CN113472551B - 网络流量预测方法、装置和存储介质 - Google Patents

网络流量预测方法、装置和存储介质 Download PDF

Info

Publication number
CN113472551B
CN113472551B CN202010233873.2A CN202010233873A CN113472551B CN 113472551 B CN113472551 B CN 113472551B CN 202010233873 A CN202010233873 A CN 202010233873A CN 113472551 B CN113472551 B CN 113472551B
Authority
CN
China
Prior art keywords
network
network traffic
network flow
value
prediction model
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
Application number
CN202010233873.2A
Other languages
English (en)
Other versions
CN113472551A (zh
Inventor
曾宇
王海宁
林碧兰
张晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202010233873.2A priority Critical patent/CN113472551B/zh
Publication of CN113472551A publication Critical patent/CN113472551A/zh
Application granted granted Critical
Publication of CN113472551B publication Critical patent/CN113472551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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

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

本公开提出一种网络流量预测方法、装置和存储介质，涉及通信领域。该方法包括：将准备预测的时间信息输入网络流量预测模型；获取所述网络流量预测模型输出的所述时间信息相应的网络流量预测值；其中，所述网络流量预测模型包括网络流量趋势性预测模型，所述网络流量趋势性预测模型是以时间序列为自变量，网络流量为因变量所构建的二次函数模型。从而，能够准确预测网络流量趋势，输出各个时间相应的网络流量预测值，为负载均衡或网络规划等业务提供支撑。

Description

网络流量预测方法、装置和存储介质
技术领域
本公开涉及通信领域，特别涉及一种网络流量预测方法、装置和存储介质。
背景技术
移动互联网发展迅速，移动互联网用户数和各种新兴业务不断增加，使得移动互联网流量激增。随着网络服务和应用的多样化，网络流量的特性更加复杂。传统的流量统计分析方法已无法满足海量数据的例如网络规划等业务要求。
发明内容
本公开实施例以时间序列为自变量，网络流量为因变量所构建的预测模型，能够准确预测网络流量趋势，输出各个时间相应的网络流量预测值，为负载均衡或网络规划等业务提供支撑。此外，基于历史时间序列和相应的历史网络流量构建预测模型，使得预测模型能够更准确地预测网络流量趋势。此外，预测模型还考虑了各种周期对网络流量的影响，进一步提高网络流量预测的准确性。
本公开的一些实施例提出一种网络流量预测方法，包括：
将准备预测的时间信息输入网络流量预测模型；
获取所述网络流量预测模型输出的所述时间信息相应的网络流量预测值；
其中，所述网络流量预测模型包括网络流量趋势性预测模型，所述网络流量趋势性预测模型是以时间序列为自变量，网络流量为因变量所构建的二次函数模型。
在一些实施例中，所述网络流量趋势性预测模型的构建方法包括：
根据历史时间序列和相应的历史网络流量，采用最小二乘法，确定所述二次函数模型中的自变量的系数。
在一些实施例中，所述二次函数模型为y＝a+bx+cx2，y代表网络流量值，x代表网络流量值的时间序列，
设
Figure BDA0002430306480000021
Figure BDA0002430306480000022
W＝-T3+2STU-NU2-S2V+NTV，其中，yi是第i个历史网络流量值，xi是第i个历史网络流量值的时间序列，xi的取值为1,2,3,…N，N为历史网络流量的个数，则系数a、b、c分别为：
Figure BDA0002430306480000023
Figure BDA0002430306480000024
Figure BDA0002430306480000025
在一些实施例中，所述网络流量预测模型还包括网络流量第一周期预测模型，其构建方法包括：
将历史时间序列输入所述二次函数模型，输出所述历史时间序列相应的各个网络流量预测值；
计算历史时间序列相应的各个历史网络流量与各个网络流量预测值之间的各个第一差值；
基于网络流量的变化周期，对各个第一差值进行平滑处理；
计算平滑处理后的各个第一差值的平均值或中间值；
基于网络流量的变化周期，对所述平均值或中间值进行归一化处理；
将归一化处理后的所述平均值或中间值与作为因变量的网络流量构建网络流量第一周期预测模型。
在一些实施例中，网络流量第一周期预测模型表示为：y＝SNp＝(x mod L)，
其中，
Figure BDA0002430306480000026
p∈[0,L-1]的整数，
y代表网络流量值，x代表网络流量值的时间序列，L表示网络流量的变化周期，mod表示求余函数，SNp表示归一化处理后的所述平均值或中间值，
Figure BDA0002430306480000031
表示平滑处理后的各个第一差值sni的平均值或中间值。
在一些实施例中，sni＝y′i-CM.i＝l，
Figure BDA0002430306480000032
的整数，
其中，
Figure BDA0002430306480000033
k∈[1,N-L+1]的整数，
其中，sni表示平滑处理后的各个第一差值y′i，历史时间序列xi相应的各个历史网络流量yi与各个网络流量预测值
Figure BDA0002430306480000034
之间的各个第一差值为y′i。
在一些实施例中，所述网络流量预测模型还包括网络流量第二周期预测模型，其表示为：y＝SNTrendx＝i，
其中，
Figure BDA0002430306480000035
其中，y代表网络流量值，x代表网络流量值的时间序列，L表示网络流量的变化周期，mod表示求余函数，历史时间序列xi相应的各个历史网络流量yi与各个网络流量预测值
Figure BDA0002430306480000036
之间的各个第一差值为y′i，SNp表示归一化处理后的所述平均值或中间值。
在一些实施例中，还包括：利用网络流量预测值进行负载均衡或网络规划。
本公开的一些实施例提出一种网络流量预测装置，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中的指令，执行任一个实施例所述的网络流量预测方法。
本公开的一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一个实施例所述的网络流量预测方法的步骤。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
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示出本公开一些实施例的网络流量预测模型的构建方法的流程示意图。
图2示出本公开一些实施例的网络流量预测方法的流程示意图。
图3为本公开一些实施例的网络流量预测装置的结构示意图。
具体实施方式
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。
图1示出本公开一些实施例的网络流量预测模型的构建方法的流程示意图。
如图1所示，该实施例的方法包括：
步骤110，获取历史数据集，包括历史时间序列和相应的历史网络流量；
步骤120，利用历史数据集构建网络流量预测模型。
其中，网络流量预测模型包括网络流量趋势性预测模型，还可以选择性的包括网络流量第一周期预测模型(或称，网络流量短周期预测模型)和网络流量第二周期预测模型(或称，网络流量长周期预测模型)中的一个或多个。
网络流量趋势性预测模型是以时间序列为自变量，网络流量为因变量所构建的二次函数模型。网络流量趋势性预测模型的构建方法包括：根据历史时间序列和相应的历史网络流量，采用最小二乘法，确定二次函数模型中的自变量的系数。
二次函数模型为y＝a+bx+cx2，y代表网络流量值，x代表网络流量值的时间序列，
设
Figure BDA0002430306480000041
Figure BDA0002430306480000042
W＝-T3+2STU-NU2-S2V+NTV。其中，yi是第i个历史网络流量值，xi是第i个历史网络流量值的时间序列(即，时间序号)，xi的取值为1,2,3,…N，N为历史网络流量的个数，N的数值通常较大，至少要求N≥3。
系数a、b、c分别为：
Figure BDA0002430306480000051
Figure BDA0002430306480000052
Figure BDA0002430306480000053
基于历史数据集求解出系数后，就构建出了网络流量趋势性预测模型。
如前所述，在一些实施例中，网络流量预测模型还包括网络流量第一周期预测模型，其构建方法包括：
(1)将历史时间序列xi输入二次函数模型(即，构建好的网络流量趋势性预测模型)，输出历史时间序列xi相应的各个网络流量预测值
Figure BDA0002430306480000054
(2)计算各个历史时间序列xi相应的各个历史网络流量yi与各个网络流量预测值
Figure BDA0002430306480000055
之间的各个第一差值为y′i。
计算公式例如为：
Figure BDA0002430306480000056
(3)基于网络流量的变化周期L，对各个第一差值y′i进行平滑处理。
一种示例性的平滑处理方法如下：
sni＝y′i-CM.i＝l，
Figure BDA0002430306480000057
的整数，sni表示平滑处理后的各个第一差值y′i。
其中，
Figure BDA0002430306480000058
k∈[1,N-L+1]的整数。已知
Figure BDA0002430306480000059
通过简单的数学推理就可以计算M.l和M.l+1。例如，k的第一个取值1对应的
Figure BDA00024303064800000510
与l的第一个取值
Figure BDA00024303064800000511
对应的M.l相等。
此外，变化周期L的取值例如为7天、14天、30天或90天等，可根据业务需要进行设置。
(4)计算平滑处理后的各个第一差值的平均值或中间值，用
Figure BDA00024303064800000512
表示平滑处理后的各个第一差值sni的平均值或中间值。
平滑处理后的各个第一差值sni的平均值的计算方法如下：
Figure BDA0002430306480000061
上式中，p∈[0,L-1]，整数。
Figure BDA0002430306480000062
表示floor函数，其功能是“向下取整”，mod表示求余函数。
平滑处理后的各个第一差值sni的中值的计算方法如下：
Figure BDA0002430306480000063
上式中，Median函数表示对集合{sni}取中值。
(5)基于网络流量的变化周期L，对上述的平均值或中间值
Figure BDA0002430306480000064
进行归一化处理。
Figure BDA0002430306480000065
p∈[0,L-1]的整数，SNp表示归一化处理后的平均值或中间值。
(6)将归一化处理后的平均值或中间值与作为因变量的网络流量构建网络流量第一周期预测模型。
网络流量第一周期预测模型表示为：y＝SNp＝(x mod L)，
y代表网络流量值，x代表网络流量值的时间序列，L表示网络流量的变化周期，mod表示求余函数，SNp表示归一化处理后的平均值或中间值，
Figure BDA0002430306480000066
表示平滑处理后的各个第一差值sni的平均值或中间值。
如前所述，在一些实施例中，网络流量预测模型还包括网络流量第二周期预测模型，其表示为：y＝SNTrendx＝i，其中，
Figure BDA0002430306480000067
Figure BDA0002430306480000068
其中，y代表网络流量值，x代表网络流量值的时间序列，L表示网络流量的变化周期，mod表示求余函数，历史时间序列xi相应的各个历史网络流量yi与各个网络流量预测值
Figure BDA0002430306480000069
之间的各个第一差值为y′i，SNp表示归一化处理后的平均值或中间值。
在网络流量预测模型包括网络流量趋势性预测模型、网络流量第一周期预测模型、网络流量第二周期预测模型的情况下，将各个模型的表达式叠加起来，则网络流量预测模型表示为：
y＝a+bx+cx2SNp＝(x mod L)+SNTrendx＝i
各符号的含义参考上述，这里不再赘述。
基于历史时间序列和相应的历史网络流量构建预测模型，使得预测模型能够更准确地预测网络流量趋势。此外，预测模型还考虑了各种周期对网络流量的影响，进一步提高网络流量预测的准确性。
利用历史数据集构建好网络流量预测模型后，就可以利用网络流量预测模型进行网络流量预测。
图2示出本公开一些实施例的网络流量预测方法的流程示意图。
如图2所示，该实施例的方法包括：
步骤210，将准备预测的时间信息输入上述构建的网络流量预测模型。
步骤220，获取网络流量预测模型输出的时间信息相应的网络流量预测值。
如果想要预测某条链路的网络流量，则可以基于该链路的历史网络流量和相应的历史时间序列，按照上述的网络流量预测模型的构建方法，构建该条链路的网络流量预测模型。然后，将想要预测的时间输入网络流量预测模型，就可以输出该链路在该时间相应的网络流量预测值。
如果想要预测某个网络节点处(如某省出口或某国际出口)的网络流量，则可以基于该网络节点的历史网络流量和相应的历史时间序列，按照上述的网络流量预测模型的构建方法，构建该网络节点处的网络流量预测模型。然后，将想要预测的时间输入网络流量预测模型，就可以输出该网络节点在该时间相应的网络流量预测值。
本公开实施例以时间序列为自变量，网络流量为因变量所构建的预测模型，能够准确预测网络流量趋势，输出各个时间相应的网络流量预测值，为负载均衡或网络规划等业务提供支撑。此外，基于历史时间序列和相应的历史网络流量构建预测模型，使得预测模型能够更准确地预测网络流量趋势。此外，预测模型还考虑了各种周期对网络流量的影响，进一步提高网络流量预测的准确性。
在通过预测获得关注的网络位置(如，网络链路、网络节点、骨干网等)在未来时间的网络流量预测值后，可以利用网络流量预测值进行负载均衡或网络规划。
例如，获得在未来时间的多个网络位置处的网络流量预测值，根据各处网络流量预测值的大小，为各个网络位置处的网络设备调配相应的网络资源，或者，均衡各个网络位置处的负载，使得各个网络位置处的负载比较均衡，提升整个网络的服务性能。
图3为本公开一些实施例的网络流量预测装置的结构示意图。如图3所示，该实施例的装置300包括：存储器310以及耦接至该存储器310的处理器320，处理器320被配置为基于存储在存储器310中的指令，执行前述任意一些实施例中的网络流量预测方法或/和网络流量预测模型的构建方法。
其中，存储器310例如可以包括系统存储器、固定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。
装置300还可以包括输入输出接口330、网络接口340、存储接口350等。这些接口330，340，350以及存储器310和处理器320之间例如可以通过总线360连接。其中，输入输出接口330为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口340为各种联网设备提供连接接口。存储接口350为SD卡、U盘等外置存储设备提供连接接口。
本公开提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一个实施例的网络流量预测方法或/和网络流量预测模型的构建方法的步骤。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，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。而且，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种网络流量预测方法，其特征在于，包括：
将准备预测的时间信息输入网络流量预测模型；
获取所述网络流量预测模型输出的所述时间信息相应的网络流量预测值；
其中，所述网络流量预测模型由网络流量趋势性预测模型、网络流量第一周期预测模型和网络流量第二周期预测模型叠加组成，所述网络流量趋势性预测模型是以时间序列为自变量，网络流量为因变量所构建的二次函数模型，所述网络流量第一周期预测模型是根据网络流量的变化周期L、历史网络流量预测差值以及作为因变量的网络流量所构建的基于L的网络流量短周期预测模型，所述网络流量第二周期预测模型是根据预设长周期N、历史网络流量预测差值、所述网络流量第一周期预测模型的预测值以及作为因变量的网络流量所构建的基于N的网络流量长周期预测模型。
2.根据权利要求1所述的方法，其特征在于，
所述网络流量趋势性预测模型的构建方法包括：根据历史时间序列和相应的历史网络流量，采用最小二乘法，确定所述二次函数模型中的自变量的系数。
3.根据权利要求2所述的方法，其特征在于，
所述二次函数模型为y＝a+bx+cx2，y代表网络流量值，x代表网络流量值的时间序列，
设
Figure FDA0003871659800000011
Figure FDA0003871659800000012
W＝-T3+2STU-NU2-S2V+N T V，其中，yi是第i个历史网络流量值，xi是第i个历史网络流量值的时间序列，xi的取值为1,2,3,…N，N为历史网络流量的个数，则系数a、b、c分别为：
Figure FDA0003871659800000013
Figure FDA0003871659800000014
Figure FDA0003871659800000021
4.根据权利要求1所述的方法，其特征在于，所述网络流量第一周期预测模型的构建方法包括：
将历史时间序列输入所述二次函数模型，输出所述历史时间序列相应的各个网络流量预测值；
计算历史时间序列相应的各个历史网络流量与各个网络流量预测值之间的各个第一差值；
基于网络流量的变化周期，对各个第一差值进行平滑处理；
计算平滑处理后的各个第一差值的平均值或中间值；
基于网络流量的变化周期，对所述平均值或中间值进行归一化处理；
将归一化处理后的所述平均值或中间值与作为因变量的网络流量构建网络流量第一周期预测模型。
5.根据权利要求4所述的方法，其特征在于，
网络流量第一周期预测模型表示为：y＝SNp＝(x mod L)，
其中，
Figure FDA0003871659800000022
的整数，
y代表网络流量值，x代表网络流量值的时间序列，L表示网络流量的变化周期，mod表示求余函数，SNp表示归一化处理后的所述平均值或中间值，
Figure FDA0003871659800000023
表示平滑处理后的各个第一差值sni的平均值或中间值。
6.根据权利要求5所述的方法，其特征在于，
Figure FDA0003871659800000024
的整数，
其中，
Figure FDA0003871659800000025
的整数，
其中，sni表示平滑处理后的各个第一差值y′i，历史时间序列xi相应的各个历史网络流量yi与各个网络流量预测值
Figure FDA0003871659800000026
之间的各个第一差值为y′i。
7.根据权利要求4所述的方法，其特征在于，所述网络流量第二周期预测模型表示为：y＝SNTrendx＝i，
其中，
Figure FDA0003871659800000031
其中，y代表网络流量值，x代表网络流量值的时间序列，L表示网络流量的变化周期，mod表示求余函数，历史时间序列xi相应的各个历史网络流量yi与各个网络流量预测值
Figure FDA0003871659800000032
之间的各个第一差值为y′i，SNp表示归一化处理后的所述平均值或中间值。
8.根据权利要求1-7任一项所述的方法，其特征在于，还包括：
利用网络流量预测值进行负载均衡或网络规划。
9.一种网络流量预测装置，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中的指令，执行权利要求1-8中任一项所述的网络流量预测方法。
10.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8中任一项所述的网络流量预测方法的步骤。
CN202010233873.2A 2020-03-30 2020-03-30 网络流量预测方法、装置和存储介质 Active CN113472551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010233873.2A CN113472551B (zh) 2020-03-30 2020-03-30 网络流量预测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010233873.2A CN113472551B (zh) 2020-03-30 2020-03-30 网络流量预测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN113472551A CN113472551A (zh) 2021-10-01
CN113472551B true CN113472551B (zh) 2022-11-18

Family

ID=77864907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010233873.2A Active CN113472551B (zh) 2020-03-30 2020-03-30 网络流量预测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN113472551B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101651568A (zh) * 2009-07-01 2010-02-17 青岛农业大学 一种网络流量预测和异常检测方法
CN105471631A (zh) * 2015-11-17 2016-04-06 重庆大学 基于流量趋势的网络流量预测方法
CN108462603A (zh) * 2018-01-03 2018-08-28 全球能源互联网研究院有限公司 电力信息网络流量数据的预测、网络升级的方法及装置
CN110210658A (zh) * 2019-05-22 2019-09-06 东南大学 基于小波变换的Prophet与高斯过程用户网络流量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9451473B2 (en) * 2014-04-08 2016-09-20 Cellco Partnership Analyzing and forecasting network traffic

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101651568A (zh) * 2009-07-01 2010-02-17 青岛农业大学 一种网络流量预测和异常检测方法
CN105471631A (zh) * 2015-11-17 2016-04-06 重庆大学 基于流量趋势的网络流量预测方法
CN108462603A (zh) * 2018-01-03 2018-08-28 全球能源互联网研究院有限公司 电力信息网络流量数据的预测、网络升级的方法及装置
CN110210658A (zh) * 2019-05-22 2019-09-06 东南大学 基于小波变换的Prophet与高斯过程用户网络流量预测方法

Also Published As

Publication number Publication date
CN113472551A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
US11521067B2 (en) Decentralized distributed deep learning
CN106492459B (zh) 一种数据处理系统、数据处理方法以及数据处理装置
CN114493376B (zh) 一种基于工单数据的任务调度管理方法及系统
CN113762421B (zh) 分类模型的训练方法、流量分析方法、装置及设备
CN114416351B (zh) 资源分配方法、装置、设备、介质及计算机程序产品
CN104616173B (zh) 预测用户流失的方法以及设备
CN114781650A (zh) 一种数据处理方法、装置、设备以及存储介质
CN111209930A (zh) 一种生成授信策略的方法、装置和电子设备
CN117590766A (zh) 通道入口导流栏杆角度调整的控制方法和装置
CN109978172B (zh) 一种基于极限学习机的资源池利用率预测方法及装置
CN114676892A (zh) 一种基于智能匹配的服务派单方法、系统及设备
CN113472551B (zh) 网络流量预测方法、装置和存储介质
CN113158124A (zh) 基于人工智能的数据处理方法、装置及存储介质
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN113988158A (zh) 一种基于ftrl和学习率的纵向联邦逻辑回归训练方法及装置
CN115225543A (zh) 一种流量预测方法、装置、电子设备和存储介质
CN114615144B (zh) 网络优化方法及系统
CN115714726A (zh) 一种网络割接规划方法及相关设备
CN114792258B (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN115550259B (zh) 基于白名单的流量分配方法及相关设备
CN110633596A (zh) 预测车辆方向角的方法和装置
CN118468609B (zh) 一种宠物食品生产流程模拟系统及方法
CN114816758B (zh) 资源分配方法和装置
CN117094031B (zh) 工业数字孪生数据隐私保护方法及相关介质
CN111784389B (zh) 一种产品的客户数量预测方法及装置

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