CN113988452A - 一种基于stacked LSTM的网元告警预测方法及装置 - Google Patents
一种基于stacked LSTM的网元告警预测方法及装置 Download PDFInfo
- Publication number
- CN113988452A CN113988452A CN202111313591.4A CN202111313591A CN113988452A CN 113988452 A CN113988452 A CN 113988452A CN 202111313591 A CN202111313591 A CN 202111313591A CN 113988452 A CN113988452 A CN 113988452A
- Authority
- CN
- China
- Prior art keywords
- network element
- prediction
- lstm
- training
- alarm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于stacked LSTM的网元告警预测方法及装置，主要解决现有技术中存在的现有网元告警预测方法中当样本数据时间跨度较大时，并不是所有时间序列的数值对模型都有较大的影响等问题。该方法包括以下步骤：(1)构建网元告警时序数据；(2)数据缺失率判别是否大于阈值，基于牛顿插值法填充部分缺失值；(3)构建训练集、验证集和测试集；(4)构建用于网元告警时序预测的stacked LSTM网元；(5)用构建好的训练集对Stacked LSTM神经网元进行训练；(6)对预测结果与小区告警门限进行比较。本发明不仅能实时监控网元性能参数，且能预测是否达到告警门限实现自动化运维监控。
Description
技术领域
本发明涉及网元告警预测技术领域，具体地说，是涉及一种基于stacked LSTM的网元告警预测方法及装置。
背景技术
网元是网络管理中可以监视和管理的最小单位，网络系统中各网元设备在工作中时常发生故障，为了及时通知于用户故障发生的时间、故障源及故障类别，以便及时解决问题，消除故障，需要在网络中实现相互的网络告警功能。
现有网元告警预测方法常用基于时间序列的统计回归方法，时间序列是一种广泛应用于金融、投资、数据分析领域的统计回归方法，它是一种比线性回归更广泛应用的统计回归方法，具有比线性回归更契合实际业务需求的应用场景。时间序列是根据已有的历史样本数据去预测未来某段时间内的变化趋势，时间单位可以是年、季度、月、小时、分钟以及秒等任何时间形式。
但现有网元告警预测方法中当样本数据时间跨度较大时，并不是所有时间序列的数值对模型都有较大的影响，当把所有时间序列数值进行拟合时，会降低对未来预测的准确度。
发明内容
本发明的目的在于提供一种基于stacked LSTM的网元告警预测方法及装置，以解决现有网元告警预测方法中当样本数据时间跨度较大时，并不是所有时间序列的数值对模型都有较大的影响，当把所有时间序列数值进行拟合时，会降低对未来预测的准确度的问题。
为了解决上述问题，本发明提供如下技术方案：
一种基于stacked LSTM的网元告警预测方法，其特征在于，包括以下步骤：
S1：构建网元告警时序数据，提取实时采样值，并按设定的时间、小区、通道号进行分组得到实时分组数据；
S2：遍历步骤S1的实时分组数据中各时序数据进行缺失率判断，然后基于牛顿插值法对空值进行插值填充；
S3：根据步骤S2插值填充后的数据构建训练集、验证集和测试集；
S4：构建用于网元告警时序预测的stacked LSTM网元；
S5：根据步骤S3的训练集、验证集和测试集分别对步骤S4的stacked LSTM网元进行训练、参数调优及输出各小区的预测结果；
S6：判断步骤S5的各小区的预测结果是否大于或等于该小区的告警门限，是则将预测结果放入预警小区数据集，否则将预测结果放入正常小区数据集。
进一步的，步骤S2中缺失率判断过程为：
当时间序列数据缺失率大于设定阈值时，判断该样本序列无法达到模型训练和预测的条件，视为无效时间序列，将其丢弃；反之，缺失率不大于设定阈值时，则进行空值填充。、进一步的，步骤S3中训练集、验证集和测试集构建的具体过程如下：
S301、根据小区序列的长度将整个序列分为训练集和测试集；
S302、将步骤S301的训练集中序列进行分离，分离出序列最后的n个步长采样值用作验证值，前面的采样值用作训练；验证集的划分为交叉验证或固定比例划分。
进一步的，步骤S5中stacked LSTM网元训练的具体过程为：
S501、LSTM网元训练的超参数包含学习率η、正则化参数λ、神经网元层数、学习回合数epoch、代价函数；
S502、调整学习率η，从0.001,0.01,0.1,1,10开始尝试，如果cost开始增大就停止；
S503、根据步骤S502确定的学习率η，在设置代价函数中的正则化参数λ，用验证集来选择合适的λ；从λ＝1开始，然后根据验证集上的性能增加或减少其值，确认合适的正则项后，重新优化η；
S504、完成步骤S503将训练好的网元预测结果输出并保存。
一种基于stacked LSTM的网元告警预测装置包括存储器：用于存储可执行指令；处理器：用于执行所述存储器中存储的可执行指令，实现一种基于stacked LSTM的网元告警预测方法。
与现有技术相比，本发明具有以下有益效果：
(1)本发明将网元告警时序数据分组得到实时分组数据，然后进行然后基于牛顿插值法对空值进行插值填充，自动将无序数据转换为时间序列，允许一定范围内的空值与重复值，可以保证模型对样本数据描述的准确性。
(2)本发明将时间序列处理与stacked LSTM模型训练的过程结合在一起，因此在时间序列处理的过程中就完成了模型训练与预测的工作，针对实时数据，可实现周期性任务调度。
(3)本发明通过序列步长、学习率、正则项等参数调节，提高序列预测精度，优于传统的统计回归模型；自动将预测结果与告警门限比较，识别预警小区。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合图1对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种基于stacked LSTM的网元告警预测方法针对网元告警预测，提出了基于stacked LSTM模型的时间序列预测，该方法不仅提高预测准确率，且能提高网元运维人员的维护效率和降低用户投诉率；其具体方案如下：
将时间序列用于网元告警预测，并将时间序列预测与stacked LSTM网元模型结合在一起，具体包括以下步骤：
S1：构建网元告警时序数据，提取实时采样值，并按时间、小区、通道号进行分组得到实时分组数据；网元告警时序数据来源于运营商网管采集，可以根据时间、小区及通道号实现分组。
S2：遍历实时分组数据中各时间序列并进行缺失率判断：
当时间序列数据缺失率大于设定阈值时，判断该样本序列无法达到模型训练和预测的条件，视为无效时间序列，将其丢弃；反之，缺失率不大于设定阈值时，则进行空值填充。
因采集的原始数据由于各种客观原因会存在缺失的情况，因此在进行数据处理时会对其进行判断并对缺失值进行填充以保证训练数据的完整性。
采用牛顿插值法对部分空值就行填充，牛顿插值法特点在于：每增加一个节点，不会导致之前的值重新计算，只需要算和新增点有关的值；牛顿插值法如下：
f(x)在x0点处的0阶均差:f[x0]＝f(x0)
f(x)在x0,x1点处的1阶均差:
f(x)在x0,x1,…,xn点处的n阶均差:
以此类推，得到牛顿插值法为：
Nn(x)＝f(x0)+f[x0，x1](x-x0)+f[x0，x1，x2，](x-x0)(x-x1)+f[x0，x1，...，xn-2，xn-1](x-x0)(x-x1)...(x-xn-2)(x-xn-1)+f[x0，x1，...，xn-1，xn](x-x0)(x-x1)...(x-xn-1)(x-xn)
如下式所示，新增插值点，只需要计算相关的差分就可以得出估值。
S3：构建训练集、验证集和测试集：首先，根据小区序列的长度将整个序列分为训练集和测试集，一般划分比例为7：3或4：1，也可按其他比例设置；其次将训练集中序列进行分离，分离出序列最后的n个步长采样值用作验证，前面的采样值用作训练；验证集的划分可以是交叉验证，也可以是固定比例；验证集是从训练集中单独划分出来的，区别于测试集。一般训练集与验证集的比例是4：1或9：1，比如训练集数据量是100个batch，前80个用作训练，后20个用作验证；
S4：构建用于网元告警时序预测的stacked LSTM网元：根据序列复杂的程度，确定LSTM网元的层数并基于最后一层网元的输出状态进行预测估计。
S5：对搭建好的多层网元进行训练：LSTM网元训练的超参数包含学习率η、正则化参数λ、神经网元层数、学习回合数epoch、代价函数等。
首先调整学习率，从0.001,0.01,0.1,1,10开始尝试，如果cost开始增大就停止，实验更小的微调。如果使用Adam梯度下降算法的时候一般不考虑学习率衰减。
其次根据确定的学习率η，在设置代价函数中的正则项λ，用验证集来选择合适的λ。从λ＝1开始，然后根据验证集上的性能增加或减少其值。确认合适的正则项后，重新优化η。
在激活函数的选择上，常见有ReLU、sigmoid、tanh.默认选择ReLU作为非线性激活函数，防止梯度消失。在过拟合问题上通过L1正则与L2正则、dropout方法降低过拟合风险。
最后将训练好的网元预测结果输出并保存；训练及参数调优属于模型训练的部分，目标是基于样本数据找到最优的模型参数以使得训练的模型达到预测准确率最高。输出各小区的预测结果是基于各小区的训练数据模型对于未来时间段(如未来3天)的值进行预测。
S6：将各小区序列预测结果与该小区告警门限进行比较：如果预测结果大于或等于门限值，将该序列存入预警小区集；其他序列存入正常小区集。并根据实时的数据更新，完成集合的迭代。
本发明将时间序列引入到网元告警预测中；步骤S1中网元告警时序数据数据集的字段数允许有缺失或增加。
实施例2
一种基于stacked LSTM的网元告警预测装置包括存储器：用于存储可执行指令；处理器：用于执行所述存储器中存储的可执行指令，实现一种基于stacked LSTM的网元告警预测方法。
本发明将多层LSTM网元引入到序列的训练和预测，作为一种深度学习模型，通过网元层数的增加及参数的优化，尽可能地提高预测效率和预测准确率；且自动将预测结果与门限进行比较，识别出预警小区，提高运维人员的维护效率。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。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定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种基于stacked LSTM的网元告警预测方法，其特征在于，包括以下步骤：
S1：构建网元告警时序数据，提取实时采样值，并按设定的时间、小区、通道号进行分组得到实时分组数据；
S2：遍历步骤S1的实时分组数据中各时序数据进行缺失率判断，然后基于牛顿插值法对空值进行插值填充；
S3：根据步骤S2插值填充后的数据构建训练集、验证集和测试集；
S4：构建用于网元告警时序预测的stacked LSTM网元；
S5：根据步骤S3的训练集、验证集和测试集分别对步骤S4的stacked LSTM网元进行训练、参数调优及输出各小区的预测结果；
S6：判断步骤S5的各小区的预测结果是否大于或等于该小区的告警门限，是则将预测结果放入预警小区数据集，否则将预测结果放入正常小区数据集。
2.根据权利要求1所述的一种基于stacked LSTM的网元告警预测方法，其特征在于，步骤S2中缺失率判断过程为：
当时间序列数据缺失率大于设定阈值时，判断该样本序列无法达到模型训练和预测的条件，视为无效时间序列，将其丢弃；反之，缺失率不大于设定阈值时，则进行空值填充。
3.根据权利要求1所述的一种基于stacked LSTM的网元告警预测方法，其特征在于，步骤S3中训练集、验证集和测试集构建的具体过程如下：
S301、根据小区序列的长度将整个序列分为训练集和测试集；
S302、将步骤S301的训练集中序列进行分离，分离出序列最后的n个步长采样值用作验证值，前面的采样值用作训练；验证集的划分为交叉验证或固定比例划分。
4.根据权利要求1所述的一种基于stacked LSTM的网元告警预测方法，其特征在于，步骤S5中stacked LSTM网元训练的具体过程为：
S501、LSTM网元训练的超参数包含学习率η、正则化参数λ、神经网元层数、学习回合数epoch、代价函数；
S502、调整学习率η，从0.001,0.01,0.1,1,10开始尝试，如果cost开始增大就停止；
S503、根据步骤S502确定的学习率η，在设置代价函数中的正则化参数λ，用验证集来选择合适的λ；从λ＝1开始，然后根据验证集上的性能增加或减少其值，确认合适的正则项后，重新优化η；
S504、完成步骤S503将训练好的网元预测结果输出并保存。
5.一种基于stacked LSTM的网元告警预测装置，其特征在于，包括
存储器：用于存储可执行指令；
处理器：用于执行所述存储器中存储的可执行指令，实现如权利要求1-4任一项所述的一种基于stacked LSTM的网元告警预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313591.4A CN113988452A (zh) | 2021-11-08 | 2021-11-08 | 一种基于stacked LSTM的网元告警预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313591.4A CN113988452A (zh) | 2021-11-08 | 2021-11-08 | 一种基于stacked LSTM的网元告警预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988452A true CN113988452A (zh) | 2022-01-28 |
Family
ID=79747104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111313591.4A Pending CN113988452A (zh) | 2021-11-08 | 2021-11-08 | 一种基于stacked LSTM的网元告警预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988452A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101106791A (zh) * | 2007-08-03 | 2008-01-16 | 中兴通讯股份有限公司 | 一种网元监控系统及方法 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN111369094A (zh) * | 2018-12-26 | 2020-07-03 | 中兴通讯股份有限公司 | 告警派单方法、装置、系统及计算机可读存储介质 |
| CN111798066A (zh) * | 2020-07-17 | 2020-10-20 | 山东协和学院 | 一种城市尺度下小区流量多维度预测方法及系统 |
| CN112203311A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、设备及计算机存储介质 |
| CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
| CN113128693A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团北京有限公司 | 一种信息处理方法、装置、设备及存储介质 |
-
2021
- 2021-11-08 CN CN202111313591.4A patent/CN113988452A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101106791A (zh) * | 2007-08-03 | 2008-01-16 | 中兴通讯股份有限公司 | 一种网元监控系统及方法 |
| CN111369094A (zh) * | 2018-12-26 | 2020-07-03 | 中兴通讯股份有限公司 | 告警派单方法、装置、系统及计算机可读存储介质 |
| CN112203311A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、设备及计算机存储介质 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN113128693A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团北京有限公司 | 一种信息处理方法、装置、设备及存储介质 |
| CN111798066A (zh) * | 2020-07-17 | 2020-10-20 | 山东协和学院 | 一种城市尺度下小区流量多维度预测方法及系统 |
| CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 张光兰;杨秋辉;程雪梅;姜科;王帅;谭武坤;: "序列模式挖掘在通信网络告警预测中的应用", 计算机科学, no. 2, 15 November 2018 (2018-11-15), pages 545 - 548 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106991145B (zh) | 一种监测数据的方法及装置 | |
| JP2021533474A (ja) | ノード分類方法、モデル訓練方法並びに、その装置、機器及びコンピュータプログラム | |
| CN111063194A (zh) | 一种交通流预测方法 | |
| CN110635952B (zh) | 通信系统的故障根因分析方法、系统和计算机存储介质 | |
| CN111625516B (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
| CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
| KR101432436B1 (ko) | 최근린기법을 이용한 하수처리장의 유입유량과 유입성분농도의 예측 장치 및 방법 | |
| CN114095270B (zh) | 一种网络攻击预测方法及装置 | |
| CN105989441A (zh) | 模型参数调整方法和装置 | |
| CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
| CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
| CN112468312A (zh) | 一种网络流量预测方法及通信设备和存储介质 | |
| CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
| CN115766125A (zh) | 一种基于lstm和生成对抗网络的网络流量预测方法 | |
| Siliverstovs et al. | Forecasting industrial production with linear, nonlinear, and structural change models | |
| CN113988452A (zh) | 一种基于stacked LSTM的网元告警预测方法及装置 | |
| CN115238779B (zh) | 一种云盘的异常检测方法、装置、设备及介质 | |
| CN111930602A (zh) | 性能指标预测方法及装置 | |
| CN116956155A (zh) | 一种基于人工智能的污水处理智能加药方法及系统 | |
| CN116149895A (zh) | 大数据集群性能预测方法、装置和计算机设备 | |
| CN111221479B (zh) | 一种判断存储容量变化量异常的方法、系统及存储介质 | |
| CN110874601A (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
| CN114518988A (zh) | 资源容量系统及其控制方法和计算机可读存储介质 | |
| CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 |
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 |