CN113743594B - 网络流量预测模型建立方法、装置、电子设备及存储介质 - Google Patents
网络流量预测模型建立方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113743594B CN113743594B CN202111166194.9A CN202111166194A CN113743594B CN 113743594 B CN113743594 B CN 113743594B CN 202111166194 A CN202111166194 A CN 202111166194A CN 113743594 B CN113743594 B CN 113743594B
- Authority
- CN
- China
- Prior art keywords
- network
- neural network
- sample data
- prediction model
- flow
- 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 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000002123 temporal effect Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种网络流量预测模型建立方法、装置、电子设备及存储介质。该方法包括:获取网络流量的样本数据;提取样本数据的时间特征和空间特征,时间特征表示不同时刻的流量变化特性,空间特征表示不同地理位置的流量变化特性;将时间特征和空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。本申请的方法,提高了网络流量预测模型的精度,进而提高了网络流量预测的准确性。
Description
技术领域
本申请涉及网络流量预测领域,尤其涉及一种网络流量预测模型建立方法、装置、电子设备及存储介质。
背景技术
随着移动互联网以及物联网的飞速发展,数据流量使用急剧增加,对网络流量实现准确的预测对网络容量管理、网络运行状态监控以及提高网络运行服务质量都具有重要意义。
现有技术在对网络流量进行预测时,通常通过回归滑动平均模型进行预测。回归滑动平均模型适用于线性预测,通过时间序列预测的方式,但是这种模型只适合于网络流量波动性不太大的模型,而对于通信链路波动性较大的情况,该预测模型预测结果不够准确。因此,现有技术的网络流量预测方法精度较低。
发明内容
本申请提供一种网络流量预测模型建立方法、装置、电子设备及存储介质,用以解决现有技术在预测网络流量时预测精度低的问题。
一方面,本申请提供一种网络流量预测模型的建立方法,包括:
获取网络流量的样本数据;
提取样本数据的时间特征和空间特征;所述时间特征表示不同时刻的流量变化特性,所述空间特征表示不同地理位置的流量变化特性;
将时间特征和空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。
一种可能的设计方式中,提取样本数据的时间特征和空间特征,包括:
基于样本数据采用卷积神经网络构建每一时刻的邻接矩阵,邻接矩阵中的行和列中的一个表示样本数据的空间特征,另一个表示样本数据的时间特征。
一种可能的设计方式中,将时间特征和空间特征输入至神经网络中进行迭代训练,包括:
基于邻接矩阵构建多个输入数据序列;
将多个输入数据序列输入神经网络中进行迭代训练。
一种可能的设计方式中,将多个输入数据序列输入神经网络中进行迭代训练,包括:
分别将每个输入数据序列输入至多个神经网络中进行初始训练;
根据初始训练结果调整多个神经网络的权重进行迭代计算,直至每个所述神经网络的流量预测结果小于阈值。
一种可能的设计方式中,神经网络的个数与输入数据序列的个数相同,每个神经网络的初始权重相同。
根据初始训练结果调整多个神经网络的权重进行迭代计算,包括:
计算每个神经网络的流量预测误差率;
基于各个神经网络的流量预测误差率,调整神经网络的权重;
基于调整后的权重对多个神经网络进行训练,直至每个神经网络的流量预测结果小于阈值,得到网络流量的预测模型。
第二方面,本申请提供一种网络流量预测模型的建立装置,包括:
获取模块,用于获取网络流量的样本数据;
提取模块,用于提取样本数据的时间特征和空间特征;所述时间特征表示不同时刻的流量变化特性,所述空间特征表示不同地理位置的流量变化特性;
输入模块,用于将时间特征和所间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。
第三方面,本申请提供一种电子设备,包括:存储器,处理器;
其中,存储器用于存储可执行指令;
处理器被配置为运行存储器中存储的指令以执行第一方面任一项网络流量预测模型的建立方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现第一方面任一项网络流量预测模型的建立。
本申请提供的一种网络流量预测模型建立方法、装置、电子设备及存储介质,通过获取网络流量的样本数据;提取样本数据的时间特征和空间特征;将时间特征和空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。通过本申请,提高了网络流量预测模型的精度,进而提高了网络流量预测的准确性。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种网络流量预测模型的建立方法流程图;
图2为本申请实施例提供的一种提取网络流量时间特征和空间特征的流程图;
图3为本申请实施例提供的又一种网络流量预测模型的建立方法流程图;
图4为本申请实施例提供的一种网络流量预测模型建立的装置示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请提供的网络流量预测模型的建立方法,旨在解决现有技术网络流量预测方法精度较低的问题。本申请在预测模型的建模过程中,考虑了样本数据的时间特征和空间特征,从而输入更加有针对性特征的模型数据,采用神经网络进行迭代训练,实现对网络流量的精确预测,精确的预测对于网络运行状态、辅助规划网络设计、决定网络拥塞控制、QoS保障、提高服务质量等具有重要意义。当然,本申请提供的网络流量预测模型建立方法,其应用包括但不限于以上应用场景,只要涉及网络流量预测的所有场景,均可以采用本申请所提供的方法。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请实施例提供的一种网络流量预测模型的建立方法流程图,如图1所示,该方法可以包括以下步骤:
在步骤S101中,获取网络流量的样本数据。
具体的,本实施例中样本数据为网络流量,网络流量是指定时间内通过网络或网络端口的数据大小。考虑到网络链路的空间转发关系,可以采用卷积神经网络(Convolutional Neural Networks,CNN)等来获取样本数据,本申请所获取样本数据为链路级流量。
在步骤S102中,提取样本数据的时间特征和空间特征,时间特征表示不同时刻的流量变化特性,空间特征表示不同地理位置的流量变化特性。
具体的,由于在通信系统中受到“潮汐效应”的影响,使流量的使用过程中出现非线性变化的情况,即不用的时间和不同的空间下所用流量数据存在差异。“潮汐效应”是指在某一时段内流量使用量在某一区域内大量聚集,在另一时间段内又大量迁徙的现象,而这种现象会引发移动通信系统流量使用量的流动,使得热点区域在特定时刻出现突发性的大业务量,进一步的导致网络拥塞、网络无法接入。
因此,网络流量的预测既受到时间序列自身的影响,还受到用户空间分布的影响,所以,本申请从这两个维度来进行样本数据特征提取,进一步的,根据获得的样本数据,利用CNN模型来提取其数据的时间特征和空间特征(即时空特征)。其中,时间特征表示不同时刻的流量变化特性;空间特征表示不同地理位置的流量变化特性。
在步骤S103中,将时间特征和空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。
具体的,将提取的样本数据的时间特征和空间特征输入至神经网络中进行迭代训练,其中,神经网络可以是BP神经网络,其中,BP神经网络(Back-ProPagation Network)又被称为反向传播神经网络,由于BP网络具有高度非线性和较强的泛化能力,故将其应用于本申请中。迭代训练可以通过例如BP-Adaboost算法在神经网络模型中进行。
迭代训练主要是针对训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来构成一个更强的分类器(强分类器),本实施例中分类器为BP神经网络,最终得到的强分类器输出即为下一时刻流量预测值。
本申请提供的网络流量预测模型的建立方法,通过获取网络流量的样本数据;提取样本数据的时间特征和空间特征;将时间特征和空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。本申请的方法,利用卷积神经网络和BP-Adaboost算法进行流量预测,由于网络流量具有非线性的特点,与传统的流量预测模型相比,其具有更强的适用性,从而提高了网络流量预测模型的精度,进而提高了网络流量预测的准确性。
进一步的,图2为本申请实施例提供的一种提取网络链路级流量时间特征和空间特征的流程图,如图2所示,在上述实施例的基础上,在S102步骤中提取样本数据的时间特征和空间特征具体可以采用以下方法,包括:
基于样本数据,采用卷积神经网络构建每一时刻的邻接矩阵,邻接矩阵中的行和列中的一个表示样本数据的空间特征,另一个表示样本数据的时间特征。
一方面,提取样本数据的空间特征:
具体的,
首先对邻接矩阵的定义进行解释说明,邻接矩阵是表示顶点之间相邻关系的矩阵,即用一个一维数组存放所有顶点数据,用一个二维数组存放顶点间关系的数据。本实施例中邻接矩阵可以表示为邻接节点和邻接链路,为了清晰表达在本实施例中邻接的含义,举例说明如下,例如,在一条链路上存在多个节点,节点顺序为a-c-b,目标节点为b,则邻接节点则为c,即与目标结点存在关联的点,其中,每个节点都代表流量的使用情况。同样的,邻接链路即指与目标链路存在关联的链路。
可以通过CNN构建每一时刻的链路流量邻接矩阵,在图2中,虚线框构建的是t时刻的邻接矩阵,提取t时刻样本数据的空间特征,也就是获取t时刻链路节点上的空间特征。可以理解的是,通过此过程进一步的提取到了n个链路t时刻的样本数据的空间特征。需要说明的是,CNN构建邻接矩阵的具体过程可以参见相关技术,本申请对此不进行赘述。
另一方,提取样本数据的时间特征:
具体的,
可以通过CNN构建一段时长的链路流量邻接矩阵,如图2所示,若构建的时长为T,可以理解的是该T由多个t时刻组成,t包括t1,t2,…,tn时刻。如上所述,经过上述步骤后,已获取到t1时刻的链路流量情况并提取到其空间特征,同理,也可以获取到t2到tn时刻的每条链路的流量,通过此过程进一步的提取到了n个链路T时长的样本数据的时间特征。
进一步的,提取样本数据的时间特征和空间特征即时空特征经过神经网络CNN输出层,在神经元链接中传输、分析、权衡,最终形成输出结果。本实施例中,将其时空特征记为y(t)。
本实施例中,通过CNN提取样本数据的时间特征和空间特征,充分考虑了网络流量时间和空间的非线性关系,为后续的全网流量预测提供了一个可靠的输入。本实施例的方法,提升了链路流量预测的学习能力和泛化能力,进而提高了网络流量预测模型的精度和准确性。
更进一步的,在图2实施例的基础上,图3为本申请实施例提供的又一种网络流量预测模型的建立方法流程图,如图3所示,在S103中,将时间特征和空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。该方法可以包括以下步骤:
基于邻接矩阵构建多个输入数据序列;
将多个输入数据序列输入神经网络中进行迭代训练。
在上述步骤中,CNN已提取到网络流量邻接矩阵的时间特征和空间特征(即时空特征),分别为y1(t),y2(t),…,yN(t),其中N为链路的数量,从而构建多个输入数据序列。
将y1(t),y2(t),…,yN(t)同时输入到每一个神经网络,即将y1(t),y2(t),…,yN(t)输入到BP网络1,BP网络2,…,BP网络n中,进行迭代训练。
将上述样本数据分别放进每一个BP神经网络之后,可以基于BP-Adaboost算法在神经网络模型中进行迭代训练。为了说明BP-Adaboost算法在网络流量预测模型中的迭代过程,首先对其迭代过程进行简要描述:
Adaboost算法在开始时,每个样本对应的权重都是相同的。其中,有n个样本数据,在此样本下训练出第一个弱分类器,对于分类错误的样本,加大其对应的权值,而对于分类正确的样本,降低其权重,这样分错的样本就凸显出来。从而得到一个新的样本分布,在新样本下,再次对样本进行训练,得到第二个弱分类器,以此类推,经过M次循环后得到M个弱分类器。最后将弱分类器联合起来,使用加权的投票机制代替平均投票机制。让分类效果好的弱分类器具有较大的权重,而分类效果差的分类器具有较小的权重。经过多次迭代,找到最合适的分类方法。
其中,
AdaBoost算法的优点是:
可以很好的利用弱分类器进行级联;
可以将不同的分类算法作为弱分类器;
AdaBoost具有很高的精度;
AdaBoost可以充分考虑的每个分类器的权重。
综上所述,鉴于AdaBoost算法的诸多优点,本申请中考虑利用BP-AdaBoost算法来参与网络流量预测模型的创建。
在本实施例中,上述中的样本数据即为图3中所示的y1(t),y2(t),…,yN(t),分类器为图3中所示的每一个BP神经网络。
进一步的,
分别将每个输入数据序列输入至多个神经网络中进行初始训练;
根据初始训练结果调整多个神经网络的权重进行迭代计算,直至每个神经网络的流量预测结果小于阈值。
需要说明的是,神经网络的个数与输入数据序列的个数相同,每个神经网络的初始权重相同。
对得到的训练数据集即样本数据进行初始化,如上述所示,第一次训练时,每个神经网络的初始权重相同,即每一个BP神经网络的权重D(i)都是1/n。
进一步的,根据初始训练结果调整多个神经网络的权重进行迭代计算,可以包括以下步骤:
计算每个神经网络的流量预测误差率;
基于各个神经网络的流量预测误差率,调整神经网络的权重;
基于调整后的权重对多个神经网络进行训练,直至每个神经网络的流量预测结果小于阈值,得到网络流量的预测模型。
具体的:
计算每一个神经网络链路流量预测误差率:
公式一:
et=∑Dt(i)i=1,2,...,ng(t)≠y
其中,g(t)为预测的分类结果,y为期望的分类结果。
公式一表示当单个BP神经网络预测结果的误差率大于容忍值即g(t)的预测值的误差大于容忍值时,就认为该预测器预测错误(g(t)≠y)。
基于各个神经网络的流量预测误差率,调整神经网络的权重:
公式二:
那么,得到第一个预测函数的公式:
公式三:
ft(x)=αtGt(x)
其中,G(x)表示预测器的预测结果,t表示第t次训练。
基于调整后的权重对多个神经网络进行训练:
更新权值分布,每一个BP神经网络根据上一轮的表现,更新本轮的每一个BP神经网络的权值,用于下一轮迭代。
公式四:
其中,Bt表示每一个神经网络在上一轮的表现中的规范化因子,基于规范化因子,调整下一轮每一个神经网络的权值。
公式五:
直至每个神经网络的流量预测结果小于阈值,得到网络流量的预测模型:
进过m轮的迭代,得到的第m轮的BP神经网络,此时每一个神经网络预测的流量数据误差率低于容忍值,那么停止迭代,第m轮的预测器为:
公式六:
fmt(x)=αmtGmt(x)
将经过m轮迭代后的预测器进行组合,最终得到一个强预测器,从而得到网络流量的预测模型,实现t+1时刻的流量预测。
公式七:
本实施例中,以链路级流量的时间特征和空间特征作为BP-Adaboost的输入,采用Adaboost自适应增强的方式调整一系列BP神经网络的权重,经过多次迭代,得到一系列BP神经网络的预测器,最后将BP神经网络预测器进行整合,从而得到高精度、高泛化性的通信网络流量预测模型,进而提高了网络流量预测精度和准确性。
图4为本申请提供的一种网络流量预测模型的建立装置示意图,该装置包括:
获取模块41,用于获取网络流量的样本数据;
提取模块42,用于提取样本数据的时间特征和空间特征;
输入模块43,用于将时间特征和空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型。
需要说明的是,由于将时间特征和空间特征输入至神经网络中进行迭代训练时,还需要计算神经网络流量预测误差率及权重,因此还需要至少一个计算模块44。
图5为本申请提供的一种电子设备的结构示意图。如5所示,该电子设备可以包括:至少一个处理器51和存储器52。图5示出的是以一个处理器为例的电子设备。
存储器52,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。
存储器52可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
处理器51用于执行存储器52存储的计算机执行指令,以实现网络流量预测模型的建立;
其中,处理器51可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,处理器51通过运行存储器52中存储的指令以实现网络流量预测模型的建立。
可选的,在具体实现上,如果通信接口、存储器52和处理器51独立实现,则通信接口、存储器52和处理器51可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果通信接口、存储器52和处理器51集成在一块芯片上实现,则通信接口、存储器52和处理器51可以通过内部接口完成通信。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的相关介质,具体的,该计算机可读存储介质中存储有程序信息,程序信息用于网络流量预测模型的建立。
本申请实施例还提供一种程序,该程序在被处理器执行时用于执行以上方法实施例提供的网络流量预测模型的建立方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (8)
1.一种网络流量预测模型的建立方法,其特征在于,包括:
获取网络流量的样本数据;
提取所述样本数据的时间特征和空间特征;所述时间特征表示不同时刻的流量变化特性,所述空间特征表示不同地理位置的流量变化特性;
将所述时间特征和所述空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型;
所述提取所述样本数据的时间特征和空间特征,包括:
基于所述样本数据采用卷积神经网络构建每一时刻的邻接矩阵,所述邻接矩阵中的行和列中的一个表示所述样本数据的空间特征,另一个表示所述样本数据的时间特征;
所述将所述时间特征和所述空间特征输入至神经网络中进行迭代训练,包括:
基于所述邻接矩阵构建多个输入数据序列;
将所述多个输入数据序列输入所述神经网络中进行迭代训练。
2.根据权利要求1所述的方法,其特征在于,所述将所述多个输入数据序列输入所述神经网络中进行迭代训练,包括:
分别将每个输入数据序列输入至多个神经网络中进行初始训练;
根据所述初始训练结果调整所述多个神经网络的权重进行迭代计算,直至每个所述神经网络的流量预测结果小于阈值。
3.根据权利要求2所述的方法,其特征在于,所述神经网络的个数与所述输入数据序列的个数相同,每个所述神经网络的初始权重相同。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述初始训练结果调整所述多个神经网络的权重进行迭代计算,包括:
计算每个所述神经网络的流量预测误差率;
基于各个所述神经网络的流量预测误差率,调整所述神经网络的权重;
基于调整后的权重对所述多个神经网络进行训练,直至每个所述神经网络的流量预测结果小于阈值,得到所述网络流量的预测模型。
5.一种网络流量预测模型的建立装置,包括:
获取模块,用于获取网络流量的样本数据;
提取模块,用于提取所述样本数据的时间特征和空间特征;所述时间特征表示不同时刻的流量变化特性,所述空间特征表示不同地理位置的流量变化特性;
输入模块,用于将所述时间特征和所述空间特征输入至神经网络中进行迭代训练,得到网络流量的预测模型;
所述提取模块,还用于基于所述样本数据采用卷积神经网络构建每一时刻的邻接矩阵,所述邻接矩阵中的行和列中的一个表示所述样本数据的空间特征,另一个表示所述样本数据的时间特征;
所述输入模块,还用于基于所述邻接矩阵构建多个输入数据序列;将所述多个输入数据序列输入所述神经网络中进行迭代训练。
6.根据权利要求5所述的装置,其特征在于,
计算模块,用于将所述时间特征和所述空间特征输入至神经网络中进行迭代训练时,计算所述神经网络流量预测误差率及权重。
7.一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至4中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至4任一项所述的网络流量预测模型的建立方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166194.9A CN113743594B (zh) | 2021-09-30 | 2021-09-30 | 网络流量预测模型建立方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166194.9A CN113743594B (zh) | 2021-09-30 | 2021-09-30 | 网络流量预测模型建立方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743594A CN113743594A (zh) | 2021-12-03 |
CN113743594B true CN113743594B (zh) | 2023-12-05 |
Family
ID=78726011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111166194.9A Active CN113743594B (zh) | 2021-09-30 | 2021-09-30 | 网络流量预测模型建立方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743594B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115987816A (zh) * | 2022-12-15 | 2023-04-18 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、电子设备和可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
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 |
CN111585783A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于时空流量矩阵预测的流量动态调度方法 |
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 |
CN112348222A (zh) * | 2020-05-08 | 2021-02-09 | 东南大学 | 一种基于因果逻辑和图卷积特征提取的网络耦合时序信息流预测方法 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
CN113177209A (zh) * | 2021-04-19 | 2021-07-27 | 北京邮电大学 | 基于深度学习的加密流量分类方法及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7124704B2 (ja) * | 2016-11-30 | 2022-08-24 | 日本電気株式会社 | 交通状況推定装置、交通状況推定方法、プログラムおよび出力装置 |
-
2021
- 2021-09-30 CN CN202111166194.9A patent/CN113743594B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
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 |
CN111585783A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于时空流量矩阵预测的流量动态调度方法 |
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 |
CN112348222A (zh) * | 2020-05-08 | 2021-02-09 | 东南大学 | 一种基于因果逻辑和图卷积特征提取的网络耦合时序信息流预测方法 |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN113177209A (zh) * | 2021-04-19 | 2021-07-27 | 北京邮电大学 | 基于深度学习的加密流量分类方法及相关设备 |
Non-Patent Citations (3)
Title |
---|
Incorporating Dynamicity of Transportation Network with Multi-Weight Traffic Graph Convolution for Traffic Forecasting;Yu Yol Shin 等;《arXiv》;1-7 * |
基于时空图神经网络的交通流预测方法研究;常伟;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;C034-662 * |
基于机器学习的基站小区流量预测方法研究;黄锦;《中国优秀硕士学位论文全文数据库信息科技辑》(第04期);正文第2.1.2,3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN113743594A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995520B (zh) | 网络流量预测方法、装置、计算机设备及可读存储介质 | |
CN113743594B (zh) | 网络流量预测模型建立方法、装置、电子设备及存储介质 | |
CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
CN109840531A (zh) | 训练多标签分类模型的方法和装置 | |
CN109617888B (zh) | 一种基于神经网络的异常流量检测方法及系统 | |
CN111582694A (zh) | 一种学习评估方法及装置 | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN113780584B (zh) | 标签预测方法、设备、存储介质 | |
CN113642400A (zh) | 基于2s-agcn的图卷积动作识别方法、装置及设备 | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
CN110033089A (zh) | 基于分布式估计算法的深度神经网络参数优化方法及系统 | |
CN115618008A (zh) | 账户状态模型构建方法、装置、计算机设备和存储介质 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
KR102149355B1 (ko) | 연산량을 줄이는 학습 시스템 | |
Wistuba et al. | Inductive transfer for neural architecture optimization | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN111144243A (zh) | 基于对抗学习的户型图识别方法和装置 | |
CN115953902A (zh) | 一种基于多视图时空图卷积网络的交通流预测方法 | |
CN112396477B (zh) | 业务预测模型的构建方法及装置 | |
CN114880363A (zh) | 一种数据中心流量预测系统及训练方法、预测方法 | |
US20220391761A1 (en) | Machine learning device, information processing method, and recording medium | |
CN110705593B (zh) | 训练关系网络嵌入模型和确定使用概率的方法及装置 | |
CN117371509A (zh) | 分类方法和装置 | |
CN116910618A (zh) | 基于超图的节点表征、节点预测、模型训练方法及装置 | |
WO2021025094A1 (ja) | 行動学習装置、行動学習方法、行動決定装置、行動決定方法、行動学習システム、プログラム、及び記録媒体 |
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 |