时流量。
6.根据权利要求5所述的流量预测方法,其中,根据所述历史流量数据中的各个历史时间点的流量的加和,计算阈值包括:
根据所述加和与指定百分比的乘积,确定所述阈值。
7.根据权利要求3所述的流量预测方法,其中,根据所述历史流量数据,确定所述PON端口的流量周期包括:
根据所述历史流量数据,利用曲线拟合方法,确定所述PON端口的流量周期。
8.根据权利要求3所述的流量预测方法,其中,所述相关值为每个指定流量周期中各个指定历史时间点的流量的均值、中位数、最大值和方差中的至少一个。
9.根据权利要求1所述的流量预测方法,还包括:
利用随机森林算法,生成多棵决策树;
根据所述历史流量数据,计算每棵决策树的预测权重;
其中,根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量包括:
根据所述多种第一特征值,利用所述多棵决策树和每棵决策树的预测权重,预测未来时间点的流量。
10.根据权利要求9所述的流量预测方法,其中,根据所述历史流量数据,计算每棵决策树的预测权重包括:
确定所述历史流量数据中每个历史时间点的流量的多种第二特征值,所述第二特征值与所述第一特征值的种类相同;
根据所述历史流量数据中每个历史时间点的流量和所述多种第二特征值,确定多个训练样本;
利用所述多个训练样本,确定每棵决策树的准确率;
根据每棵决策树的准确率与各棵决策树的准确率的总和的比值,计算每棵决策树的预测权重。
11.根据权利要求10所述的流量预测方法,其中,利用所述多个训练样本,确定每棵决策树的准确率包括:
将每个训练样本中的每个历史时间点的流量和所述多种第二特征值,输入与所述每个训练样本对应的决策树,得到每棵决策树的准确率。
12.根据权利要求9所述的流量预测方法,其中,根据所述历史流量数据,利用所述多棵决策树和每棵决策树的预测权重,预测未来时间点的流量包括:
根据所述多种第一特征值,利用每棵决策树,预测所述未来时间点的中间流量;
根据各棵决策树的中间流量和预测权重的加权和,确定未来时间点的流量。
13.一种流量预测装置,包括:
获取模块,被配置为获取无源光纤网络PON端口的历史流量数据;
确定模块,被配置为根据所述历史流量数据,确定未来时间点的流量的多种第一特征值;
预测模块,被配置为根据所述多种第一特征值,利用随机森林算法,预测所述未来时间点的流量。
14.一种流量预测装置,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的指令,执行如权利要求1至12任一项所述的流量预测方法。
15.一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现如权利要求1至12任一项所述的流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354514.6A CN113038302B (zh) | 2019-12-25 | 2019-12-25 | 流量预测方法及装置、计算机可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354514.6A CN113038302B (zh) | 2019-12-25 | 2019-12-25 | 流量预测方法及装置、计算机可存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113038302A true CN113038302A (zh) | 2021-06-25 |
CN113038302B CN113038302B (zh) | 2022-09-30 |
Family
ID=76458100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911354514.6A Active CN113038302B (zh) | 2019-12-25 | 2019-12-25 | 流量预测方法及装置、计算机可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113038302B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113596632A (zh) * | 2021-07-28 | 2021-11-02 | 北京邮电大学 | 一种无源光网络切片划分方法、装置及框架 |
CN113726558A (zh) * | 2021-08-09 | 2021-11-30 | 国网福建省电力有限公司 | 基于随机森林算法的网络设备流量预测系统 |
CN113726557A (zh) * | 2021-08-09 | 2021-11-30 | 国网福建省电力有限公司 | 基于流量需求的网络传输控制优化方法 |
CN114143822A (zh) * | 2021-11-05 | 2022-03-04 | 阳光电源股份有限公司 | 流量管理方法、运营管理平台、充电桩及存储介质 |
CN114268580A (zh) * | 2021-12-27 | 2022-04-01 | 中国电信股份有限公司 | 业务请求的转发方法和装置、存储介质及电子装置 |
WO2023020425A1 (zh) * | 2021-08-18 | 2023-02-23 | 中国电信股份有限公司 | 一种流量区间预测评估方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574544A (zh) * | 2015-12-16 | 2016-05-11 | 平安科技(深圳)有限公司 | 一种数据处理方法和装置 |
US20170041430A1 (en) * | 2015-08-05 | 2017-02-09 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | Prioritizing network traffic based on relative imminence of usage |
CN107171848A (zh) * | 2017-05-27 | 2017-09-15 | 华为技术有限公司 | 一种流量预测方法和装置 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN110580544A (zh) * | 2019-08-12 | 2019-12-17 | 浙江工业大学 | 一种基于周期性依赖的话务量预测方法 |
-
2019
- 2019-12-25 CN CN201911354514.6A patent/CN113038302B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170041430A1 (en) * | 2015-08-05 | 2017-02-09 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | Prioritizing network traffic based on relative imminence of usage |
CN105574544A (zh) * | 2015-12-16 | 2016-05-11 | 平安科技(深圳)有限公司 | 一种数据处理方法和装置 |
CN107171848A (zh) * | 2017-05-27 | 2017-09-15 | 华为技术有限公司 | 一种流量预测方法和装置 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN110580544A (zh) * | 2019-08-12 | 2019-12-17 | 浙江工业大学 | 一种基于周期性依赖的话务量预测方法 |
Non-Patent Citations (1)
Title |
---|
马晓东: "基于加权决策树的随机森林模型优化", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113596632A (zh) * | 2021-07-28 | 2021-11-02 | 北京邮电大学 | 一种无源光网络切片划分方法、装置及框架 |
CN113596632B (zh) * | 2021-07-28 | 2022-05-24 | 北京邮电大学 | 一种无源光网络切片划分方法、装置及系统 |
CN113726558A (zh) * | 2021-08-09 | 2021-11-30 | 国网福建省电力有限公司 | 基于随机森林算法的网络设备流量预测系统 |
CN113726557A (zh) * | 2021-08-09 | 2021-11-30 | 国网福建省电力有限公司 | 基于流量需求的网络传输控制优化方法 |
WO2023020425A1 (zh) * | 2021-08-18 | 2023-02-23 | 中国电信股份有限公司 | 一种流量区间预测评估方法、装置和存储介质 |
CN114143822A (zh) * | 2021-11-05 | 2022-03-04 | 阳光电源股份有限公司 | 流量管理方法、运营管理平台、充电桩及存储介质 |
CN114143822B (zh) * | 2021-11-05 | 2023-08-15 | 阳光电源股份有限公司 | 流量管理方法、运营管理平台、充电桩及存储介质 |
CN114268580A (zh) * | 2021-12-27 | 2022-04-01 | 中国电信股份有限公司 | 业务请求的转发方法和装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113038302B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113038302B (zh) | 流量预测方法及装置、计算机可存储介质 | |
US10552119B2 (en) | Dynamic management of numerical representation in a distributed matrix processor architecture | |
Wang et al. | Parallel online sequential extreme learning machine based on MapReduce | |
CN110033026B (zh) | 一种连续小样本图像的目标检测方法、装置及设备 | |
CN106855952B (zh) | 基于神经网络的计算方法及装置 | |
CN111435463A (zh) | 数据处理方法及相关设备、系统 | |
WO2022027913A1 (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN111026544A (zh) | 图网络模型的节点分类方法、装置及终端设备 | |
CN116841753B (zh) | 一种流处理和批处理的切换方法及切换装置 | |
CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
CN108694472B (zh) | 预测误差极值分析方法、装置、计算机设备和存储介质 | |
CN109389215B (zh) | 一种深度学习网络的网络结构确定方法及装置 | |
CN110751400B (zh) | 一种风险评估方法及装置 | |
CN109241511B (zh) | 一种电子报告的生成方法及设备 | |
US11068784B2 (en) | Generic quantization of artificial neural networks | |
Ni et al. | Online performance and power prediction for edge TPU via comprehensive characterization | |
CN110866605A (zh) | 数据模型训练方法、装置、电子设备及可读介质 | |
Zhang et al. | nn-METER: Towards accurate latency prediction of DNN inference on diverse edge devices | |
CN111737371B (zh) | 可动态预测的数据流量检测分类方法及装置 | |
CN111061711A (zh) | 一种基于数据处理行为的大数据流卸载方法和装置 | |
CN112766356A (zh) | 一种基于动态权重D-XGBoost模型的预测方法及系统 | |
Chen et al. | Optimized matrix ordering of sparse linear solver using a few-shot model for circuit simulation | |
Zhang et al. | Inferring cell-specific causal regulatory networks from drift and diffusion | |
CN111522644B (zh) | 基于历史运行数据预测并行程序运行时间的方法 | |
TWI755176B (zh) | 細胞密度分類方法及裝置、電子裝置及存儲介質 |
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 |