CN114257521A - 流量预测方法、装置、电子设备和存储介质 - Google Patents

流量预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114257521A
CN114257521A CN202111552488.5A CN202111552488A CN114257521A CN 114257521 A CN114257521 A CN 114257521A CN 202111552488 A CN202111552488 A CN 202111552488A CN 114257521 A CN114257521 A CN 114257521A
Authority
CN
China
Prior art keywords
prediction
flow
time period
time
grained
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
Application number
CN202111552488.5A
Other languages
English (en)
Inventor
林钱洪
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.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co 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 Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN202111552488.5A priority Critical patent/CN114257521A/zh
Publication of CN114257521A publication Critical patent/CN114257521A/zh
Pending legal-status Critical Current

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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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

Abstract

本发明公开了流量预测的方法、装置、电子设备和存储介质，涉及计算机技术领域。该方法的一具体实施方式包括：接收应用流量的实时预测请求；获取当前时间对应时间段的实际流量，基于细粒度预测模型计算当前时间对应时间段的预测流量，根据实际流量和预测流量确定修正系数；获取预测时间段，基于修正系数和细粒度预测模型计算预测时间段的第一流量，以及基于粗粒度预测模型计算预测时间段的第二流量；基于第一流量和第二流量，确定预测时间段的预测流量并发送。该实施方式能够解决在历史数据量较小时，流量预测的准确性较低的问题。

Description

流量预测方法、装置、电子设备和存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种流量预测的方法、装置、电子设备和存储介质。
背景技术
应用流量指的是应用的访问次数或者应用访问的用户数量。目前流量来源主要可以分为自然流量和付费流量，自然流量指的是主动打开应用的用户，付费流量指的是通过第三方客户端等打开应用的用户。现有技术中通常为基于历史数据中应用访问的用户数量来对未来时间的流量进行预测。但是，随着网络使用用户逐年增多，流量总体呈上升趋势，需要基于大量的历史数据才能准确的对未来流量进行预测，所以在历史数据量较小时，流量预测的准确性较低。
发明内容
有鉴于此，本发明实施例提供一种流量预测的方法、装置、电子设备和存储介质，能够解决在历史数据量较小时，流量预测的准确性较低的问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种流量预测的方法。
本发明实施例的一种流量预测的方法包括：接收应用流量的实时预测请求；获取当前时间对应时间段的实际流量，基于预训练的细粒度预测模型计算所述当前时间对应时间段的预测流量，根据实际流量和预测流量确定修正系数；获取所述实时预测请求中预测时间段，基于所述修正系数和所述细粒度预测模型计算所述预测时间段的第一流量，以及基于预训练的粗粒度预测模型计算所述预测时间段的第二流量；基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量，发送所述预测时间段的预测流量。
在一个实施例中，基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量，包括：
调用预设的置信度函数，基于所述预测时间段计算所述细粒度预测模型对应的第一置信度和所述粗粒度预测模型对应的第二置信度；
计算所述第一置信度与所述第一流量的第一乘积，以及所述第二置信度与所述第二流量的第二乘积，将所述第一乘积和所述第二乘积之和，确定为所述预测时间段的预测流量。
在又一个实施例中，在基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量之前，还包括：
基于所述细粒度预测模型，计算预设的历史时间范围内各时间区间对应的预测流量，所述时间区间为将所述历史时间范围按照所述细粒度预测模型对应的第一预测周期划分得到的；
获取各所述时间区间对应的实际流量，以基于各所述时间区间对应的实际流量和预测流量，计算各所述时间区间对应的置信度；
对各所述时间区间对应的置信度拟合，得出拟合的置信度函数。
在又一个实施例中，所述调用预设的置信度函数，基于所述预测时间段计算所述细粒度预测模型对应的第一置信度和所述粗粒度预测模型对应的第二置信度，包括：
将所述预测时间段输入所述置信度函数，以得出所述细粒度预测模型对应的第一置信度；
将1减所述第一置信度的值确定为所述粗粒度预测模型对应的第二置信度。
在又一个实施例中，还包括：
接收应用流量的非实时预测请求；
获取所述当前时间对应时间段的实际流量，基于所述细粒度预测模型计算所述当前时间对应时间段的预测流量，根据实际流量和预测流量确定细粒度预测模型的修正系数；
基于所述细粒度预测模型的修正系数和所述细粒度预测模型，计算所述当前时间所属第二预测周期的第三流量，以及基于所述粗粒度预测模型计算所述当前时间所属第二预测时间周期的第四流量；
基于所述第三流量和所述第四流量，确定所述当前时间所属第二预测时间周期的预测流量，计算所述当前时间所属第二预测时间周期的预测流量除以所述第四流量的值，以确定为所述粗粒度预测模型的修正系数；
获取所述非实时预测请求中预测时间段，基于所述粗粒度预测模型计算所述非实时预测请求中预测时间段的第五流量，以调用预设的第一计算模型，基于所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
在又一个实施例中，所述调用预设的第一计算模型，基于所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量，包括：
基于预设的权重函数计算所述预测时间段对应的预测权重；
调用预设的第二计算模型，基于所述预测权重、所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
在又一个实施例中，所述获取当前时间对应时间段的实际流量，包括：
从日志中获取当前时间对应时间段内访问所述应用的用户标识，对所述用户标识去重，得到所述当前时间对应时间段的实际流量。
为实现上述目的，根据本发明实施例的另一方面，提供了一种流量预测的装置。
本发明实施例的一种流量预测的装置包括：接收单元，用于接收应用流量的实时预测请求；确定单元，用于获取当前时间对应时间段的实际流量，基于预训练的细粒度预测模型计算所述当前时间对应时间段的预测流量，根据实际流量和预测流量确定修正系数；计算单元，用于获取所述实时预测请求中预测时间段，基于所述修正系数和所述细粒度预测模型计算所述预测时间段的第一流量，以及基于预训练的粗粒度预测模型计算所述预测时间段的第二流量；预测单元，用于基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量，发送所述预测时间段的预测流量。
在一个实施例中，所述预测单元，具体用于：
调用预设的置信度函数，以基于所述预测时间段计算所述细粒度预测模型对应的第一置信度和所述粗粒度预测模型对应的第二置信度；
计算所述第一置信度与所述第一流量的第一乘积，以及所述第二置信度与所述第二流量的第二乘积，将所述第一乘积和所述第二乘积之和，确定为所述预测时间段的预测流量。
在又一个实施例中，所述计算单元，还用于基于所述细粒度预测模型，计算预设的历史时间范围内各时间区间对应的预测流量，所述时间区间为将所述历史时间范围按照所述细粒度预测模型对应的第一预测周期划分得到的；
所述计算单元，还用于获取各所述时间区间对应的实际流量，以基于各所述时间区间对应的实际流量和预测流量，计算各所述时间区间对应的置信度；
所述装置还包括：
拟合单元，用于对各所述时间区间对应的置信度拟合，得出拟合的置信度函数。
在又一个实施例中，所述预测单元，具体用于：
将所述预测时间段输入所述置信度函数，以得出所述细粒度预测模型对应的第一置信度；
将1减所述第一置信度的值确定为所述粗粒度预测模型对应的第二置信度。
在又一个实施例中，所述接收单元，还用于接收应用流量的非实时预测请求；
所述确定单元，还用于获取所述当前时间对应时间段的实际流量，基于所述细粒度预测模型计算所述当前时间对应时间段的预测流量，进而根据实际流量和预测流量确定细粒度预测模型的修正系数；
所述计算单元，还用于基于所述细粒度预测模型的修正系数和所述细粒度预测模型，计算所述当前时间所属第二预测周期的第三流量，以及基于所述粗粒度预测模型计算所述当前时间所属第二预测时间周期的第四流量；
所述确定单元，还用于基于所述第三流量和所述第四流量，确定所述当前时间所属第二预测时间周期的预测流量，计算所述当前时间所属第二预测时间周期的预测流量除以所述第四流量的值，以确定为所述粗粒度预测模型的修正系数；
所述预测单元，还用于获取所述非实时预测请求中预测时间段，基于所述粗粒度预测模型计算所述非实时预测请求中预测时间段的第五流量，以调用预设的第一计算模型，基于所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
在又一个实施例中，所述预测单元，具体用于：
基于预设的权重函数计算所述预测时间段对应的预测权重；
调用预设的第二计算模型，基于所述预测权重、所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
在又一个实施例中，所述获取单元，具体用于：
从日志中获取当前时间对应时间段内访问所述应用的用户标识，对所述用户标识去重，得到所述当前时间对应时间段的实际流量。
为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。
本发明实施例的一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的流量预测的方法。
为实现上述目的，根据本发明实施例的又一个方面，提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例提供的流量预测的方法。
上述发明中的一个实施例具有如下优点或有益效果：本发明实施例中，预先训练了粗粒度预测模型和细粒度预测模型，在进行实时流量预测时，先基于当前时间对应时间段的实际流量来对细粒度预测模型进行修正，即计算细粒度模型的修正系数，然后再将细粒度预测模型和粗粒度模型的预测流量相结合来确定预测时间段的预测流量。本发明实施例中，在实时流量预测时，通过多个预测模型进行离线预测，并且还基于实时的实际流量对预测流量进行修正，如此在历史数据较少时也能够准确的实现流量预测，提高流量预测的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的流量预测的一种系统架构的示意图；
图2是根据本发明实施例的历史流量变化曲线一种示意图；
图3是根据本发明实施例的流量预测的方法一种主要流程的示意图；
图4是根据本发明实施例的预测流量与修正后流量变化曲线的一种示意图；
图5是根据本发明实施例的流量预测的方法的又一种主要流程的示意图；
图6是根据本发明实施例的流量预测的装置的主要单元的示意图；
图7是本发明实施例可以应用于其中的又一种示例性系统架构图；
图8是适于用来实现本发明实施例的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以互相组合。
本发明实施例提供一种流量预测的系统，该系统可以用于对应用服务端的流量进行预测的场景，具体可以为对应用服务端的流量进行实时预测的场景，如图1所示为系统的一种结构示意图。
本发明实施例中，无论是自然流量还是付费流量，在访问应用后应用服务端均可以在日志(如浏览日志)中记录访问用户的信息，如用户标识，所以从日志中可以获取到应用的离线访问信息和实时访问信息。如图1所示，应用服务端可以将日志传输到预设的消息中间件(如Kafka)中，然后传输至日志系统。日志系统中可以使用实时计算框架Flink来对日志进行实时解析，得出包括用户标识和用户来源等信息的解析结果，并再对解析结果进行预处理(如去重等处理)。处理后的日志数据可以存储至数据库中，如分布式数据库(ClickHouse，CK)和全文搜索引擎数据库(Elasticsearch，ES)，其中，ES对大批量数据的聚合时性能较差，但对于小批量数据的聚合比较友好，并行能力也高，而CK处理大批量数据聚合时性能比ES有很明显的提升，但在小批量数据聚合时并行能力较差，为此本发明实施例中可以采用ES与CK相结合的存储方式，以便提供快速的实时数据和离线数据查询。在ES和CK的数据处理过程中，为了确保时效性通常会将部分计算逻辑进行简化，这就会导致CK和ES中的数据存在一定的脏数据，所以在本发明实施例中对离线数据进行处理时，为了保证数据的准确性，对ES和CK中的数据进行加工处理(如去重)，将处理后的离线数据可以储存于Hive中，同时日志系统也会提供实时数据调用接口，以便于可以实时查询ES和CK中的实时数据。流量预估系统中包括离线预估模型，以从Hive表中读取离线数据来训练模型并进行流量预测，还包括实时预估模型，以同时读取实时数据、离线数据和离线模型预测结果，来对实时流量进行预测。
本发明实施例中，可以使用预定的模型(如Prophet模型)，通过历史数据进行拟合，生成一个拟合函数f(t)，使得历史数据{<t,y>|t表示时间，y表示流量}近似满足y＝f(t)，拟合函数f(t)也可以称为流量预测的预测模型，具体的，预测模型可以使用不同的预测周期进行训练，进而得出不同预测周期对应的预测模型，即t可以为以预测模型的预测周期内的时间，预测周期可以为天、小时或分钟等各个时间粒度。具体的，预测模型可以包括粗粒度预测模型和细粒度预测模型，粗粒度预测模型的预测周期大于细粒度预测模型的预测周期，本发明实施例以粗粒度预测模型以天为预测周期，细粒度预测模型以小时为预测周期为例进行说明。
离线预估模块中，可以从Hive离线表中拉取历史离线数据，基于历史离线数据训练粗粒度预测模型和细粒度预测模型，即生成粗粒度预测模型的函数f1(t)和细粒度预测模型的函数f2(t)。对于粗粒度预测模型可以使用现有模型进行建模训练，而对细粒度流量预测模型来说，由于凌晨时段通常会出现流量高峰，这段时间的流量相较于其他时段具有较大的差异，而各类模型难以准确的拟合和预测这样时段的流量，所以本发明实施例中可以将细粒度的流量预测划分为流量高峰时段和其他时段两阶段来分别进行建模和预测。如图2中a所示为以小时为时间粒度的历史流量变化曲线示意图，图2中a曲线可知流量高峰时段为tm～tn，将每天流量高峰时段的历史数据组合成流量高峰时间段的流量曲线如图2中b图曲线所示，将每天除流量高峰时段外剩余时段的历史数据组合成平稳时段的流量曲线如图2中c图曲线所示。如此对于细粒度预测模型，可以使用基础模型分别来构建流量高峰时段的预测模型和其他时段的预测模型，进而进行模型训练，生成流量预测函数f2(t)，可以表示为公式1所示。
Figure BDA0003418086750000081
本发明实施例提供了一种流量预测的方法，该方法可由图1所示流量预测系统执行，如图3所示，该方法包括：
S301：接收应用流量的实时预测请求。
其中，在需要进行流量实时预测时，可以接收应用的流量预测请求，即实时预测请求，以表示对哪个应用的流量进行预测。实时预测请求中还可以包括预测时间段，以表示对哪个时间段的进行流量预测。本发明实施例中，实时预测请求表示对距离当前时间较近的时间段进行流量预测，通常预测时间段可以为以当前时间为基准的下一个细粒度预测模型的预测周期。实时预测请求可以包括实时预测的标识，以表示本次为实时预测请求。
S302：获取当前时间对应时间段的实际流量，基于预训练的细粒度预测模型计算当前时间对应时间段的预测流量，根据实际流量和预测流量确定修正系数。
其中，在对流量进行预测时，为了提高预测的准确性，可以先基于当前的实际流量对细粒度预测模型进行修正，即计算细粒度预测模型的修正系数。当前时间对应时间段具体可以基于当前时间和细粒度预测模型的预测周期确定，例如，细粒度预测模型对应预测周期为小时，则可以以当天0点到当前时间的时间段为当前时间对应时间段。当前时间对应时间段的实际流量可以为从数据库中获取。同时基于预训练的细粒度预测模型可以计算当前时间对应时间段的预测流量，进而可以计算实际流量和预测流量的比值，并将该比值确定为细粒度预测模型的修正系数。如图4所示，为预测流量和修正后流量的曲线示意图，其中ti可以表示当前时间。
S303：获取实时预测请求中预测时间段，基于修正系数和细粒度预测模型计算预测时间段的第一流量，以及基于预设的粗粒度预测模型计算预测时间段的第二流量。
其中，从实时预测请求中可以获取到预测时间段，进而通过预训练的细粒度预测模型可以对预测时间段内流量进行预测，将预测结果乘以修正系数，即可得出第一流量。以及通过预训练的粗粒度预测模型也可以对预测时间段内流量进行预测，即为第二流量。
需要说明的是，实时预测请求可以中可以包括预测总时间，本步骤中可以直接将预测总时间确定为预测时间段，也可以对预测总时间进行拆分，得出多个时间段，然后依次将各时间段确定为预测时间段，以分别对各时间段进行预测。具体的，本步骤中可以基于细粒度预测模型对应的预测周期拆分预测总时间，例如以小时粒度拆分预测总时间。
S304：基于第一流量和第二流量，确定预测时间段的预测流量，发送预测时间段的预测流量。
本步骤中，确定预测时间段的预测流量后可以发送至实时预测请求端，以便于对应用服务端的流量配置，例如确定购买流量的数量，对流量进行分配等等。
第一流量和第二流量均为预测模型对预测时间段预测的流量，所以可以将二者的平均值确定为预测时间段的预测流量。
在预测时间段较长，如为天粒度的时间段时，由于细粒度预测模型的预测结果通常是多次预测的结果之和，所以粗粒度预测模型的预测结果通常要好于细粒度的预测结果，但随着时间推移和实际流量的累积，修正后细粒度预测模型的预测结果会越来越准确，因此本步骤中可以对细粒度预测模型计算置信度函数g(t)，以表示细粒度预测模型预测结果随时间推移的置信度，由于修正后细粒度预测模型的预测结果会越来越准确，所以g(t)为一个与时间相关联的递增的函数。因此本步骤中确定预测时间段的预测流量可以具体执行为：调用预设的置信度函数，以基于预测时间段计算细粒度预测模型对应的第一置信度和粗粒度预测模型对应的第二置信度；将第一置信度与第一流量的乘积，以及第二置信度与第二流量的乘积之和，确定为预测时间段的预测流量。具体可以如公式2所示。
F(tx,T)＝(1-g(T))F1(T)+g(T)F2(tx,T) (2)
在公式2中，g(T)表示第一置信度，F1(T)表示第二流量，F2(tx,T)表示第一流量，tx表示当前时间，F(tx,T)表示预测时间段的预测流量。
具体的，细粒度预测模型的置信度越高，则对应的粗粒度预测模型的置信度会越低，二者的置信度之和会保持为1，所以本步骤中将预测时间段输入置信度函数，可以得出细粒度预测模型对应的第一置信度；进而将1减第一置信度的值，可以确定为粗粒度预测模型对应的第二置信度。
本发明实施例中，基于预设的历史时间范围的实际流量和预测流量来计算置信度函数。历史时间范围具体可以为靠近当前时间的一段时间，同时为了提高准确性，历史时间范围的长度可以包括多个细粒度预测模型的预测周期，或者不小于粗粒度预测模型的预测周期，例如历史时间范围可以为某一天时间。对历史时间范围，可以按照细粒度预测模型对应的第一预测周期划分，得到各个时间区间，进而基于细粒度预测模型，计算预设的历史时间范围内各时间区间对应的预测流量，以及获取到各时间区间对应的实际流量，如此可以基于各时间区间对应的实际流量和预测流量之间的比值，计算各时间区间对应的置信度，再对各时间区间对应的置信度拟合，即可得出拟合的置信度函数。
本发明实施例中，预先训练了粗粒度预测模型和细粒度预测模型，在进行实时流量预测时，先基于当前时间对应时间段的实际流量来对细粒度预测模型进行修正，即计算细粒度模型的修正系数，然后再将细粒度预测模型和粗粒度模型的预测流量相结合来确定预测时间段的预测流量。本发明实施例中，在实时流量预测时，通过多个预测模型进行离线预测，并且还基于实时的实际流量对预测流量进行修正，如此在历史数据较少时也能够准确的实现流量预测，提高流量预测的准确性。
本发明实施例中，实时流量预测是基于当前时间的流量趋势进行的预测，在预测时间段较长且预测时间段距离当前时间较远，即非实时预测时，通常是通过粗粒度预测模型来预测，为提高预测的准确性，还可以对预测结果进行修正，具体的，本发明实施例提供了又一种流量预测的方法，如图5所示，该方法包括：
S501：接收应用流量的非实时预测请求。
非实时预测请求可以表示对哪个应用的流量进行预测，非实时预测请求中可以包括预测时间段，以表示对哪个时间段的进行流量预测。
本发明实施例中，非实时预测请求可以表示预测时间段距离当前时间较远以及预测时间段较长，无法使用实时的实际流量进行预测，如预测时间段可以为当前时间之后且可以为包括至少一个粗粒度预测模型对应预测周期(如多天)。非实时预测请求可以包括非实时预测的标识，以表示本次为非实时预测请求。
S502：获取当前时间对应时间段的实际流量，基于细粒度预测模型计算当前时间对应时间段的预测流量，进而根据实际流量和预测流量确定细粒度预测模型的修正系数。
本步骤中数据处理原理与步骤S302相同，在此不再赘述。
S503：基于细粒度预测模型的修正系数和细粒度预测模型，计算当前时间所属第二预测周期的第三流量，以及基于粗粒度预测模型计算当前时间所属第二预测时间周期的第四流量。
本步骤中数据处理原理与步骤S303相同，在此不再赘述。
S504：基于第三流量和第四流量，确定当前时间所属第二预测时间周期的预测流量，计算当前时间所属第二预测时间周期的预测流量除以第四流量的值，以确定为粗粒度预测模型的修正系数。
本步骤中确定当前时间所属第二预测时间周期的预测流量的方式，可以与步骤S302中基于第一流量和第二流量确定预测时间段的预测流量的方式相同，在此不再赘述。将当前时间所属第二预测时间周期的预测流量除以第四流量，可以得出粗粒度预测模型的修正系数。
本发明实施例中，对预测结果以粗粒度预测模型的预测周期为粒度进行修正，粗粒度预测模型的预测周期为天，即第二预测周期为天，则当前时间所属第二预测周期可以为当前时间所在内的一天时间，所以本发明实施例中基于图3所示实施例中的方式，通过步骤S502、S503和本步骤确定出当前时间所属第二预测周期的预测流量，进而将其与第四流量相比，以对粗粒度预测模型进行修正。
需要说明的是，由于图3所示实施例中的方式为基于实时的实际流量进行的实时预测，预测的准确性较高，所以本步骤中基于图3所示实施例中的方式对粗粒度预测模型进行修正。
S505：获取非实时预测请求中预测时间段，基于粗粒度预测模型计算非实时预测请求中预测时间段的第五流量，以调用预设的第一计算模型，基于第五流量和粗粒度预测模型的修正系数，确定非实时预测请求中预测时间段的预测流量。
具体的，第一计算模型为预先设置，其计算公式可以如公式3所示。
F′(T)＝r*F(T) (3)
在公式3中，F′(T)表示本步骤预测时间段的预测流量，F(T)表示第五流量，r表示粗粒度预测模型的修正系数，T表示预测时间段。
需要说明的是，在预测时间段较长时，当前时间流量趋势的影响会随时间推移越来越小，所以对未来较长时间进行流量预测时可以通过预设的权重函数来逐渐降低当前时间流量趋势对未来时间的影响。因此本发明实施例中还可以预设权重函数来对预测的流量进行修正。具体的，权重函数为预先设置，其可以如公式4所示。
Figure BDA0003418086750000131
在公式4中，t表示时间，wt表示时间t时间对应的权重。如此权重随时间增长逐渐减小，所以基于预设的权重函数可以计算预测时间段对应的预测权重。
在计算预测时间段对应的预测权重后，可以调用预设的第二计算模型，基于预测权重、第一流量、第二流量和粗粒度预测模型的修正系数，确定预测时间段的预测流量。具体的，第二计算模型可以为预先设置，其计算公式可以如公式5所示。
F′(T)＝(r*wT+1-wT)*F(T) (5)
在公式5中，F′(T)表示本步骤预测时间段的预测流量，F(T)表示第五流量，wT表示预测时间段对应的预测权重，r表示粗粒度预测模型的修正系数，T表示预测时间段。
本发明实施例中，通过多个预测模型进行非实时流量预测，并且还基于实时的实际流量进行修正，所以即使历史数据较少时也能够准确的实现流量预测，提高流量预测的准确性。
为了解决现有技术存在的问题，本发明实施例提供了一种流量预测的装置600，如图6所示，该装置600包括：
接收单元601，用于接收应用流量的实时预测请求；
确定单元602，用于获取当前时间对应时间段的实际流量，基于预训练的细粒度预测模型计算所述当前时间对应时间段的预测流量，进而根据实际流量和预测流量确定修正系数；
计算单元603，用于获取所述实时预测请求中预测时间段，基于所述修正系数和所述细粒度预测模型计算所述预测时间段的第一流量，以及基于预训练的粗粒度预测模型计算所述预测时间段的第二流量；
预测单元604，用于基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量，发送所述预测时间段的预测流量。
应理解的是，实施本发明实施例的方式与实施图3所示实施例的方式相同，在此不再赘述。
本发明实施例的一种实现方式中，所述预测单元604，具体用于：
调用预设的置信度函数，以基于所述预测时间段计算所述细粒度预测模型对应的第一置信度和所述粗粒度预测模型对应的第二置信度；
计算所述第一置信度与所述第一流量的第一乘积，以及所述第二置信度与所述第二流量的第二乘积，将所述第一乘积和所述第二乘积之和，确定为所述预测时间段的预测流量。
本发明实施例的又一种实现方式中，所述计算单元602，还用于基于所述细粒度预测模型，计算预设的历史时间范围内各时间区间对应的预测流量，所述时间区间为将所述历史时间范围按照所述细粒度预测模型对应的第一预测周期划分得到的；
所述计算单元，还用于获取各所述时间区间对应的实际流量，以基于各所述时间区间对应的实际流量和预测流量，计算各所述时间区间对应的置信度；
所述装置还包括：
拟合单元，用于对各所述时间区间对应的置信度拟合，得出拟合的置信度函数。
本发明实施例的又一种实现方式中，所述预测单元604，具体用于：
将所述预测时间段输入所述置信度函数，以得出所述细粒度预测模型对应的第一置信度；
将1减所述第一置信度的值确定为所述粗粒度预测模型对应的第二置信度。
本发明实施例的又一种实现方式中，所述接收单元601，还用于接收应用流量的非实时预测请求；
所述确定单元602，还用于获取所述当前时间对应时间段的实际流量，基于所述细粒度预测模型计算所述当前时间对应时间段的预测流量，根据实际流量和预测流量确定细粒度预测模型的修正系数；
所述计算单元603，还用于基于所述细粒度预测模型的修正系数和所述细粒度预测模型，计算所述当前时间所属第二预测周期的第三流量，以及基于所述粗粒度预测模型计算所述当前时间所属第二预测时间周期的第四流量；
所述确定单元602，还用于基于所述第三流量和所述第四流量，确定所述当前时间所属第二预测时间周期的预测流量，计算所述当前时间所属第二预测时间周期的预测流量除以所述第四流量的值，以确定为所述粗粒度预测模型的修正系数；
所述预测单元604，还用于获取所述非实时预测请求中预测时间段，基于所述粗粒度预测模型计算所述非实时预测请求中预测时间段的第五流量，以调用预设的第一计算模型，基于所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
本发明实施例的又一种实现方式中，所述预测单元604，具体用于：
基于预设的权重函数计算所述预测时间段对应的预测权重；
调用预设的第二计算模型，基于所述预测权重、所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
本发明实施例的又一种实现方式中，所述获取单元601，具体用于：
从日志中获取当前时间对应时间段内访问所述应用的用户标识，对所述用户标识去重，得到所述当前时间对应时间段的实际流量。
应理解的是，实施本发明实施例的方式与实施图3、图5所示实施例的方式相同，在此不再赘述。
本发明实施例中，预先训练了粗粒度预测模型和细粒度预测模型，在进行实时流量预测时，先基于当前时间对应时间段的实际流量来对细粒度预测模型进行修正，即计算细粒度模型的修正系数，然后再将细粒度预测模型和粗粒度模型的预测流量相结合来确定预测时间段的预测流量。本发明实施例中，在实时流量预测时，通过多个预测模型进行离线预测，并且还基于实时的实际流量对预测流量进行修正，如此在历史数据较少时也能够准确的实现流量预测，提高流量预测的准确性。
根据本发明的实施例，本发明实施例还提供了一种电子设备和一种可读存储介质。
本发明实施例的电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例所提供的流量预测的方法。
图7示出了可以应用本发明实施例的流量预测的方法或流量预测的装置的示例性系统架构700。
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种客户端应用。
终端设备701、702、703可以是但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器，服务器可以对接收到的流量预测请求等数据进行分析等处理，并将处理结果(例如预测流量--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的流量预测的方法一般由服务器705执行，相应地，流量预测的装置一般设置于服务器705中。
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图8，其示出了适于用来实现本发明实施例的计算机系统800的结构示意图。图8示出的计算机系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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单元、程序段、或代码的一部分，上述单元、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、确定单元、计算单元和预测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收单元的功能的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行本发明所提供的流量预测的方法。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种流量预测的方法，其特征在于，包括：
接收应用流量的实时预测请求；
获取当前时间对应时间段的实际流量，基于预训练的细粒度预测模型计算所述当前时间对应时间段的预测流量，根据实际流量和预测流量确定修正系数；
获取所述实时预测请求中预测时间段，基于所述修正系数和所述细粒度预测模型计算所述预测时间段的第一流量，以及基于预训练的粗粒度预测模型计算所述预测时间段的第二流量；
基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量，发送所述预测时间段的预测流量。
2.根据权利要求1所述的方法，其特征在于，基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量，包括：
调用预设的置信度函数，以基于所述预测时间段计算所述细粒度预测模型对应的第一置信度和所述粗粒度预测模型对应的第二置信度；
计算所述第一置信度与所述第一流量的第一乘积，以及所述第二置信度与所述第二流量的第二乘积，将所述第一乘积和所述第二乘积之和，确定为所述预测时间段的预测流量。
3.根据权利要求2所述的方法，其特征在于，在基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量之前，还包括：
基于所述细粒度预测模型，计算预设的历史时间范围内各时间区间对应的预测流量，所述时间区间为将所述历史时间范围按照所述细粒度预测模型对应的第一预测周期划分得到的；
获取各所述时间区间对应的实际流量，以基于各所述时间区间对应的实际流量和预测流量，计算各所述时间区间对应的置信度；
对各所述时间区间对应的置信度拟合，得出拟合的置信度函数。
4.根据权利要求2或3所述的方法，其特征在于，所述调用预设的置信度函数，基于所述预测时间段计算所述细粒度预测模型对应的第一置信度和所述粗粒度预测模型对应的第二置信度，包括：
将所述预测时间段输入所述置信度函数，以得出所述细粒度预测模型对应的第一置信度；
将1减所述第一置信度的值确定为所述粗粒度预测模型对应的第二置信度。
5.根据权利要求1所述的方法，其特征在于，还包括：
接收应用流量的非实时预测请求；
获取所述当前时间对应时间段的实际流量，基于所述细粒度预测模型计算所述当前时间对应时间段的预测流量，根据实际流量和预测流量确定细粒度预测模型的修正系数；
基于所述细粒度预测模型的修正系数和所述细粒度预测模型，计算所述当前时间所属第二预测周期的第三流量，以及基于所述粗粒度预测模型计算所述当前时间所属第二预测时间周期的第四流量；
基于所述第三流量和所述第四流量，确定所述当前时间所属第二预测时间周期的预测流量，计算所述当前时间所属第二预测时间周期的预测流量除以所述第四流量的值，以确定为所述粗粒度预测模型的修正系数；
获取所述非实时预测请求中预测时间段，基于所述粗粒度预测模型计算所述非实时预测请求中预测时间段的第五流量，以调用预设的第一计算模型，基于所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
6.根据权利要求5所述的方法，其特征在于，所述调用预设的第一计算模型，基于所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量，包括：
基于预设的权重函数计算所述预测时间段对应的预测权重；
调用预设的第二计算模型，基于所述预测权重、所述第五流量和所述粗粒度预测模型的修正系数，确定所述非实时预测请求中预测时间段的预测流量。
7.根据权利要求1所述的方法，其特征在于，所述获取当前时间对应时间段的实际流量，包括：
从日志中获取当前时间对应时间段内访问所述应用的用户标识，对所述用户标识去重，得到所述当前时间对应时间段的实际流量。
8.一种流量预测的装置，其特征在于，包括：
接收单元，用于接收应用流量的实时预测请求；
确定单元，用于获取当前时间对应时间段的实际流量，基于预训练的细粒度预测模型计算所述当前时间对应时间段的预测流量，根据实际流量和预测流量确定修正系数；
计算单元，用于获取所述实时预测请求中预测时间段，基于所述修正系数和所述细粒度预测模型计算所述预测时间段的第一流量，以及基于预训练的粗粒度预测模型计算所述预测时间段的第二流量；
预测单元，用于基于所述第一流量和所述第二流量，确定所述预测时间段的预测流量，发送所述预测时间段的预测流量。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202111552488.5A 2021-12-17 2021-12-17 流量预测方法、装置、电子设备和存储介质 Pending CN114257521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111552488.5A CN114257521A (zh) 2021-12-17 2021-12-17 流量预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111552488.5A CN114257521A (zh) 2021-12-17 2021-12-17 流量预测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114257521A true CN114257521A (zh) 2022-03-29

Family

ID=80795645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111552488.5A Pending CN114257521A (zh) 2021-12-17 2021-12-17 流量预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114257521A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115037954A (zh) * 2022-05-18 2022-09-09 阿里云计算有限公司 访问直播的控制方法、装置及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090245107A1 (en) * 2008-03-25 2009-10-01 Verizon Data Services Inc. System and method of forecasting usage of network links
CN109041217A (zh) * 2018-09-21 2018-12-18 北京邮电大学 一种异构网络中的分级移动性预测方法
US20200097815A1 (en) * 2018-09-21 2020-03-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for predicting passenger flow
US20200300881A1 (en) * 2017-10-13 2020-09-24 Mci (Mirror Controls International) Netherlands B.V. Method and device for providing information on an annular displacement of a dc electromotor
CN112906810A (zh) * 2021-03-08 2021-06-04 共达地创新技术(深圳)有限公司 目标检测方法、电子设备和存储介质
US20210209938A1 (en) * 2020-09-25 2021-07-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus, system, and computer-readable medium for traffic pattern prediction
CN113239705A (zh) * 2021-07-12 2021-08-10 北京百度网讯科技有限公司 语义表示模型的预训练方法、装置、电子设备和存储介质
CN113361810A (zh) * 2021-06-30 2021-09-07 佳都科技集团股份有限公司 一种客流量预测方法、装置、设备和存储介质
CN113435502A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 站点流量确定方法、装置、设备及存储介质
CN113505923A (zh) * 2021-07-08 2021-10-15 广西大学 一种地区电网短期负荷预测方法及系统
CN113689694A (zh) * 2021-07-28 2021-11-23 山东中创软件商用中间件股份有限公司 一种车流量预测方法、装置、设备及可读存储介质
CN113760675A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 负载预测方法和装置、电子设备以及计算机可读存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090245107A1 (en) * 2008-03-25 2009-10-01 Verizon Data Services Inc. System and method of forecasting usage of network links
US20200300881A1 (en) * 2017-10-13 2020-09-24 Mci (Mirror Controls International) Netherlands B.V. Method and device for providing information on an annular displacement of a dc electromotor
CN109041217A (zh) * 2018-09-21 2018-12-18 北京邮电大学 一种异构网络中的分级移动性预测方法
US20200097815A1 (en) * 2018-09-21 2020-03-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for predicting passenger flow
US20210209938A1 (en) * 2020-09-25 2021-07-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus, system, and computer-readable medium for traffic pattern prediction
CN113760675A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 负载预测方法和装置、电子设备以及计算机可读存储介质
CN112906810A (zh) * 2021-03-08 2021-06-04 共达地创新技术(深圳)有限公司 目标检测方法、电子设备和存储介质
CN113435502A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 站点流量确定方法、装置、设备及存储介质
CN113361810A (zh) * 2021-06-30 2021-09-07 佳都科技集团股份有限公司 一种客流量预测方法、装置、设备和存储介质
CN113505923A (zh) * 2021-07-08 2021-10-15 广西大学 一种地区电网短期负荷预测方法及系统
CN113239705A (zh) * 2021-07-12 2021-08-10 北京百度网讯科技有限公司 语义表示模型的预训练方法、装置、电子设备和存储介质
CN113689694A (zh) * 2021-07-28 2021-11-23 山东中创软件商用中间件股份有限公司 一种车流量预测方法、装置、设备及可读存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZICHENG ZHANG等: "A Full-Reference Quality Assessment Metric for Fine-Grained Compressed Images", 《2021 INTERNATIONAL CONFERENCE ON VISUAL COMMUNICATIONS AND IMAGE PROCESSING (VCIP)》 *
何俊峰, 谢高岗, 杨建华: "基于周期性网络流量模型的流量预测", 计算机应用, no. 10, 28 October 2003 (2003-10-28) *
冯培坤;刘杰;伍卫国;柴玉香;张祥俊;: "一种基于并联组合模型预测站点流量的策略", 计算机技术与发展, no. 09, 10 September 2020 (2020-09-10) *
王亮;於志文;郭斌;: "基于双层多粒度知识发现的移动轨迹预测模型", 浙江大学学报(工学版), no. 04 *
袁小坊;陈楠楠;王东;谢高岗;张大方;: "城域网应用层流量预测模型", 计算机研究与发展, no. 03 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115037954A (zh) * 2022-05-18 2022-09-09 阿里云计算有限公司 访问直播的控制方法、装置及系统

Similar Documents

Publication Publication Date Title
CN109697522B (zh) 一种数据预测的方法和装置
CN108965951B (zh) 广告的播放方法及装置
CN112527649A (zh) 一种测试用例的生成方法和装置
CN113408797A (zh) 流转量预测多时序模型生成方法、信息发送方法和装置
CN114500339B (zh) 一种节点带宽监测方法、装置、电子设备及存储介质
CN110766184A (zh) 订单量预测方法和装置
CN110866040A (zh) 用户画像生成方法、装置和系统
CN107819745B (zh) 异常流量的防御方法和装置
CN107291835B (zh) 一种搜索词的推荐方法和装置
CN111044062B (zh) 路径规划、推荐方法和装置
CN114257521A (zh) 流量预测方法、装置、电子设备和存储介质
CN109002925A (zh) 业务量预测方法和装置
CN113190558A (zh) 一种数据加工方法和系统
CN113760982A (zh) 一种数据处理方法和装置
CN117035842A (zh) 模型训练方法、业务量预测方法、装置、设备和介质
CN113779412B (zh) 一种基于区块链网络的消息触达方法、节点和系统
CN114157578B (zh) 网络状态预测方法及装置
CN114612212A (zh) 一种基于风险控制的业务处理方法、装置和系统
CN114723455A (zh) 业务处理方法、装置、电子设备和存储介质
CN113434754A (zh) 确定推荐api服务的方法、装置、电子设备和存储介质
CN111161067A (zh) 一种交易路由的确定方法和装置
CN113066479A (zh) 一种评测模型的方法和装置
CN116049319B (zh) 一种基于预言机信誉值的链外数据获取方法和装置
CN114202292B (zh) 备货信息发送方法、装置、电子设备和计算机可读介质
CN109902847A (zh) 预测分库订单量的方法和装置

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