CN113691398B - 节点带宽的预测方法、装置、电子设备和存储介质 - Google Patents
节点带宽的预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113691398B CN113691398B CN202110932960.1A CN202110932960A CN113691398B CN 113691398 B CN113691398 B CN 113691398B CN 202110932960 A CN202110932960 A CN 202110932960A CN 113691398 B CN113691398 B CN 113691398B
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- sample set
- preset time
- target
- 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.)
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- 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
-
- 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
Abstract
本发明涉及一种节点带宽的预测方法、装置、电子设备、和存储介质。该预测方法包括:通过获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,第一历史带宽数据包括:第一预设时间段对应的带宽值,以及第一预设时间段对应的时间属性信息;将第一历史带宽数据输入目标循环神经网络模型,得到目标节点在目标时刻后第二预设时间段内的预测带宽数据,预测带宽数据包括:第二预设时间段对应的带宽值,该方法能够提升节点带宽的预测结果的准确性。
Description
技术领域
本公开涉及机器学习技术领域,尤其涉及一种节点带宽的预测方法、装置、电子设备和存储介质。
背景技术
内容分发网络(Content Delivery Network,CDN)服务商从电信运营商或代理商那里采购的节点的计费方式包括95计费方式、包端口计费方式、流量点计费方式等,其中,95计费方式是把一个月里的流量,按每5分钟统计一次,取其中流量最高值做一个流量峰值点,由此获得一个月内的多个流量峰值点,把流量峰值点的前5%去掉,按照剩下的95%来计算费用,也就是说每月中有36个小时的异常大带宽,不会影响当月的计费。因此需要精确预测CDN节点的当月付费带宽值,保证付费带宽在设定的规划值的范围内,从而不会影响成本。
现有技术中,可以通过昨日带宽的增长趋势拟合预测当前带宽的增长趋势,此种方式容易实现,但是预测结果误差较大;还可以通过自回归滑动平均模型(Autoregressivemoving average model,ARMA)预测当前带宽的增长趋势,ARMA模型简单,只需要内生变量而不需要其他外生变量,但是对时序数据的稳定性要求较高,且无法捕捉到非线性关系,导致预测结果误差较大。
发明内容
本发明实施例提供了一种节点带宽的预测方法、装置、电子设备、和存储介质,能够提升节点带宽的预测结果的准确性。
第一方面,本发明实施例提供了一种节点带宽的预测方法,包括:
获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,所述第一历史带宽数据包括:所述第一预设时间段对应的带宽值,以及所述第一预设时间段对应的时间属性信息;
将所述第一历史带宽数据输入目标循环神经网络模型,得到所述目标节点在所述目标时刻后第二预设时间段内的预测带宽数据,所述预测带宽数据包括:所述第二预设时间段对应的带宽值;
其中,所述目标循环神经网络模型是基于训练样本集训练得到的,所述训练样本集包括:所述输入样本集和所述预测样本集,其中,所述输入样本集包括:第三预设时间段内的第二历史带宽数据,所述第二历史带宽数据包括:所述第三预设时间段对应的带宽值以及所述第三预设时间段对应的时间属性信息;所述预测样本集包括:第四预设时间段内的第三历史带宽数据,所述第三历史带宽数据包括:所述第四预设时间段对应的带宽值。
可选的,所述将所述第一历史带宽数据输入目标循环神经网络模型之前,还包括:
将所述输入样本集中的输入样本输入初始循环神经网络,得到输出样本;
根据所述输出样本以及所述预测样本集中预测样本,调整所述初始循环神经网络的参数,返回执行所述将所述输入样本集中的输入样本输入初始循环神经网络,得到输出样本,直至所述输出样本满足预设条件,确定所述初始循环神经网络为所述目标循环神经网络。
可选的,所述将所述第一历史带宽数据输入目标循环神经网络模型之前,还包括:
针对第i个初始循环神经网络,将所述输入样本集中的输入样本输入所述初始循环神经网络,得到输出样本,其中,i为大于等于1小于等于N的整数,N为所述初始循环神经网络的数量;
根据所述输出样本以及所述预测样本集中预测样本,调整所述初始循环神经网络的参数,返回执行所述将所述输入样本集中的输入样本输入所述初始循环神经网络,得到输出样本,直至迭代次数满足预设次数,确定所述初始循环神经网络为第i候选循环神经网络;
确定N个所述候选循环神经网络中误差最小的候选循环神经网络为所述目标循环神经网络。
可选的,所述训练样本集还包括:测试样本集;
所述确定N个所述候选循环神经网络中误差最小的候选循环神经网络为所述目标循环神经网络,包括:
根据所述测试样本集中的测试样本,确定N个所述候选循环神经网络的预测结果的误差值;
确定N个所述误差值中的最小误差值对应的候选循环神经网络为所述目标循环神经网络模型。
可选的,所述将所述第一历史带宽数据输入目标循环神经网络模型之前,还包括:
根据所述目标节点在多个所述第三预设时间段内的带宽值,确定目标带宽样本集;
根据各所述第三预设时间段内的带宽值对应的时间,获取各所述第三预设时间段对应的时间属性信息;
将所有所述第三预设时间段对应的时间属性信息添加至所述目标带宽样本集,获取所述训练样本集。
可选的,所述根据所述目标节点在所述第三预设时间段内的带宽值,确定目标带宽样本集,包括:
确定所述目标节点在所述第三预设时间段内缺失的带宽值;
根据所述缺失的带宽值和所述目标节点在所述第三预设时间段内的带宽值,获取第一带宽样本集,所述第一带宽样本集中的所有带宽值与时间一一对应;
根据所述第一带宽样本集,获取所述目标带宽样本集。
可选的,所述获取第一带宽样本集,包括:
获取第二带宽样本集中异常的带宽值,所述第二带宽样本集中包括所述缺失的带宽值和所述目标节点在所述第三预设时间段内的带宽值,所述第二带宽样本集中的所有带宽值与时间一一对应;
确定所述第二带宽样本集中异常的带宽值对应的替代带宽值;
将所述第二带宽样本集中异常的带宽值替换为对应的替代带宽值,获取所述第一带宽样本集。
可选的,所述根据所述第一带宽样本集,获取所述目标带宽样本集,包括:
对所述第一带宽样本集中的所有带宽值进行下采样处理,和/或,标准化处理,获取所述目标带宽样本集。
可选的,所述确定所述目标节点在所述第三预设时间段内缺失的带宽值,包括:
基于所述目标节点在所述第三预设时间段内的带宽值,确定多项式拟合方程,所述多项式拟合方程用于拟合所述目标节点在所述第三预设时间段对应的所有带宽值;
将所述缺失的带宽值对应的索引值输入至所述多项式拟合方程,确定所述缺失的带宽值。
可选的,所述确定所述第二带宽样本集中异常的带宽值对应的替代带宽值,包括:
将所述异常的带宽值对应的索引值输入至所述多项式拟合方程,确定所述异常的带宽值对应的替代带宽值。
可选的,所述目标循环神经网络模型包括:长短期记忆LSTM网络模型、门控循环单元GRU网络模型或深层循环神经网络DRNN模型。
可选的,所述第二预设时间段的时长小于所述第一预设时间段的时长。
第二方面,本公开提供了一种节点带宽的预测装置,包括:
获取模块,用于获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,所述第一历史带宽数据包括:所述第一预设时间段对应的带宽值,以及所述第一预设时间段对应的时间属性信息;
预测模块,用于将所述第一历史带宽数据输入目标循环神经网络模型,得到所述目标节点在所述目标时刻后第二预设时间段内的预测带宽数据,所述预测带宽数据包括:所述第二预设时间段对应的带宽值;
其中,所述目标循环神经网络模型是基于训练样本集训练得到的,所述训练样本集包括:输入样本集和预测样本集,其中,所述输入样本集包括:第三预设时间段内的第二历史带宽数据,所述第二历史带宽数据包括:所述第三预设时间段对应的带宽值以及所述第三预设时间段对应的时间属性信息;所述预测样本集包括:第四预设时间段内的第三历史带宽数据,所述第三历史带宽数据包括:所述第四预设时间段对应的带宽值。
第三方面,本公开提供了一种电子设备,包括:处理器,所述处理器用于执行存储于存储器的计算机程序,所述计算机程序被处理器执行时实现第一方面提供的任一种方法的步骤。
第四方面,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面提供的任一种方法的步骤。
本发明实施例提供的技术方案中,通过获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,第一历史带宽数据包括:第一预设时间段对应的带宽值,以及第一预设时间段对应的时间属性信息;将第一历史带宽数据输入目标循环神经网络模型,得到目标节点在目标时刻后第二预设时间段内的预测带宽数据,预测带宽数据包括:第二预设时间段对应的带宽值,也就是,通过设置目标循环神经网络模型的输入变量包括两个,一个为预设时间段对应的带宽值,一个为时间属性信息,以使得目标循环神经网络可以基于时间属性信息针对性的进行预测带宽,使得预测的带宽值与实际带宽值比较接近,从而能够提升节点带宽的预测结果的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
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简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本公开提供的一种节点带宽的预测方法的流程示意图;
图2为本公开提供的另一种节点带宽的预测方法的流程示意图;
图3为本公开提供的又一种节点带宽的预测方法的流程示意图;
图4为本公开提供的又一种节点带宽的预测方法的流程示意图;
图5为本公开提供的又一种节点带宽的预测方法的流程示意图;
图6为本公开提供的又一种节点带宽的预测方法的流程示意图;
图7为本公开提供的又一种节点带宽的预测方法的流程示意图;
图8为本公开提供的又一种节点带宽的预测方法的流程示意图;
图9为本公开提供的又一种节点带宽的预测方法的流程示意图;
图10为本公开提供的又一种节点带宽的预测方法的流程示意图;
图11为本公开提供的一种节点带宽的预测装置的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
用户对宽带的需求,在不同的时间阶段一般呈现不同的变化趋势,例如,工作日的带宽值的变化趋势和非工作日的带宽值的变化趋势不同,节假日的带宽值的变化幅度较大、工作日的带宽值的变化幅度平缓等,本公开基于此,在训练循环神经网络的过程中,将历史带宽值和时间属性信息(例如,工作日,非工作日,忙时,闲时等)作为两个输入变量对循环神经网络进行训练,从而,训练得到的目标循环神经网络能够基于时间属性信息针对性的对未来的带宽需求进行预测,从而,提高带宽预测的准确性。
下面以几个具体的实施例对本公开的技术方案进行描述。
图1为本公开提供的一种节点带宽的预测方法的流程示意图,如图1所示,包括:
S101,获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据。
第一历史带宽数据包括:第一预设时间段对应的带宽值,以及第一预设时间段对应的时间属性信息。
示例性的,针对目标节点,每5分钟获取一次带宽值并进行存储,每小时可以获取到12个带宽值,通过数据接口,可以获取到目标节点的所有带宽值,故能够获取到所有带宽值中的目标时刻T之前第一预设时间段内的带宽值,并保存至本地获取。例如,第一预设时间段可以是8个小时,则获取目标节点在目标时刻T之前8小时内的带宽值,即可以获取到96个带宽值。在实际应用中,第一预设时间段可以灵活设置,本实施例对此不做具体限制。
在其他实施方式中,还可以是针对目标节点,每分钟获取一次带宽值并进行存储,每小时可以获取到60个带宽值,基于上述实施例,获取到的目标时刻T之前8小时内的带宽值的数量为480个,此后,对这480个带宽值进行下采样处理,使得每5分钟确定一个带宽值,从而也能够在目标时刻T之前8小时内,获取到96个带宽值。
时间属性信息可以是工作日信息、节假日信息、闲时信息、忙时信息中的至少一种,在获取第一预设时间段内的带宽值的同时,获取第一预设时间段对应的时间属性信息。
举例来说,时间属性信息为工作日信息和节假日信息,通过内网接口获取第一预设时间段对应的节假日信息和工作日信息,其中,节假日信息可以是中国节假日信息,也可以是国外节假日信息,具体根据目标节点所处的地域来确定。例如,节假日信息中可以用1表示节假日,用0表示非节假日,工作日信息中可以用1表示工作日,用0表示非工作日,一般情况下,周一至周五为工作日,周六和周天为非工作日,若遇到节假日调休,调休的周六或者周天为工作日。
S103,将所述第一历史带宽数据输入目标循环神经网络模型,得到所述目标节点在所述目标时刻后第二预设时间段内的预测带宽数据。
预测带宽数据包括:第二预设时间段对应的带宽值。
可选的,第一预设时间段与第二预设时间段的时间属性信息可以相同,也可以不同,对此,本公开不做限制。其中,目标循环神经网络模型是基于训练样本集训练得到的,训练样本集包括:输入样本集和预测样本集,其中,输入样本集包括:第三预设时间段内的第二历史带宽数据,第二历史带宽数据包括:第三预设时间段对应的带宽值以及第三预设时间段对应的时间属性信息;预测样本集包括:第四预设时间段内的第三历史带宽数据,第三历史带宽数据包括:第四预设时间段对应的带宽值。
输入样本集可以包括多个第三预设时间段内的多组第二历史带宽数据,获取目标节点在各第三预设时间段对应的带宽值以及各第三预设时间段对应的时间属性信息,每次输入一组第二历史带宽数据,例如,第三预设时间可以是8个小时,获取过去一个月内的所有带宽值和各带宽值对应的时间属性信息,将过一个月的带宽值按照8小时进行划分,可以获得90个第三预设时间段,即获取90组第二历史带宽数据,可以进行至少90次训练。输入样本集也可以包括一个第三预设时间段内的一组第二历史带宽数据,本实施例对比不做具体限制。
可以将第四预设时间段内的带宽值作为验证循环神经网络模型的输出样本的样本,将第三预设时间段内的带宽值以及第三预设时间段对应的时间属性信息作为变量输入至循环神经网络模型,基于循环神经网络模型的输出样本以及预测样本集中对应的预测样本确定损失函数,重复上述训练循环神经网络模型的操作直至损失函数收敛,从而获取到训练好的循环神经网络模型,即目标循环神经网络模型。
由于目标循环神经网络模型的输入包括两个输入变量,其中,一个为预设时间段对应的带宽值,一个为时间属性信息,假设有两组输入,即使两组输入的带宽值相同,如果两组输入的时间属性信息不同,则预测带宽数据也可能不同,因为,不同时间属性信息对应的带宽值的变化规律不同,因此,基于时间属性信息针对性的进行预测带宽,使得目标循环神径网络模型输出的预测带宽值比较接近实际带宽值。
目标节点的带宽的实际情况为,基于时间属性信息带宽值呈现出不同的变化趋势,例如,工作日的带宽值的变化趋势和非工作日的带宽值的变化趋势不同,节假日的带宽值的变化幅度较大等,故目标循环神经网络能够较为准确的反映带宽使用的真实情况。
基于上述实施例,将96个带宽值和第一预设时间段对应的时间属性信息输入至目标循环神经网络模型的输入端,目标循环神径网络模型基于第一预设时间段对应的时间属性信息以及输入的96个带宽值,预测输出当前时间属性信息对应的的带宽值。
本实施例中,通过获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,第一历史带宽数据包括:第一预设时间段对应的带宽值,以及第一预设时间段对应的时间属性信息;将第一历史带宽数据输入目标循环神经网络模型,得到目标节点在目标时刻后第二预设时间段内的预测带宽数据,预测带宽数据包括:第二预设时间段对应的带宽值;也就是,通过设置目标循环神经网络模型的输入变量包括两个,一个为预设时间段对应的带宽值,一个为时间属性信息,以使得目标循环神经网络可以基于时间属性信息针对性的进行预测带宽,使得预测的带宽值与实际带宽值比较接近,从而能够提升节点带宽的预测结果的准确性。
可选的,在上述实施例中,在模型训练过程中,还可以设定第四预设时间段和第三预设时间段的时间属性信息相同,即采用的输入样本集和预测样本集对应的时间属性信息相同,这样,目标循环神经网络模型可用来预测相同时间属性信息的未来时间的带宽值,可以进一步地提高带宽预测的准确性。
图2为本公开提供的另一种节点带宽的预测方法的流程示意图,图2为图1所示实施例的基础上,执行S101之前,还包括:
S201,将所述输入样本集中的输入样本输入初始循环神经网络,得到输出样本。
S202,根据所述输出样本以及所述预测样本集中预测样本,调整所述初始循环神经网络的参数。
示例性的,时间属性信息包括节假日信息和工作日信息,每次向初始循环神经网络输入96个带宽值、1个节假日信息和1个工作日信息,初始循环神经网络每次输出24个输出样本。根据初始循环神经网络每次输出的24个输出样本和预测样本集中预测样本,调整当前初始循环神经网络的参数,例如,调整初始循环神经网络的权重和偏置,以使输出样本接近于预测样本,自此完成一次模型训练。
S203,确定输出样本是否满足预设条件。
若否,返回执行S201,若是,执行S204。
完成一次模型训练后,确定当前初始循环神经网络的输出样本是否满足预设条件,例如,当前初始循环神经网络的输出样本与验证样本的误差是否满足预设误差。若当前初始循环神经网络的输出样本不满足预设条件,返回执行S201,直至当前初始循环神经网络的输出样本的误差满足预设条件,此时,停止模型训练。
S204,确定所述初始循环神经网络为所述目标循环神经网络。
若当前初始循环神经网络的输出样本的误差满足预设条件,则认为当前初始循环神经网络的损失函数收敛,故而停止迭代训练,则当前的初始循环神经网络为训练好的循环神经网络,将该训练好的循环神经网络确定为目标循环神经网络。
图3为本公开提供的又一种节点带宽的预测方法的流程示意图,图3为图1所示实施例的基础上,执行S101之前,还包括:
S201’,针对第i个初始循环神经网络,将所述输入样本集中的输入样本输入所述初始循环神经网络,得到输出样本。
其中,i为大于等于1小于等于N的整数,N为初始循环神经网络的数量。
S202’,根据所述输出样本以及所述预测样本集中预测样本,调整所述初始循环神经网络的参数。
待训练的循环神经网络模型包括N多个初始循环神经网络模型,每个初始循环神经网络模型对应不同的超参数,针对每个初始循环神经网络模型,进行迭代训练。例如,时间属性信息包括节假日信息和工作日信息,每次向初始循环神经网络输入96个带宽值、1个节假日信息和1个工作日信息,初始循环神经网络每次输出24个输出样本。根据初始循环神经网络每次输出的24个输出样本和预测样本集中预测样本,调整当前初始循环神经网络的参数,例如,调整初始循环神经网络的权重和偏置,以使输出样本接近于预测样本,自此完成一次模型训练。
S203’,确定迭代次数满足预设次数。
若否,返回执行S201’,若是,执行S204’。
完成一次训练后,确定当前初始循环神经网络的迭代次数是否满足预设次数,例如,预设次数可以是100次,若当前初始循环神经网络的迭代次数不满足预设次数,返回执行S201’,直至当前初始循环神经网络的迭代次数满足预设次数,此时,停止模型训练。
S204’,确定所述初始循环神经网络为第i个候选循环神经网络。
若当前初始循环神经网络的输出样本的误差满足预设条件,则认为当前初始循环神经网络的损失函数收敛,故而停止迭代训练,则当前的初始循环神经网络为训练好的循环神经网络。针对所有初始循环神经网络模型进行模型训练,能够获取到N个不同的训练好的循环神经网络,并将所有训练好的循环神经网络确定为候选循环神经网络,如此,能够获取到N个候选循环神经网络。
S205,确定N个所述候选循环神经网络中误差最小的候选循环神经网络为所述目标循环神经网络。
作为S204’的一种可能的实现方式的具体描述,如图4所示:
S2041,根据所述测试样本集中的测试样本,确定N个所述候选循环神经网络的预测结果的误差值。
训练样本集还包括测试样本集,获取N个候选循环神经网络模型的预测带宽值,根据预测带宽值与测试样本集中的测试样本,确定预测带宽值的误差值,即候选循环神经网络模型的预测结果的误差值。将预测结果的误差值作为泛化误差的近似,评估各候选循环神经网络模型的泛化能力。
S2042,确定N个所述误差值中的最小误差值对应的候选循环神经网络为所述目标循环神经网络模型。
预测结果的误差值越小,表示候选循环神经网络模型输出的预测结果越接近于真实值,即候选循环神经网络模型的泛化能力越强,故从所有候选循环神经网络模型中,选择预测结果的误差值中最小误差值的候选循环神经网络模型作为目标神经网络模型,则目标神经网络模型的泛化能力较高,具有较高的预测精度。
本实施例中,通过根据测试样本集中的测试样本,确定N个候选循环神经网络的预测结果的误差值,确定N个误差值中的最小误差值对应的候选循环神经网络为目标循环神经网络模型,即目标循环神经网络模型具有较小的预测误差,使得目标神经网络模型的泛化能力较高,从而能够提升节点带宽的预测结果的准确性。
图5为本公开提供的又一种节点带宽的预测方法的流程示意图,图5为图1所示实施例的基础上,执行S101之前,还包括:
S301,根据所述目标节点在多个所述第三预设时间段内的带宽值,确定目标带宽样本集。
示例性的,每分钟获取一次带宽值并进行存储,每小时可以获取到60个带宽值,每天可以获取到1440个带宽值。通过数据接口,可以读取目标节点在过去多个第三预设时间段内的带宽值,并保存至本地获取。例如,目标带宽样本集中的带宽值可以是1个月的带宽值,每个月按30天计算,则能够获取到目标节点过去1个小月内的43200个带宽值,并根据这43200个带宽值,能够获取目标带宽样本集。
S302,根据各所述第三预设时间段内的带宽值对应的时间,获取各所述第三预设时间段对应的时间属性信息。
每个带宽值均对应一个时间,第三预设时间段内的所有带宽值对应的时间与同一个时间属性信息对应,即第三预设时间段对应的带宽值对应一个时间属性信息,该时间属性信息即为第三预设时间段对应的时间属性信息,如此,可以获取到所有第三预设时间段对应的时间属性信息。
S303,将所有所述第三预设时间段对应的时间属性信息添加至所述目标带宽样本集,获取所述训练样本集。
基于上述实施例,将获取到的所有第三预设时间段对应的时间属性信息,添加至目标带宽样本集中,从而得到训练样本集,也就是说,训练样本集中包括目标带宽样本集和所有第三预设时间段对应的时间属性信息,目标带宽样本集中包括所有第三预设时间段对应的带宽值。
本实施例中,通过根据目标节点在多个第三预设时间段内的带宽值,确定目标带宽样本集;根据各第三预设时间段内的带宽值对应的时间,获取各第三预设时间段对应的时间属性信息;将所有第三预设时间段对应的时间属性信息添加至目标带宽样本集,获取训练样本集,如此,增加了训练样本集中训练样本的数量,有利于提高目标循环神经网络的预测精度。
图6为本公开提供的又一种节点带宽的预测方法的流程示意图,图6为图5所示实施例的基础上,执行S301时的一种可能的实施方式的具体描述,如下:
S3011,确定所述目标节点在所述第三预设时间段内缺失的带宽值。
通过数据接口,读取到目标节点在第三预设时间段内的带宽值,读取到的每个带宽值均对应有一个具体的时间。由于在采集目标节点的带宽值的过程可能会出现无法采集某些时间的带宽值,或者读取目标节点的带宽值的过程中,可能出现无法读取到某些时间的带宽值,导致带宽值的读取结果中,可能出现部分时间对应的带宽值缺失的情况。
通过查找读取结果中的所有带宽值对应的时间,可以确定缺失的带宽值对应的时间,基于此,可以确定出目标节点在第三预设时间段内缺失的带宽值。
S3012,根据所述缺失的带宽值和采集到的所述目标节点在所述第三预设时间段内的带宽值,获取第一带宽样本集。
第一带宽样本集中的所有带宽值与时间一一对应。
其中,作为执行S3012中获取第一带宽样本集的步骤的一种可能实现方式:
将确定出的缺失的带宽值和读取结果中的所有带宽值,按照时间顺序进行排列,得到第一带宽样本集。
例如,读取结果中的所有带宽值为d1,d2,d3,d4,其中,d1对应t1时间,d2对应t2时间,d3对应t3时间,d4对应t4时间,t1-t4按照从前到后的顺序排列为t1,t2,t3,t4,且t2-t1=t3-t2=0.5*(t4-t3),显然t3和t4之间存在一个缺失的带宽值,若确定出缺失的带宽值为d5,将d1-d5按照时间先后顺序,得到第一带宽样本集{d1,d2,d3,d5,d4}。
作为执行S3012中获取第一带宽样本集的步骤的另一种可能实现方式:
将确定出的缺失的带宽值和读取结果中的所有带宽值,按照时间顺序进行排列,得到第二带宽样本集,对第二带宽样本集中的异常带宽值进行修正后,获取到第一带宽样本集。
例如,读取结果中的所有带宽值为d1,d2,d3,d4,其中,d1对应t1时间,d2对应t2时间,d3对应t3时间,d4对应t4时间,t1-t4按照从前到后的顺序排列为t1,t2,t3,t4,且t2-t1=t3-t2=0.5*(t4-t3),显然t3和t4之间存在一个缺失的带宽值,若确定出缺失的带宽值为d5,将d1-d5按照时间先后顺序,得到第二带宽样本集{d1,d2,d3,d5,d4},对第二带宽样本集中的异常带宽值进行修正,得到第一带宽样本集。
作为执行S3012中获取第一带宽样本集的步骤的又一种可能实现方式:
将确定出的缺失的带宽值添加至读取结果中的所有带宽值,得到第一带宽样本集。
第一带宽样本集中包括缺失的带宽值和读取结果中的所有带宽值,且第一带宽样本集中的所有带宽值随机排列,每一个带宽值均对应有一个时间,基于所有带宽值对应的时间,可以获取到带宽值的先后顺序。
S3013,根据所述第一带宽样本集,获取所述目标带宽样本集。
第一带宽样本集中包括缺失的带宽值,使得第一带宽样本集中的带宽值接近于真实的带宽值,从而能够提高第一带宽样本集的准确性,进而能够提升带宽目标带宽样本集中带宽值的准确度。
本实施例中,通过确定目标节点在第三预设时间段内缺失的带宽值;根据缺失的带宽值和目标节点在第三预设时间段内的带宽值,获取第一带宽样本集,第一带宽样本集中的所有带宽值均与时间一一对应;根据第一带宽样本集,获取目标带宽样本集,如此,第一带宽样本集中的各带宽值趋于真实的带宽值,使得目标带宽样本集的准确度较高。
图7为本公开提供的又一种节点带宽的预测方法的流程示意图,图7为图6所示实施例的基础上,执行S3012时的一种可能的实现方式的具体描述,如下:
S401,获取第二带宽样本集中异常的带宽值。
第二带宽样本集中包括缺失的带宽值和目标节点在第三预设时间段内的带宽值,第二带宽样本集中的所有带宽值与时间一一对应。
根据确定出的缺失的带宽值和读取结果中的所有带宽值,得到第二带宽样本集。根据预先设置的带宽值范围,确定第二带宽样本集中的带宽值是否位于预先设置的带宽值范围内,若位于预先设置的带宽值范围内,则确定该带宽值为正常的带宽值,若位于预先设置的带宽值范围之外,则确定该带宽值为异常的带宽值。
S402,确定所述第二带宽样本集中异常的带宽值对应的替代带宽值。
基于上述实施例,根据第二带宽样本集中异常的带宽值,能够确定异常的带宽值对应的时间,基于异常的带宽值对应的时间,可以确定出该时间对应的正常的带宽值,将确定出的正常的带宽值作为异常的带宽值的替代带宽值。
S403,将所述第二带宽样本集中异常的带宽值替换为对应的替代带宽值,获取所述第一带宽样本集。
基于上述实施例,用替代带宽值替换第二带宽样本集中对应的异常的带宽值,形成第一带宽样本集,实现对第二带宽样本集中异常的带宽值的修正,使得第一带宽样本集中的带宽值接近于真实的带宽值,提高了第一带宽样本集的准确性。
例如,基于上述实施例,第二带宽样本集为{d1,d2,d3,d5,d4};确定出第二带宽样本集中的d1为异常的带宽值,d1的替换带宽值为d1’,将d1替换为d1’,形成第一带宽样本集为{d1’,d2,d3,d5,d4}。
本实施例中,通过获取第二带宽样本集中异常的带宽值,第二带宽样本集中包括缺失的带宽值和目标节点在第三预设时间段内的带宽值,第二带宽样本集中的各带宽值均对应一个时间;确定第二带宽样本集中异常的带宽值对应的替代带宽值;将第二带宽样本集中异常的带宽值替换为对应的替代带宽值,获取第一带宽样本集,能够剔除带宽值中的带宽值,并替换为正常带宽值,实现异常的带宽值的修正,以使第一带宽样本集趋于真实的带宽值,使得目标带宽样本集的准确度较高。
图8为本公开提供的又一种节点带宽的预测方法的流程示意图,图8为图6所示实施例的基础上,执行S3013时的一种可能实现方式的具体描述,如下:
S3013’,对所述第一带宽样本集中的所有带宽值进行下采样处理,和/或,标准化处理,获取所述目标带宽样本集。
作为S3013’的一种可能的实现方式,具体描述如下:
对第一带宽样本集中的所有带宽值进行下采样处理,获取目标带宽样本集。
基于上述实施例,第一带宽样本集中包括43200个带宽值,将第一带宽样本集中每分钟一个带宽值下采样为每5分钟一个带宽值,可以是对每5分钟内的带宽值进行求均值,并将均值作为下采样后的带宽值,或者,可以是将每5分钟内的最大值或者最小值作为下采样后的带宽值,基于所有下采样后的带宽值获取目标带宽样本集。由此,能够获取到8640个带宽值,减小了目标带宽样本集中带宽值的数量,从而能够缩短模型训练时间。
本实施例中,通过对第一带宽样本集中的所有带宽值进行下采样处理,获取目标带宽样本集,能够减小目标带宽样本集中带宽值的数量,即减小了训练样本集中的数据量,从而能够缩短模型训练时间。
作为S3013’的另一种可能的实现方式,具体描述如下:
对第一带宽样本集中的所有带宽值进行标准化处理,获取目标带宽样本集。
本实施例中,通过对第一带宽样本集中的所有带宽值进行下采样处理和标准化处理,获取目标带宽样本集基于上述实施例,第一带宽样本集中包括43200个带宽值,计算第一带宽样本集中所有带宽值的均值,根据均值和第一带宽样本集,确定第一带宽样本集的方差。根据均值和方差,对第一带宽样本集中的所有带宽值进行标准化处理,获取到标准带宽值,基于标准带宽值,获取目标带宽样本集。
本实施例中,通过对第一带宽样本集中的所有带宽值进行标准化处理,获取目标带宽样本集,使得目标带宽样本集中的数据均为标准数据,提升模型的收敛速度,从而能够缩短模型训练时间。
作为S3013’的又一种可能的实现方式,具体描述如下:
对第一带宽样本集中的所有带宽值进行下采样处理和标准化处理,获取目标带宽样本集。
本实施例中,通过对第一带宽样本集中的所有带宽值进行下采样处理和标准化处理,获取目标带宽样本集,能够减小目标带宽样本集中带宽值的数量,即减小了训练样本集的数据量,还能够使得目标带宽样本集中的数据均为标准数据,提升模型的收敛速度,从而能够缩短模型训练时间。
图9为本公开提供的又一种节点带宽的预测方法的流程示意图,图9为图7所示实施例的基础上,执行S3011时的一种可能的实现方式的具体描述,如下:
S501,基于所述目标节点在所述第三预设时间段内的带宽值,确定多项式拟合方程。
多项式拟合方程用于拟合目标节点在第三预设时间段对应的所有带宽值。
根据读取到的目标节点在第三预设时间段内的带宽值,可以构建如公式(1)所示的多项式拟合方程:
其中,wj为多项式的系数,x为带宽值对应的索引值,y为拟合的带宽值。
将公式(1)代入均方差公式,可以确定公式(1)的损失函数,如公式(2)所示:
其中,tn为第三预设时间段内的带宽值。
将目标节点在第三预设时间段内的带宽值、各带宽值对应的索引值以及各索引值对应的拟合带宽值,代入上述公式(2),根据公式(2)的最小值,确定出公式(1)中的多项式的系数,将确定出的多项式的系数代入上述公式(1),从而确定出多项式拟合方程。
S502,将所述缺失的带宽值对应的索引值输入至所述多项式拟合方程,确定所述缺失的带宽值。
目标节点在第三预设时间段内缺失的带宽值对应的索引值,可以是目标节点在第三预设时间段内缺失的带宽值在第二带宽样本集中的序号。例如,基于上述实施例,第二带宽样本集{d1,d2,d3,X,d4}中缺失的带宽值X对应的索引值为4。将缺失的带宽值X对应的索引值4代入S501确定的多项式方程中,能够确定出缺失的带宽值为d5。目标节点在第三预设时间段内缺失的带宽值对应的索引值,还可以是缺失的带宽值对应的时间。
图10为本公开提供的又一种节点带宽的预测方法的流程示意图,图10为图7所示实施例的基础上,执行S402时的一种可能的实现方式的具体描述,如下:
S402’,将所述异常的带宽值对应的索引值输入至所述多项式拟合方程,确定所述异常的带宽值对应的替代带宽值。
确定异常的带宽值后,可以基于异常的带宽值对应的时间确定出索引值,也可以基于异常的带宽值在第二带宽样本集中的序号确定出索引值。例如,基于上述实施例,第二带宽样本集为{d1,d2,d3,d5,d4},其中,d1为异常的带宽值,d1对应的索引值为1,将索引值1代入S501确定出的多项式拟合方程中,能够确定出相应的正常的带宽值为d1’,获取到第一带宽样本集{d1’,d2,d3,d5,d4},如此可以对第二带宽样本集中的异常带宽值进行修正,使得修正后的带宽值接近于真实的带宽值,即第二带宽样本集中的带宽值趋近于真实的带宽值。
基于上述实施例,可选的,目标循环神经网络模型包括:长短期记忆LSTM网络模型、门控循环单元GRU网络模型或深层循环神经网络DRNN模型。
示例性的,目标循环神经网络模型包括长短期记忆(Long Short Term Memory,LSTM)网络模型,LSTM网络模型是一种具有记忆长短期信息的能力的循环神经网络模型,其中,LSTM网络模型包括输入权重、输出权重和内部状态。输入权重,用于对当前时间步长的输入进行加权,输出权值,用于对最后一个时间步长的输出进行加权,内部状态,用于计算此时间步长的输出。
为了控制记忆单元,需要引入有三个门控:输入门,决定哪些输出的值去更新记忆状态;输出门,根据输入和记忆单元确定输出什么;遗忘门,决定从单元中丢弃哪些的信息。
LSTM网络模型可以包括多层,例如可以构建三层LSTM网络模型,且基于不同的超参数组合形成多个LSTM网络模型,通过训练样本集分别训练多个LSTM网络模型,最终得到多个训练好的LSTM网络模型。
在其他实施方式中,目标循环神经网络模型还可以是门控循环单元(GateRecurrent Unit,GRU)网络模型,或者,还可以是深层循环神经网络(Deep RecurrentNeural Network,DRNN)模型,亦或者,还可以是其他循环神经网络模型的变体。
基于上述实施例,可选的,第二预设时间段的时长小于第一预设时间段的时长。
第二预设时间段的时长小于第一预设时间段的时长,则第一预设时间段对应的带宽值的数量大于第二预设时间段的带宽值的数量,基于较长时间的带宽值可以预测未来较短时间的带宽值,使得预测结果比较准确。
本公开还提供了一种节点带宽的预测装置,图11为本公开提供的一种节点带宽的预测装置的结构示意图,如图11所示,预测装置100包括:
获取模块110,用于获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,第一历史带宽数据包括:第一预设时间段对应的带宽值,以及第一预设时间段对应的时间属性信息。
预测模块120,用于将第一历史带宽数据输入目标循环神经网络模型,得到目标节点在目标时刻后第二预设时间段内的预测带宽数据,预测带宽数据包括:第二预设时间段对应的带宽值。
其中,目标循环神经网络模型基于训练样本集训练得到的,训练样本集包括:输入样本集和预测样本集,其中,输入样本集包括:第三预设时间段内的第二历史带宽数据,第二历史带宽数据包括:第三预设时间段对应的带宽值以及第三预设时间段对应的时间属性信息;预测样本集包括:第四预设时间段内的第三历史带宽数据,第三历史带宽数据包括:第四预设时间段对应的带宽值。
可选的,预测装置100还包括:
预测模块,用于将输入样本集中的输入样本输入初始循环神经网络,得到输出样本;根据输出样本以及预测样本集中预测样本,调整初始循环神经网络的参数,返回执行将输入样本集中的输入样本输入初始循环神经网络,得到输出样本,直至输出样本满足预设条件,确定初始循环神经网络为目标循环神经网络。
可选的,预测装置100还包括:
预测模块,用于针对第i个初始循环神经网络,将输入样本集中的输入样本输入初始循环神经网络,得到输出样本,其中,i为大于等于1小于等于N的整数,N为初始循环神经网络的数量;根据输出样本以及预测样本集中预测样本,调整初始循环神经网络的参数,返回执行将输入样本集中的输入样本输入初始循环神经网络,得到输出样本,直至迭代次数满足预设次数,确定初始循环神经网络为第i个候选循环神经网络;确定N个候选循环神经网络中误差最小的候选循环神经网络为目标循环神经网络。
可选的,训练样本集还包括:测试样本集;
预测模块,进一步用于根据测试样本集中的测试样本,确定N个候选循环神经网络的预测结果的误差值;确定N个误差值中的最小误差值对应的候选循环神经网络为目标循环神经网络模型。
可选的,获取模块110,还用于根据目标节点在多个第三预设时间段内的带宽值,确定目标带宽样本集;根据各第三预设时间段内的带宽值对应的时间,获取各第三预设时间段对应的时间属性信息;将所有第三预设时间段对应的时间属性信息添加至目标带宽样本集,获取训练样本集。
可选的,获取模块110,进一步用于确定目标节点在第三预设时间段内缺失的带宽值;根据缺失的带宽值和目标节点在第三预设时间段内的带宽值,获取第一带宽样本集,第一带宽样本集中的所有历史带宽值与时间一一对应;根据第一带宽样本集,获取目标带宽样本集。
可选的,获取模块110,进一步用于获取第二带宽样本集中异常的带宽值,第二带宽样本集中包括缺失的带宽值和目标节点在第三预设时间段内的带宽值,第二带宽样本集中的所有带宽值与时间一一对应;确定第二带宽样本集中异常的带宽值对应的替代带宽值;将第二带宽样本集中异常的带宽值替换为对应的替代带宽值,获取第一带宽样本集。
可选的,获取模块110,进一步用于对第一带宽样本集中的所有带宽值进行下采样处理,和/或,标准化处理,获取目标带宽样本集。
可选的,获取模块110,进一步用于基于目标节点在第三预设时间段内的带宽值,确定多项式拟合方程,多项式拟合方程用于拟合目标节点在第三预设时间段对应的带宽值;将缺失的带宽值对应的索引值输入至多项式拟合方程,确定缺失的带宽值。
可选的,获取模块110,进一步用于将所有异常的带宽值对应的索引值输入至多项式拟合方程,确定所有异常的带宽值对应的替代带宽值。
可选的,目标循环神经网络模型包括:长短期记忆LSTM模型、门控循环单元GRU网络模型或深层循环神经网络DRNN模型。
可选的,第二预设时间段的时长小于第一预设时间段的时长。
本实施例的装置,对应的可用于执行上述方法实施例的步骤,其实现原理和技术效果类似,此处不再赘述。
本公开还提供一种电子设备,包括:处理器,所述处理器用于执行存储于存储器的计算机程序,所述计算机程序被处理器执行时实现上述方法实施例的步骤。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法实施例的步骤。
本公开还提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行实现上述方法实施例的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种节点带宽的预测方法,其特征在于,包括:
获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,所述第一历史带宽数据包括:所述第一预设时间段对应的带宽值,以及所述第一预设时间段对应的时间属性信息,所述时间属性信息包括以下至少一种:工作日信息、节假日信息、闲时信息、忙时信息;
将所述第一历史带宽数据输入目标循环神经网络模型,得到所述目标节点在所述目标时刻后第二预设时间段内的预测带宽数据,所述预测带宽数据包括:所述第二预设时间段对应的带宽值;
其中,所述目标循环神经网络模型是基于训练样本集训练得到的,所述训练样本集包括:输入样本集和预测样本集,其中,所述输入样本集包括:第三预设时间段内的第二历史带宽数据,所述第二历史带宽数据包括:所述第三预设时间段对应的带宽值以及所述第三预设时间段对应的时间属性信息;所述预测样本集包括:第四预设时间段内的第三历史带宽数据,所述第三历史带宽数据包括:所述第四预设时间段对应的带宽值。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一历史带宽数据输入目标循环神经网络模型之前,还包括:
将所述输入样本集中的输入样本输入初始循环神经网络,得到输出样本;
根据所述输出样本以及所述预测样本集中预测样本,调整所述初始循环神经网络的参数,返回执行所述将所述输入样本集中的输入样本输入初始循环神经网络,得到输出样本,直至所述输出样本满足预设条件,确定所述初始循环神经网络为所述目标循环神经网络。
3.根据权利要求1所述的方法,其特征在于,所述将所述第一历史带宽数据输入目标循环神经网络模型之前,还包括:
针对第i个初始循环神经网络,将所述输入样本集中的输入样本输入所述初始循环神经网络,得到输出样本,其中,i为大于等于1小于等于N的整数,N为所述初始循环神经网络的数量;
根据所述输出样本以及所述预测样本集中预测样本,调整所述初始循环神经网络的参数,返回执行所述将所述输入样本集中的输入样本输入所述初始循环神经网络,得到输出样本,直至迭代次数满足预设次数,确定所述初始循环神经网络为第i候选循环神经网络;
确定N个所述候选循环神经网络中误差最小的候选循环神经网络为所述目标循环神经网络。
4.根据权利要求3所述的方法,其特征在于,所述训练样本集还包括:测试样本集;
所述确定N个所述候选循环神经网络中误差最小的候选循环神经网络为所述目标循环神经网络,包括:
根据所述测试样本集中的测试样本,确定N个所述候选循环神经网络的预测结果的误差值;
确定N个所述误差值中的最小误差值对应的候选循环神经网络为所述目标循环神经网络模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述将所述第一历史带宽数据输入目标循环神经网络模型之前,还包括:
根据所述目标节点在多个所述第三预设时间段内的带宽值,确定目标带宽样本集;
根据各所述第三预设时间段内的带宽值对应的时间,获取各所述第三预设时间段对应的时间属性信息;
将所有所述第三预设时间段对应的时间属性信息添加至所述目标带宽样本集,获取所述训练样本集。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标节点在所述第三预设时间段内的带宽值,确定目标带宽样本集,包括:
确定所述目标节点在所述第三预设时间段内缺失的带宽值;
根据所述缺失的带宽值和所述目标节点在所述第三预设时间段内的带宽值,获取第一带宽样本集,所述第一带宽样本集中的所有带宽值均与时间一一对应;
根据所述第一带宽样本集,获取所述目标带宽样本集。
7.根据权利要求6所述的方法,其特征在于,所述获取第一带宽样本集,包括:
获取第二带宽样本集中异常的带宽值,所述第二带宽样本集中包括所述缺失的带宽值和所述目标节点在所述第三预设时间段内的带宽值,所述第二带宽样本集中的所有带宽值与时间一一对应;
确定所述第二带宽样本集中异常的带宽值对应的替代带宽值;
将所述第二带宽样本集中异常的带宽值替换为对应的替代带宽值,获取所述第一带宽样本集。
8.根据权利要求6或7所述的方法,其特征在于,所述根据所述第一带宽样本集,获取所述目标带宽样本集,包括:
对所述第一带宽样本集中的所有带宽值进行下采样处理,和/或,标准化处理,获取所述目标带宽样本集。
9.根据权利要求7所述的方法,其特征在于,所述确定所述目标节点在所述第三预设时间段内缺失的带宽值,包括:
基于所述目标节点在所述第三预设时间段内的带宽值,确定多项式拟合方程,所述多项式拟合方程用于拟合所述目标节点在所述第三预设时间段对应的所有带宽值;
将所述缺失的带宽值对应的索引值输入至所述多项式拟合方程,确定所述缺失的带宽值。
10.根据权利要求9所述的方法,其特征在于,所述确定所述第二带宽样本集中异常的带宽值对应的替代带宽值,包括:
将所述异常的带宽值对应的索引值输入至所述多项式拟合方程,确定所述异常的带宽值对应的替代带宽值。
11.根据权利要求1-4任一项所述的方法,其特征在于,所述目标循环神经网络模型包括:长短期记忆LSTM网络模型、门控循环单元GRU网络模型或深层循环神经网络DRNN模型。
12.根据权利要求1-4任一项所述的方法,其特征在于,所述第二预设时间段的时长小于所述第一预设时间段的时长。
13.一种节点带宽的预测装置,其特征在于,包括:
获取模块,用于获取目标节点在目标时刻前第一预设时间段内的第一历史带宽数据,所述第一历史带宽数据包括:所述第一预设时间段对应的带宽值,以及所述第一预设时间段对应的时间属性信息,所述时间属性信息包括以下至少一种:工作日信息、节假日信息、闲时信息、忙时信息;
预测模块,用于将所述第一历史带宽数据输入目标循环神经网络模型,得到所述目标节点在所述目标时刻后第二预设时间段内的预测带宽数据,所述预测带宽数据包括:所述第二预设时间段对应的带宽值;
其中,所述目标循环神经网络模型是基于训练样本集训练得到的,所述训练样本集包括:输入样本集和预测样本集,其中,所述输入样本集包括:第三预设时间段内的第二历史带宽数据,所述第二历史带宽数据包括:所述第三预设时间段对应的带宽值以及所述第三预设时间段对应的时间属性信息;所述预测样本集包括:第四预设时间段内的第三历史带宽数据,所述第三历史带宽数据包括:所述第四预设时间段对应的带宽值。
14.一种电子设备,其特征在于,包括:处理器,所述处理器用于执行存储于存储器的计算机程序,所述计算机程序被处理器执行时实现权利要求1-12任一项所述的方法的步骤。
15.一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1-12任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932960.1A CN113691398B (zh) | 2021-08-13 | 2021-08-13 | 节点带宽的预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932960.1A CN113691398B (zh) | 2021-08-13 | 2021-08-13 | 节点带宽的预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113691398A CN113691398A (zh) | 2021-11-23 |
CN113691398B true CN113691398B (zh) | 2023-04-07 |
Family
ID=78579905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110932960.1A Active CN113691398B (zh) | 2021-08-13 | 2021-08-13 | 节点带宽的预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113691398B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114158073B (zh) * | 2021-11-29 | 2024-01-09 | 中国联合网络通信集团有限公司 | 网络切片部署方法、装置、设备及存储介质 |
CN114465915A (zh) * | 2021-12-22 | 2022-05-10 | 天翼云科技有限公司 | 一种cdn带宽预测方法、装置、系统和电子设备 |
CN114500339B (zh) * | 2022-02-07 | 2023-07-04 | 北京百度网讯科技有限公司 | 一种节点带宽监测方法、装置、电子设备及存储介质 |
CN115086244A (zh) * | 2022-06-16 | 2022-09-20 | 平安付科技服务有限公司 | 带宽分配方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852476A (zh) * | 2019-09-29 | 2020-02-28 | 华东理工大学 | 客流预测方法、装置、计算机设备和存储介质 |
CN112326241B (zh) * | 2020-09-11 | 2023-10-13 | 西安英特迈思信息科技有限公司 | 一种基于融合退化指标的核电主泵轴承故障预警方法 |
CN112232887A (zh) * | 2020-11-05 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备以及存储介质 |
CN112232447B (zh) * | 2020-12-14 | 2021-06-04 | 国网江西省电力有限公司电力科学研究院 | 一种电力设备状态监测数据的完整样本集的构建方法 |
-
2021
- 2021-08-13 CN CN202110932960.1A patent/CN113691398B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113691398A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113691398B (zh) | 节点带宽的预测方法、装置、电子设备和存储介质 | |
Memarzadeh et al. | Value of information in sequential decision making: Component inspection, permanent monitoring and system-level scheduling | |
US11240125B2 (en) | System and method for predicting and reducing subscriber churn | |
CN107231436B (zh) | 一种进行业务调度的方法和装置 | |
US10909458B2 (en) | Method and system for machine failure prediction based on a basic weight range ascertained for each basic memory depth value identified from a machine failure history | |
Feng et al. | SOH and RUL prediction of Li-ion batteries based on improved Gaussian process regression | |
GB2586654A (en) | Method and system for optimising battery usage | |
CN112468312A (zh) | 一种网络流量预测方法及通信设备和存储介质 | |
CN112507605A (zh) | 基于AnoGAN的配电网异常检测方法 | |
Guo et al. | Average optimality for Markov decision processes in Borel spaces: a new condition and approach | |
Kim et al. | Inspection schedule for prognostics with uncertainty management | |
CN115308558A (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
Bozorgi et al. | Prescriptive process monitoring based on causal effect estimation | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
Adaikkappan et al. | A real time state of charge estimation using Harris Hawks optimization‐based filtering approach for electric vehicle power batteries | |
CN108334427A (zh) | 存储系统中的故障诊断方法及装置 | |
Ronca et al. | Efficient PAC reinforcement learning in regular decision processes | |
Ye et al. | Combining offline causal inference and online bandit learning for data driven decision | |
KR20200056716A (ko) | 배터리 soh 산출 시스템 및 방법 | |
Zimmermann et al. | Importance function derivation for RESTART simulations of Petri nets | |
CN110909884A (zh) | 一种用于更新参数模型的方法、装置、产品及介质 | |
CN114091357B (zh) | 交通流预测方法、装置、电子设备及存储介质 | |
Marbach | Simulation-based methods for Markov decision processes | |
CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
Even-Dar et al. | The Value of Observation for Monitoring Dynamic Systems. |
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 |