CN114282658A - 一种针对流量序列分析及预测的方法、设备和介质 - Google Patents

一种针对流量序列分析及预测的方法、设备和介质 Download PDF

Info

Publication number
CN114282658A
CN114282658A CN202210195231.7A CN202210195231A CN114282658A CN 114282658 A CN114282658 A CN 114282658A CN 202210195231 A CN202210195231 A CN 202210195231A CN 114282658 A CN114282658 A CN 114282658A
Authority
CN
China
Prior art keywords
layer
input
output
data
prediction
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.)
Granted
Application number
CN202210195231.7A
Other languages
English (en)
Other versions
CN114282658B (zh
Inventor
王田
侯伯尧
吕金虎
杨予光
张宝昌
刘克新
刘阳
池程
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.)
Beihang University
China Academy of Information and Communications Technology CAICT
Original Assignee
Beihang University
China Academy of Information and Communications Technology CAICT
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 Beihang University, China Academy of Information and Communications Technology CAICT filed Critical Beihang University
Priority to CN202210195231.7A priority Critical patent/CN114282658B/zh
Publication of CN114282658A publication Critical patent/CN114282658A/zh
Application granted granted Critical
Publication of CN114282658B publication Critical patent/CN114282658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种针对流量序列分析及预测的方法，以历史序列数据为依据进行分析，通过神经网络进行预测，所述神经网络具有输入变换层和输出逆变换层，输入变换层用于将输入神经网络的数据进行box‑cox变换，输出逆变换层用于将神经网络输出的数据进行box‑cox逆变换。本发明公开的针对流量序列分析及预测的方法，具有预测准确率高、稳定性好等诸多优点。

Description

一种针对流量序列分析及预测的方法、设备和介质
技术领域
本发明涉及时间序列分析及预测领域，特别是涉及一种针对流量序列的分析及预测方法，属于信息管理领域。
背景技术
流量分析及预测与诸多领域密切相关，包括互联网流量、无线网络流量、工业互联网接入流量、交通客流等。流量数据呈现一定的周期性与可预测性。为保障业务质量，提高用户感知，需要对流量进行预测，用于相关业务的日常维护和规划建设工作。
各网络系统涉及不同的网络节点，例如维护互联网的的端口和链路，或者用于交通站点的维护。流量分析及预测的准确性对这些节点的维护具有积极意义。
传统的流量分析及预测方法，对流量数据的时序性质关注度不足，对时间序列的特征项利用率较低，难以把握具有大幅度高频波动的数据，难以给出更能反映其固有变化趋势的预测。
因此，有必要研究一种针对时间序列特征的流量分析及预测方法。
发明内容
为了克服上述问题，本发明人进行了深入研究，设计出一种针对流量序列分析及预测的方法，收集历史流量数据；
将历史流量数据中不同天的同一个时间点的流量构造成时间序列数据,以该时间序列为依据，通过神经网络对未来天中相同时间点的流量进行预测，
根据预测的流量对设施进行增减或维护；
所述神经网络具有输入变换层和输出逆变换层。
进一步地，所述输入变换层用于将输入神经网络的数据进行box-cox变换，所述输出逆变换层用于将神经网络输出的数据进行box-cox逆变换。
在本发明中，采用多个不同时间点的时间序列数据对神经网络进行训练。
优选地，所述输入变换层和输出逆变换层中设置有可学习参数。
优选地，所述输入变换层表示为
Figure 436981DEST_PATH_IMAGE001
其中，
Figure 261717DEST_PATH_IMAGE002
表示可学习参数,
Figure 974458DEST_PATH_IMAGE003
表示输入变换层的输入，
Figure 960869DEST_PATH_IMAGE004
表示输入变换层的输出；
所述输出变换层表示为：
Figure 657429DEST_PATH_IMAGE005
其中，
Figure 754698DEST_PATH_IMAGE006
表示可学习参数,
Figure 587525DEST_PATH_IMAGE007
表示输出逆变换层的输入，
Figure 744837DEST_PATH_IMAGE008
表示输出逆变换层的输出。
优选地，在所述神经网络中包含一个或多个堆结构，堆的输入为输入变换层的输出，堆的输出为输出逆变换层的输入，所述堆包含多个块，每个块能够对输入的数据进行前向预测输出和反向预测输出。
优选地，第一个块的输入为堆的输入数据，后续块的输入为上一个块的输入与输出的差值，所述输入与输出的差值是指输入与前向预测输出的差值。
优选地，所述块包含多个全连接层、两个线性映射层、一个前向预测层和一个反向预测层。
优选地，所述堆中包含3个块，其中，第一个块的反向预测层表示为：
Figure 663114DEST_PATH_IMAGE009
Figure 829654DEST_PATH_IMAGE010
其中，
Figure 251408DEST_PATH_IMAGE011
表示反向预测序列的长度，
Figure 579621DEST_PATH_IMAGE012
表示拟合的次数，
Figure 719615DEST_PATH_IMAGE013
表示该层的输入数据；
第一个块的前向预测层表示为：
Figure 689845DEST_PATH_IMAGE014
Figure 497264DEST_PATH_IMAGE015
其中，
Figure 996379DEST_PATH_IMAGE016
表示前向预测序列的长度，
Figure 623669DEST_PATH_IMAGE012
表示拟合的次数，
Figure 132011DEST_PATH_IMAGE013
表示该层的输入数据；
第二个块的反向预测层表示为：
Figure 528357DEST_PATH_IMAGE017
Figure 463952DEST_PATH_IMAGE018
Figure 578538DEST_PATH_IMAGE010
其中，
Figure 642570DEST_PATH_IMAGE011
表示反向预测序列的长度，
Figure 159002DEST_PATH_IMAGE013
表示该层的输入数据, ⌊.⌋表示向下取整；
第二个块的前向预测层表示为：
Figure 999919DEST_PATH_IMAGE019
Figure 867381DEST_PATH_IMAGE020
Figure 451946DEST_PATH_IMAGE021
其中，
Figure 88464DEST_PATH_IMAGE016
表示前向预测序列的长度，
Figure 100282DEST_PATH_IMAGE013
表示该层的输入数据, ⌊.⌋表示向下取整；
第三个块的反向预测层表示为：
Figure 923882DEST_PATH_IMAGE022
其中，
Figure 577717DEST_PATH_IMAGE023
表示该层的权重矩阵，
Figure 803162DEST_PATH_IMAGE013
表示该层的输入数据。
第三个块的前向预测层表示为：
Figure 985881DEST_PATH_IMAGE024
其中，
Figure 827936DEST_PATH_IMAGE025
表示该层的权重矩阵，
Figure 754303DEST_PATH_IMAGE013
表示该层的输入数据。
本发明还提供了一种电子设备，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至少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能够执行上述任一项所述的方法。
本发明还提供了一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一项所述的方法。
本发明所具有的有益效果包括：
（1）预测结果准确率高、稳定性好；
（2）能够把握统一时间点在日间的变化趋势；
（3）将数据变换的过程集成到神经网络当中，实现数据变换的动态调整，进一步增强神经网络的表达能力。
附图说明
图1示出根据本发明一种优选实施方式的针对流量序列分析及预测的方法中神经网络结构示意图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
根据本发明提供的一种针对流量序列分析及预测的方法，收集历史流量数据；
将历史流量数据中不同天的同一个时间点的流量构造成时间序列数据,以该时间序列为依据，利用神经网络提供预测；
根据预测的流量对设施进行增减或维护。
在本发明中，所述历史流量数据按照时间点进行收集，即不仅仅需要收集流量数据，还需要收集流量数据对应的时间点。
在本发明中， 对历史流量数据的收集方式不做特别限定，可以通过专用的设备进行，例如采用摄像头对道路进行拍摄后提取道路车流量数据。
进一步地，从历史流量数据中选择时间点相同的流量构造成时间序列数据，从而能够把握统一时间点在日间的变化趋势，进而获取更为准确的预测流量。
根据本发明，在获取预测流量后，根据预测流量对设施进行增减或维护，当预测流量高于设施最大能力时，增加设施或进行限流管控；
当预测流量低于设施最大能力时，减少设施投入量或对部分设施进行维护。
根据本发明，所述同一个时间点为开始时间时刻、结束时间时刻相同的时间区间。
本发明中的神经网络，不同于传统的神经网络，具有输入变换层和输出逆变换层，
所述输入变换层用于将输入神经网络的数据进行box-cox变换，所述输出逆变换层用于将神经网络输出的数据进行box-cox逆变换。
通过输入变换层和输出逆变换层，将输入神经网络的数据进行动态调整，从而增强神经网络对时间序列的把握程度，增强神经网络的表达能力。
进一步地，通过box-cox变换和逆变换过程，还能够使输入神经网络的数据范围更加集中，降低流量数据数量级跨度较大对神经网络预测精准度的干扰。
所述box-cox变换是Box和Cox在1964年提出的一种广义幂变换方法，可以表示为：
Figure 834255DEST_PATH_IMAGE026
其中，
Figure 719034DEST_PATH_IMAGE002
表示参数,
Figure 517226DEST_PATH_IMAGE003
表示待变换数据，
Figure 512864DEST_PATH_IMAGE004
表示待变换数据
Figure 447322DEST_PATH_IMAGE027
变换后对应的数据。
进一步地，在本发明中，所述输入变换层和输出逆变换层中设置有可学习参数，使得输入变换层和输出逆变换层在神经网络训练过程中不断调整以适应不同的数据。
在一个优选的实施方式中，所述可学习参数为box-cox变换中的参数
Figure 503002DEST_PATH_IMAGE002
，即所述输入变换层表示为：
Figure 788490DEST_PATH_IMAGE028
其中，
Figure 56660DEST_PATH_IMAGE002
表示可学习参数,
Figure 111204DEST_PATH_IMAGE003
表示输入变换层的输入，
Figure 337786DEST_PATH_IMAGE004
表示输入变换层的输出；
传统的box-cox变换中，参数
Figure 844991DEST_PATH_IMAGE002
是一个待定常数项，在本发明中，将其设置为可学习参数，在保留了box-cox变换性能的情况下，实现了box-cox变换与神经网络的融合。
输出变换层表示为：
Figure 916852DEST_PATH_IMAGE029
其中，
Figure 357061DEST_PATH_IMAGE006
表示可学习参数,
Figure 223385DEST_PATH_IMAGE007
表示输出逆变换层的输入，
Figure 489325DEST_PATH_IMAGE008
表示输出逆变换层的输出。
在一个优选的实施方式中，在所述神经网络中还包含一个或多个堆结构，优选为一个堆结构，堆的输入为输入变换层的输出，堆的输出为输出逆变换层的输入，如图1所示。
当所述堆具有多个时，下一个堆的输入为上一个堆的输出，使得多个堆能够串联起来。
进一步地，所述堆包含多个块，每个块能够对输入的数据进行前向预测输出和反向预测输出，其中，第一个块的输入为堆的输入数据，后续块的输入为上一个块的输入与输出的差值，所述输入与输出的差值是指输入与前向预测输出的差值。
进一步地，堆中所有块的反向预测输出值加和后作为输出逆变换层的输入。
根据本发明，所述块包含多个全连接层、两个线性映射层、一个前向预测层和一个反向预测层，如图1所示，
进一步地，多个全连接层串联，第一个全连接层的输入为块的输入，最后一个全连接层的输出分别为两个线性映射层的输入，
其中，一个线性映射层的输出为前向预测层的输入，前向预测层的输出为块的前向预测输出；另一个线性映射层的输出为反向预测层的输入，反向预测层的输出为块的反向预测输出。
在一个优选的实施方式中，每个块中具有4个全连接层，4个全连接层能够获得更为精准的预测效果。
在一个优选的实施方式中，所述全连接层可以表示为：
Figure 99298DEST_PATH_IMAGE030
其中，
Figure 394013DEST_PATH_IMAGE031
表示全连接层，
Figure 431239DEST_PATH_IMAGE032
表示全连接层的序号，
Figure 178615DEST_PATH_IMAGE033
表示第
Figure 857858DEST_PATH_IMAGE032
个全连接层的权重，
Figure 741501DEST_PATH_IMAGE034
表示第
Figure 215207DEST_PATH_IMAGE032
个全连接层的偏置，
Figure 184300DEST_PATH_IMAGE035
表示块的序号，
Figure 136076DEST_PATH_IMAGE036
表示该层的输入数据。
在一个优选的实施方式中，所述线性映射层可以表示为：
Figure 405383DEST_PATH_IMAGE037
其中，
Figure 784412DEST_PATH_IMAGE038
表示线性映射层，
Figure 240801DEST_PATH_IMAGE039
表示线性映射层的序号，
Figure 996267DEST_PATH_IMAGE040
表示块的序号，
Figure 120081DEST_PATH_IMAGE041
线性映射层的权重。
在一个优选的实施方式中，所述堆中包含3个块，其中，第一个块的反向预测层表示为：
Figure 935590DEST_PATH_IMAGE009
Figure 879276DEST_PATH_IMAGE010
其中，
Figure 438433DEST_PATH_IMAGE011
表示反向预测序列的长度，
Figure 151174DEST_PATH_IMAGE012
表示拟合的次数，
Figure 137585DEST_PATH_IMAGE013
表示该层的输入数据。
第一个块的前向预测层表示为：
Figure 568566DEST_PATH_IMAGE014
Figure 931414DEST_PATH_IMAGE015
其中，
Figure 498662DEST_PATH_IMAGE016
表示前向预测序列的长度，
Figure 655974DEST_PATH_IMAGE012
表示拟合的次数，
Figure 839830DEST_PATH_IMAGE013
表示该层的输入数据。
第二个块的反向预测层表示为：
Figure 475211DEST_PATH_IMAGE042
Figure 162544DEST_PATH_IMAGE018
Figure 756337DEST_PATH_IMAGE010
其中，
Figure 890472DEST_PATH_IMAGE011
表示反向预测序列的长度，
Figure 860702DEST_PATH_IMAGE013
表示该层的输入数据, ⌊.⌋表示向下取整。
第二个块的前向预测层表示为：
Figure 402541DEST_PATH_IMAGE019
Figure 901656DEST_PATH_IMAGE020
Figure 528946DEST_PATH_IMAGE021
其中，
Figure 771709DEST_PATH_IMAGE016
表示前向预测序列的长度，
Figure 433634DEST_PATH_IMAGE013
表示该层的输入数据, ⌊.⌋表示向下取整。
第三个块的反向预测层表示为：
Figure 369229DEST_PATH_IMAGE022
其中，
Figure 483816DEST_PATH_IMAGE023
表示该层的权重矩阵，
Figure 530269DEST_PATH_IMAGE013
表示该层的输入数据。
第三个块的前向预测层表示为：
Figure 46701DEST_PATH_IMAGE024
其中，
Figure 887618DEST_PATH_IMAGE025
表示该层的权重矩阵，
Figure 489501DEST_PATH_IMAGE013
表示该层的输入数据。
根据本发明，所述神经网络的输入为时间序列数据，所述时间序列数据是指将历史数据中不同天的同一个时间点的网络流量构造成一个时间序列数据，不同的时间点形成多个时间序列数据。
进一步地，每个时间序列数据分割为S个片段，每个片段的长度相同。
发明人发现，对于存在较为明显的日周期性的流量序列，相比于将全部数据作为一个序列进行预测，将数据分为多个时间序列数据进行预测，有助于把握同一时间点在日间的变化趋势，提高预测的准确率。
在本发明中，采用多个不同时间点的时间序列数据对神经网络进行训练。
根据本发明，在训练神经网络前，设置样本集用于训练和测试神经网络，所述样本集通过以下方式获得：
将
Figure 339645DEST_PATH_IMAGE043
天的历史流量数据按天分割，并将一天分割为
Figure 710584DEST_PATH_IMAGE044
个时间区间，使得历史流量数据形成
Figure 987981DEST_PATH_IMAGE045
矩阵，在矩阵的每一行中取连续的
Figure 811581DEST_PATH_IMAGE046
个数据，其中前
Figure 199837DEST_PATH_IMAGE047
个数据为神经网络的输入，后
Figure 690861DEST_PATH_IMAGE048
个数据为神经网络的输出，形成样本集，进一步地，将样本集分为训练集和测试集，分别用于训练神经网络和测试训练后的神经网络。
进一步地，在收集历史流量数据时，只要上行数据或下行数据中的一种。
在训练神经网络时，优选地，将训练集分为
Figure 873581DEST_PATH_IMAGE049
批次依次训练，发明人发现，在训练过程中按批投入数据进行训练可以提高训练效率。
在一个优选的实施方式中，在训练过程中，采用Adam优化器对神经网络进行优化，更优选地，学习率设置为
Figure 715635DEST_PATH_IMAGE050
，损失函数设置为MSE损失函数。
优选地，在训练时，训练轮数设置为
Figure 642002DEST_PATH_IMAGE051
。
优选地，反向预测长度
Figure 721954DEST_PATH_IMAGE011
和前向预测长度
Figure 606733DEST_PATH_IMAGE016
可以根据实际需要进行调整。
发明人发现，上述参数设置下，能够极大提到训练后神经网络的预测准确性。
本发明中以上描述的方法的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的方法和装置，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的方法和装置实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与V P S服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
实施例
实施例1
取互联网服务提供商的网络链路连续33天的上行网络流量数据，将每一天的数据按照时间区间分割为
Figure 670504DEST_PATH_IMAGE052
个，形成
Figure 134984DEST_PATH_IMAGE053
的矩阵，在矩阵的每一行中取连续的8个数据形成样本集。
设置神经网络，神经网络具有输入变换层、输出逆变换层和一个堆结构，输入变换层表示为：
Figure 335021DEST_PATH_IMAGE054
输出变换层表示为：
Figure 396561DEST_PATH_IMAGE055
反向预测长度
Figure 416469DEST_PATH_IMAGE056
，前向预测长度
Figure 950219DEST_PATH_IMAGE057
。
堆结构中具有3个块，每个块包含两个全连接层、两个线性映射层、一个前向预测层和一个反向预测层，
全连接层表示为：
Figure 4763DEST_PATH_IMAGE058
线性映射层表示为：
Figure 965765DEST_PATH_IMAGE059
第一个块的反向预测层表示为：
Figure 738549DEST_PATH_IMAGE009
Figure 75990DEST_PATH_IMAGE010
第一个块的前向预测层表示为：
Figure 985040DEST_PATH_IMAGE060
Figure 116944DEST_PATH_IMAGE021
第二个块的反向预测层表示为：
Figure 377024DEST_PATH_IMAGE042
Figure 252576DEST_PATH_IMAGE061
Figure 281712DEST_PATH_IMAGE062
第二个块的前向预测层表示为：
Figure 318938DEST_PATH_IMAGE063
Figure 66314DEST_PATH_IMAGE064
Figure 745557DEST_PATH_IMAGE021
第三个块的反向预测层表示为：
Figure 629200DEST_PATH_IMAGE022
第三个块的前向预测层表示为：
Figure 837327DEST_PATH_IMAGE024
将训练集分为6个批次进行训练，在训练过程中，采用Adam优化器对神经网络进行优化，学习率设置为
Figure 71999DEST_PATH_IMAGE065
，损失函数设置为MSE损失函数，训练轮数设置为
Figure 289354DEST_PATH_IMAGE066
。
采用测试集对训练得到的神经网络进行测试，采用MAPE（平均绝对百分比误差）指标作为评价标准，最终获得的MAPE结果为28.4%。
采用Prophet方法对样本集进行处理，预测测试集中的数据，Prophet方法是传统预测方法中的经典方法之一，其接受一个连续的包含大量时间点的长序列作为输入，通过拟合得到模型并利用其进行预测，对测试集中进行预测后的MAPE结果为31.6%。
从实验结果可以看出，本实施例中的方法，相比于Prophet方法能够明显降低MAPE指标，降幅超过3%，预测准确率明显提高。
将训练后的神经网络用于该互联网服务提供商的网络设施维护中，在获得预测流量后，将预测流量与网络设施最大能力进行对比，当预测流量高于设施最大能力时，考虑增加网络设施；当预测流量低于设施最大能力时，考虑关闭部分网络设施，以节约电力，便于网络设施的维护。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接普通；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (10)

1.一种针对流量序列分析及预测的方法，其特征在于，收集历史流量数据；
将历史流量数据中不同天的同一个时间点的流量构造成时间序列数据,以该时间序列为依据，通过神经网络对未来天中相同时间点的流量进行预测；
根据预测的流量对设施进行增减或维护；
所述神经网络具有输入变换层和输出逆变换层；
所述输入变换层用于将输入神经网络的数据进行box-cox变换，所述输出逆变换层用于将神经网络输出的数据进行box-cox逆变换。
2.根据权利要求1所述的针对流量序列分析及预测的方法，其特征在于，
采用多个不同时间点的时间序列数据对神经网络进行训练。
3.根据权利要求1所述的针对流量序列分析及分析及预测的方法，其特征在于，
所述输入变换层和输出逆变换层中设置有可学习参数。
4.根据权利要求3所述的针对流量序列分析及预测的方法，其特征在于，
所述输入变换层表示为
Figure 555203DEST_PATH_IMAGE001
其中，
Figure 9361DEST_PATH_IMAGE002
表示可学习参数,
Figure 585836DEST_PATH_IMAGE003
表示输入变换层的输入，
Figure 512203DEST_PATH_IMAGE004
表示输入变换层的输出；
所述输出变换层表示为：
Figure 857734DEST_PATH_IMAGE005
其中，
Figure 211355DEST_PATH_IMAGE006
表示可学习参数,
Figure 275126DEST_PATH_IMAGE007
表示输出逆变换层的输入，
Figure 5185DEST_PATH_IMAGE008
表示输出逆变换层的输出。
5.根据权利要求1所述的针对流量序列分析及预测的方法，其特征在于，
在所述神经网络中包含一个或多个堆结构，堆的输入为输入变换层的输出，堆的输出为输出逆变换层的输入，所述堆包含多个块，每个块能够对输入的数据进行前向预测输出和反向预测输出。
6.根据权利要求5所述的针对流量序列分析及预测的方法，其特征在于，
第一个块的输入为堆的输入数据，后续块的输入为上一个块的输入与输出的差值，所述输入与输出的差值是指输入与前向预测输出的差值。
7.根据权利要求5所述的针对流量序列分析及预测的方法，其特征在于，
所述块包含多个全连接层、两个线性映射层、一个前向预测层和一个反向预测层。
8.根据权利要求5所述的针对流量序列分析及预测的方法，其特征在于，
所述堆中包含3个块，其中，第一个块的反向预测层表示为：
Figure 470801DEST_PATH_IMAGE009
Figure 995323DEST_PATH_IMAGE010
其中，
Figure 280811DEST_PATH_IMAGE011
表示反向预测序列的长度，
Figure 814561DEST_PATH_IMAGE012
表示拟合的次数，
Figure 869104DEST_PATH_IMAGE013
表示该层的输入数据；
第一个块的前向预测层表示为：
Figure 830107DEST_PATH_IMAGE014
Figure 602891DEST_PATH_IMAGE015
其中，
Figure 674752DEST_PATH_IMAGE016
表示前向预测序列的长度，
Figure 849382DEST_PATH_IMAGE012
表示拟合的次数，
Figure 715706DEST_PATH_IMAGE013
表示该层的输入数据；
第二个块的反向预测层表示为：
Figure 241366DEST_PATH_IMAGE017
Figure 851339DEST_PATH_IMAGE018
Figure 146054DEST_PATH_IMAGE010
其中，
Figure 448859DEST_PATH_IMAGE011
表示反向预测序列的长度，
Figure 930656DEST_PATH_IMAGE013
表示该层的输入数据, ⌊.⌋表示向下取整；
第二个块的反向预测层表示为：
Figure 609899DEST_PATH_IMAGE019
Figure 493541DEST_PATH_IMAGE020
Figure 967248DEST_PATH_IMAGE015
其中，
Figure 936341DEST_PATH_IMAGE016
表示前向预测序列的长度，
Figure 153696DEST_PATH_IMAGE013
表示该层的输入数据, ⌊.⌋表示向下取整；
第三个块的反向预测层表示为：
Figure 151565DEST_PATH_IMAGE021
其中，
Figure 796172DEST_PATH_IMAGE022
表示该层的权重矩阵，
Figure 518141DEST_PATH_IMAGE013
表示该层的输入数据；
第三个块的前向预测层表示为：
Figure 273607DEST_PATH_IMAGE023
其中，
Figure 866263DEST_PATH_IMAGE024
表示该层的权重矩阵，
Figure 681772DEST_PATH_IMAGE013
表示该层的输入数据。
9.一种电子设备，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至少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能够执行权利要求1-8中任一项所述的方法。
10.一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
CN202210195231.7A 2022-03-02 2022-03-02 一种针对流量序列分析及预测的方法、设备和介质 Active CN114282658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210195231.7A CN114282658B (zh) 2022-03-02 2022-03-02 一种针对流量序列分析及预测的方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210195231.7A CN114282658B (zh) 2022-03-02 2022-03-02 一种针对流量序列分析及预测的方法、设备和介质

Publications (2)

Publication Number Publication Date
CN114282658A true CN114282658A (zh) 2022-04-05
CN114282658B CN114282658B (zh) 2022-06-03

Family

ID=80882168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210195231.7A Active CN114282658B (zh) 2022-03-02 2022-03-02 一种针对流量序列分析及预测的方法、设备和介质

Country Status (1)

Country Link
CN (1) CN114282658B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955993A (zh) * 2023-08-24 2023-10-27 中国长江电力股份有限公司 一种混凝土性态多元时序监测数据补全方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609667A (zh) * 2017-07-20 2018-01-19 国网山东省电力公司电力科学研究院 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
CN109325638A (zh) * 2018-11-09 2019-02-12 电子科技大学 一种基于rbf神经网络的sdn流量预测方法
WO2021174755A1 (zh) * 2020-03-02 2021-09-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
CN113902161A (zh) * 2021-09-01 2022-01-07 浙江浙大中控信息技术有限公司 一种排水管网溢流预警智能分析的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609667A (zh) * 2017-07-20 2018-01-19 国网山东省电力公司电力科学研究院 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
CN109325638A (zh) * 2018-11-09 2019-02-12 电子科技大学 一种基于rbf神经网络的sdn流量预测方法
WO2021174755A1 (zh) * 2020-03-02 2021-09-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
CN113902161A (zh) * 2021-09-01 2022-01-07 浙江浙大中控信息技术有限公司 一种排水管网溢流预警智能分析的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955993A (zh) * 2023-08-24 2023-10-27 中国长江电力股份有限公司 一种混凝土性态多元时序监测数据补全方法
CN116955993B (zh) * 2023-08-24 2024-03-12 中国长江电力股份有限公司 一种混凝土性态多元时序监测数据补全方法

Also Published As

Publication number Publication date
CN114282658B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN108876054B (zh) 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN111552923B (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
CN109816221B (zh) 项目风险决策方法、装置、计算机设备和存储介质
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN113837488B (zh) 能源消耗数据预测方法、系统、设备
CN112149976B (zh) 一种基于人工智能的电网精准投资项目决策方法
CN114282658B (zh) 一种针对流量序列分析及预测的方法、设备和介质
Porteiro et al. Short term load forecasting of industrial electricity using machine learning
Tian et al. A network traffic hybrid prediction model optimized by improved harmony search algorithm
CN116845889A (zh) 一种基于层次化超图神经网络的电力负载预测方法
AU2021106200A4 (en) Wind power probability prediction method based on quantile regression
CN111539558A (zh) 一种采用优化极限学习机的电力负荷预测方法
CN113139698A (zh) 负荷预测方法、装置及设备
CN116760033A (zh) 一种基于人工智能的实时电力需求预测系统
CN116861256A (zh) 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN116562115A (zh) 基于机器学习与气象相似时刻的新能源发电预测方法
CN114036823B (zh) 基于编解码和记忆机制的电力变压器负载控制方法及装置
CN115730740A (zh) 一种台区级电力短期负荷预测方法及系统
CN115759373A (zh) 燃气日负荷预测方法、装置及设备
CN115577856A (zh) 一种变电工程造价预测与结余控制方法及系统
CN114298389A (zh) 一种臭氧浓度预报方法及装置

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