CN114785701A - 光传送网流量预测方法、装置、电子设备及存储介质 - Google Patents

光传送网流量预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114785701A
CN114785701A CN202210358135.XA CN202210358135A CN114785701A CN 114785701 A CN114785701 A CN 114785701A CN 202210358135 A CN202210358135 A CN 202210358135A CN 114785701 A CN114785701 A CN 114785701A
Authority
CN
China
Prior art keywords
otn
traffic
model
data
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.)
Pending
Application number
CN202210358135.XA
Other languages
English (en)
Inventor
刘言
胡骞
李俊杰
尹立云
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202210358135.XA priority Critical patent/CN114785701A/zh
Publication of CN114785701A publication Critical patent/CN114785701A/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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J3/00—Time-division multiplex systems
    • H04J3/16—Time-division multiplex systems in which the time allocation to individual channels within a transmission cycle is variable, e.g. to accommodate varying complexity of signals, to vary number of channels transmitted
    • H04J3/1605—Fixed allocated frame structures
    • H04J3/1652—Optical Transport Network [OTN]
    • 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
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本公开提供了一种光传送网流量预测方法、装置、电子设备及存储介质，涉及通信技术领域。该方法包括获取第一时间段的光传送网OTN流量数据；将第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，其中，第二时间段为第一时间段之后的一个时间段；其中，OTN流量预测模型基于历史OTN流量数据训练，OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型；CNN模型用于提取光传送网流量的局部特征，LSTM模型用于提取光传送网流量的时序特征。本公开能够能够在广泛应用于各类端口、板卡乃至设备层面的光传送网流量预测场景的同时，保持极高的预测准确度。

Description

光传送网流量预测方法、装置、电子设备及存储介质
技术领域
本公开涉及通信技术领域，尤其涉及一种光传送网流量预测方法、装置、电子设备及存储介质。
背景技术
随着网络流量爆发式增长，光传送网所承载的业务种类和流量特征日趋复杂，特别是在逐步直接面向客户提供高品质专线服务时，经常会出现扩容周期长且迟滞于客户需求的现象，导致客户服务体验差。由于光传送网流量的持续性增长和不同业务之间的差异性，导致网络承载流量的动态性强，资源分配需要动态调整，给网络规划和带宽扩容带来了困难。在此前提下，通过对光传送网流量进行有效预测，可以协助对资源精细化分配，从而降低运维成本，同时也能够预警流量异常及时规避风险，保障网络安全稳定运行。
目前，对于光传送网流量的预测往往采用卷积神经网络(CNN，ConvolutionalNeural Networks)模型对原始光传送网流量数据的特征进行提取，但由于CNN模型并不考虑各个特征之间的时间相关性，尤其对于所承载业务种类和流量特征日趋复杂的光传送网，其流量有着波动较大且规律非显性的数据特性，不能进行长期的有效预测。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种光传送网流量预测方法、装置、电子设备及存储介质，至少在一定程度上克服由于相关技术中光传送网流量无法有效预测的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种光传送网流量预测方法，包括：
获取第一时间段的光传送网(OTN，Optical Transport Network)流量数据；
将所述第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，其中，所述第二时间段为所述第一时间段之后的一个时间段；
其中，所述OTN流量预测模型基于历史OTN流量数据训练，所述OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆(LSTM，Long Short-Term Memory)模型；所述CNN模型用于提取光传送网流量的局部特征，所述LSTM模型用于提取光传送网流量的时序特征。
在本公开的一个实施例中，所述CNN模型包括依次连接的卷积层、第一批归一化层、第一池化层；
所述LSTM模型包括依次连接的长短期记忆单元、第二池化层、全连接层、第二批归一化层；
所述第一池化层与所述长短期记忆单元连接，在所述第二批归一化层之后还连接有第三池化层。
在本公开的一个实施例中，所述OTN流量预测模型的训练过程，包括：
采集所述历史OTN流量数据；
基于所述历史OTN流量数据训练所述OTN流量预测模型，得到训练完成的OTN流量预测模型。
在本公开的一个实施例中，在对所述OTN流量预测模型的训练过程中，采用归一化均方根误差作为损失函数。
在本公开的一个实施例中，所述基于所述历史OTN流量数据训练所述OTN流量预测模型，得到训练完成的OTN流量预测模型，具体包括：
按照预设周期将所述历史OTN流量数据划分为K个流量数据集，其中，K为正整数；
基于K个所述流量数据集，利用K折交叉验证法对OTN流量预测模型进行训练，得到训练完成的所述OTN流量预测模型。
在本公开的一个实施例中，所述按照预设周期将所述历史OTN流量数据划分为K个流量数据集，具体包括：
按月为周期，将所述历史OTN流量数据划分为K个流量数据集。
在本公开的一个实施例中，所述历史OTN流量数据包括以下至少一种：业务级流量数据、端口级流量数据、板卡级流量数据、网元级流量数据、中继站级流量数据。
根据本公开的另一个方面，提供一种光传送网流量预测装置，包括：
流量获取模块，用于获取第一时间段的光传送网OTN流量数据；
流量预测模块，用于将所述第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，其中，所述第二时间段为所述第一时间段之后的一个时间段；
其中，所述OTN流量预测模型基于历史OTN流量数据训练，所述OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型；所述CNN模型用于提取光传送网流量的局部特征，所述LSTM模型用于提取光传送网流量的时序特征。
根据本公开的再一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述的光传送网流量预测方法。
根据本公开的又一个方面，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的光传送网流量预测方法。
本公开的实施例所提供的光传送网流量预测方法、装置、电子设备及存储介质，通过构建CNN模型与LSTM模型叠加的光传送网流量预测模型，其中，CNN模型用于提取光传送网流量的局部特征，LSTM模型用于提取光传送网流量的时序特征，从而使得本公开能够在广泛应用于各类端口、板卡乃至设备层面的光传送网流量预测场景的同时，保持极高的预测准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
图1示出本公开实施例中一种光传送网流量预测方法的流程图；
图2示出本公开实施例中一种光传送网流量预测模型的示意图；
图3示出本公开实施例中一种光传送网流量预测方法的示意图；
图4示出本公开实施例中一种光传送网流量预测数据示意图；
图5示出本公开实施例中又一种光传送网流量预测数据示意图；
图6示出本公开实施例中一种光传送网流量预测装置示意图；
图7示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了便于理解，下面首先将结合本公开主要采用的神经网络模型，介绍本公开的发明构思：
卷积神经网络(CNN，Convolutional Neural Networks)，是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。一个卷积神经网络由很多层组成，相关技术中的卷积神经网络模型通常包含以下几种层：
卷积层(Convolutional Layer)，卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
池化层(Pooling Layer)，通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。
全连接层(Fully-Connected Layer),把所有局部特征结合变成全局特征，用来计算最后每一类的得分。
由于OTN流量数据具有数量大且种类繁杂的特点，本公开利用池化层代替相关技术中CNN模型的全连接层作为最后一层，并在池化层前额外增加了批归一化层，从而减少了CNN模型输出的参数量，提高了模型的泛化能力以及运算速度。
进一步地，预测通常基于时序特征，因为预测需要考虑上下文的时序关系，而分类用空间特征，因为分类主要考虑本身的特征关系。由于CNN模型通常获取的是空间特征关系，很难应用于时序特征，要做获取时序特征，则需要用到循环神经网络(RNN，RecurrentNeural Network)，而对于常规的RNN模型，由于其记忆的短期性，不能解决长输入序列的信息传递问题，而LSTM模型是一种特殊的RNN模型，能够学习长期依赖性。因此，根据OTN流量数据的特点，本公开选择了LSTM模型针对流量的时序特征进行进一步提取，从而使最终得到的模型能够对OTN流量数据进行有效预测。
具体地，本公开提供的OTN流量预测方法，在获取第一时间段的光传送网OTN流量数据后，将第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，即可预测第二时间段的OTN流量数据，其中，第二时间段为第一时间段之后的一个时间段。基于上述原因，本公开所采用的OTN流量预测模型基于历史OTN流量数据训练，OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型；CNN模型用于提取光传送网流量的局部特征，LSTM模型用于提取光传送网流量的时序特征。
可选地，由于通过上述方式形成的CNN+LSTM的模型复杂度高，参数量大，考虑到对模型的实际应用，还可以在上述CNN+LSTM的模型后额外增加全局平均池化层，以对整个卷积循环网络模型在结构上做正则化，从而实现对卷积循环网络模型的特征信息压缩，提升了流量预测精度及泛化能力。
在介绍本公开的发明构思之后，下面结合附图及实施例对本示例实施方式进行详细说明。
首先，本公开实施例中提供了一种光传送网流量预测方法，该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种光传送网流量预测方法流程图，如图1所示，本公开实施例中提供的光传送网流量预测方法包括如下步骤：
S102，获取第一时间段的光传送网OTN流量数据。
S104，将第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，其中，第二时间段为第一时间段之后的一个时间段。
需要说明的是，第一时间段和第二时间段可以根据实际需求设定，第二时间段是与第一时间段之后的某个预设时间段。
具体地，第二时间段与第一时间段的具体关系，取决于根据实际需求对OTN流量预测模型的训练方式。例如，在模型的训练的过程中，输入的为每月前m-3天内的OTN流量数据，输出的为每月最后3天的OTN流量数据，其中m为当月总天数，则与之相应的，第一时间段可以是当月的前m-3天，第二时间段可以是当月的最后3天。
需要说明的是，OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型，其中，CNN模型用于提取光传送网流量的局部特征，LSTM模型用于提取光传送网流量的时序特征。
具体地，经过现网流量预测实验得知，基于卷积神经网络的预测模型擅长通过卷积操作来获取数据的局部空间特征、定位预测流量变化起点；而基于长短期记忆的流量预测模型擅长对时间序列进行建模，能够处理具有长期依赖性的时间序列预测问题。因此，本公开针对流量预测场景的特点，创新性地将两种网络结构进行了有机结合，把CNN模型提取出的特征图作为LSTM的输入，构成改进的卷积循环网络模型。
在一些实施例中，如图2所示，本公开的CNN模型可以是依次连接的卷积层、第一批归一化层、第一池化层；LSTM模型可以是依次连接的长短期记忆单元、第二池化层、全连接层、第二批归一化层。其中，第一最大池化层与长短期记忆单元连接，从而使CNN模型和LSTM模型结合为卷积循环网络模型。此外，在卷积循环网络模型之后还设有第三池化层，即将第二批归一化层的输出作为第三池化层的输入。
需要说明的是，由于上述卷积循环网络模型结构复杂，涉及到两个CNN模型和LSTM模型的结合。为了防止最终训练结果过拟合，本公开实施例通过在卷积循环网络模型之后增加第三池化层，对整个卷积循环网络模型在结构上做正则化，从而实现对卷积循环网络模型的特征信息压缩，提升了流量预测精度及泛化能力。
需要说明的是，在相关技术的CNN模型中，通常采用卷积层、池化层、全连接层的三层模型结构。由于全连接层将卷积层展开成向量之后还要对每个特征映射进行分类，若使用全连接层作为本公开中CNN模型的输出层，在处理OTN流量数据时，会导致模型参数量过大，从而使得模型过于臃肿，影响模型训练速度、容易过拟合。
而本公开提供的CNN模型，针对OTN流量的特点，利用第一池化层代替全连接层作为最终输出，从而解决了上述问题。本领域技术人员可以理解，由于第一池化层能够将特征映射进行整体的池化，可以使多个特征点整合为一个新的特征向量，因此第一池化层可以针对过多的参数量进行优化，从而使得将第一池化层作为输出层时的参数量相比于将全连接层作为输出层时的参数量大幅减少。
在一些实施例中，第一池化层和第三池化层可以是全局平均池化层，第二池化层可以是最大池化层。
应当理解，对于输入维度过大的网络层，采取最大池化层可以减小邻域大小受限导致估计值方差增大的影响，降低信息冗余及过拟合的效果更好。而针对CNN模型及整个网络，全局平均池化层在尽可能保留了特征信息的同时，可以有效减少了模型中需要训练的参数量，防止过拟合的发生。
在一些实施例中，OTN流量预测模型可以基于历史OTN流量数据训练获得。在采集历史OTN流量数据后，基于历史OTN流量数据对上述OTN流量预测模型进行训练，即可得到训练完成的OTN流量预测模型。
需要说明的是，在传输层网络中电层-光层-电层的端到端结构中，链路中光层的波分复用(WDM，Wavelength Division Multiplexing)设备和电层的OTN设备要同时承载不同业务类型和带宽的业务，从而为不同业务类型的政企客户提供定制化网络服务。其中，OTN流量增长的持续性、不同业务之间的差异性以及链路复用的场景复杂性，导致网络承载流量的动态性强，从而使得流量数据的类型更为多样。
具体地，根据流量预测的需求不同，历史OTN流量数据包括但不限于以下几种类型：业务级流量数据、端口级流量数据、板卡级流量数据、网元级流量数据、中继站级流量数据。
在一些实施例中，历史OTN流量数据可以是业务级流量数据和端口级流量数据，利用基于业务级流量数据和端口级流量数据训练得到的OTN流量预测模型进行流量预测，可以针对特定客户为其提升使用体验。
在一些实施例中，历史OTN流量数据可以是板卡级流量数据和网元级流量数据，利用基于板卡级流量数据和网元级流量数据训练得到的OTN流量预测模型进行流量预测，可以为实时网络预测规划和设备扩容带来了可实现性。
在一些实施例中，历史OTN流量数据可以是中继站级流量数据，利用基于中继站级流量数据训练得到的OTN流量预测模型进行流量预测，可以对光层设备网络的路由优化和抗拥塞能力进行提升。
进一步地，根据上述不同的预测需求，在从历史OTN流量数据中提取对应级别的流量数据之后，首先进行数据预处理。在经过一系列的数据清洗操作后，对历史OTN流量数据进行数据集划分。
具体地，可以按照预设周期将历史OTN流量数据划分为K个流量数据集，其中，K为正整数。
在OTN流量数据集划分之后，可以基于K个流量数据集，利用K折交叉验证法对OTN流量预测模型进行训练，得到训练完成的OTN流量预测模型。
需要说明的是，根据对现网试点的长期观测可以发现，流量数据具有以月为单位进行周期性变化的特性，因此，为了使模型具有更精确的预测效果，可以以月为周期对历史OTN流量数据进行数据集划分。
例如，在实际应用中，若要在月初预测本月的流量数据及趋势，可以收集近12个月的历史OTN流量数据用于OTN流量预测模型的训练，其中，可以将任意10个月的流量数据作为训练集，剩下2个月都流量数据作为测试集，从而以6折交叉验证的方式对OTN流量预测模型进行训练和验证，最后用训练好的模型对本月流量进行预测。
在一些实施例中，可采用归一化均方根误差(NRMSE，Normalized Root MeanSquared Error)作为模型训练过程中的损失函数，由于NRMSE针对异常值更敏感，因此在处理OTN流量数据时，能够更好地消除数据本身在数值上的差异，使训练后得到的OTN流量预测模型的泛化能力更强，可以处理未知数据，进而提高了对OTN流量预测的精度和稳定性。
为了便于进一步了解本公开实施例提供的OTN流量预测方法，接下来本公开实施例的下述部分通过一个示例，对方法进行整体说明。
值得注意的是，以下实施例通过举例，说明了OTN流量预测模型训练及预测的完整过程，该实施例用于实现利用当月的流量数据预测月末的流量数据。
图3示出本公开实施例中一种OTN流量预测方法示意图，如图3所示，本公开实施例的OTN流量预测方法可以包括以下步骤：
采集OTN历史流量数据作为训练集，将历史流量数据按月划分为n个样本，n为正整数。针对每个样本，在训练时将每月前m-3天的流量数据作为输入，并将最后3天的流量数据作为输出，其中根据月份不同，m的取值为28、29、30或31。
值得注意的是，根据OTN流量数据的特点，OTN流量数据变化的整体趋势是以月为周期，受单日数据的影响不大，因此，在训练模型的过程当中，输入天数为25、26、27、28(分别对应m＝28、29、30、31)的流量数据时，均可使其输出最后3天的流量数据，且不影响训练后模型的预测效果。
在划分训练集后，将训练集带入预先建立的OTN流量预测模型以K折交叉验证的方式进行训练和验证，其中K为正整数，例如K取6时，即可采用6折交叉验证的方式对模型进行训练和验证，为保证最终模型的训练效果以及泛化能力，K的优选值为大于等于6的正整数。
在一些实施例中，OTN历史数据可以是近12个月的历史数据，在对模型进行6折交叉验证时(假设K＝6)，可将每两个月的OTN流量数据样本作为一组数据，从而将流量数据划分为6组，每次单独预留其中一组数据用于验证模型，其余5组数据用于训练模型，依次将每组数据用于验证一次，直到遍历所有情况，最终根据验证结果，取平均测试误差作为模型的泛化误差。利用K折交叉验证的方式，可以使训练集中的所有样本都必然会成为训练数据，同时也必然有机会用于模型测试，从而提升训练后模型的泛化能力，避免出现过拟合。
需要说明的是，OTN流量预测模型基于卷积循环网络模型构建，卷积循环网络模型包括依次连接的CNN模型和LSTM模型，其中CNN模型用于提取LSTM流量的局部特征，LSTM模型用于提取LSTM流量的时序特征，并且本公开还可以在卷积循环网络模型输出后额外增加了全局平均池化层，用于对整个卷积循环网络模型在结构上做正则化，从而实现对卷积循环网络模型的特征信息压缩，提升了流量预测精度及泛化能力。
在OTN流量预测模型训练完成后，即可通过向训练完成的OTN流量预测模型输入当月前m-3天的OTN流量数据，从而预测当月末最后3天的OTN流量数据。
具体地，如图4和图5所示，图4和图5分别提供了两个月的实际流量数据，以验证训练后的OTN流量预测模型的准确性。图中，左侧圆点代表输入数据，而最右侧的虚线代表真实的流量数据，实线代表通过上述模型预测的流量数据，可见二者几乎完全拟合。
值得注意的是，本公开还可以对训练集进行其他方式对划分，从而使训练后得到的OTN流量预测模型可以满足更多的用户需求。
在一些实施例中，本公开可通过对每月的流量数据进行预处理，将训练集通过随机修剪或随机填充，得到相同时间长度的样本，从而进一步增加训练后OTN流量预测模型的适用范围。例如，可以将每个样本包含的流量数据调整为30天的流量数据，在此情况下，若当月实际天数不足30天，则可参照历史数据及当月流量趋势进行随机填充，将其补充至30天的流量数据。与之相似的，若当月实际天数超出30天，则可对其进行随机修剪，将样本的容量调整为30天的流量数据。
在另一些实施例中，本公开还可直接将训练集划分为多个具有相同天数流量数据的样本，优选地，根据OTN流量数据周期性的特点，天数可以取30天的倍数。以每个样本包括30天的流量数据为例，按此方式划分后得到的每个样本的流量数据之间连续且不重叠，由于一年中过半数的月份的实际天数均为30天，其余不是30天的月份的实际天数也在30天左右，30天是月份天数的中位数，因此利用此方式划分样本可以在保证预测效果的同时，根据用户需求进一步得到能够适用于更多情况的OTN流量预测模型。
需要说明的是，在利用上述两种方式进行训练时，由于上述两种方式中的样本均为30天的流量数据，可以保证在利用各个样本训练时对模型的输入尺寸和输出尺寸相同，因此在用于预测时，可以向训练后得到的OTN流量预测模型输入任意与输入尺寸相同的流量数据，从而预测与输出尺寸相同的流量数据。
例如，训练时将包含30天流量数据的样本划分为输入前27天流量数据，输出后3天的流量数据进行训练，在利用训练后的模型进行预测时可以输入任意连续27天的流量数据，从而预测接下来3天的流量数据。
基于同一发明构思，本公开实施例中还提供了一种光传送网流量预测装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图6示出本公开实施例中一种光传送网流量预测装置示意图，如图6所示，该装置600包括：
流量获取模块601，用于获取第一时间段的光传送网OTN流量数据。
流量预测模块602，用于将第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，其中，第二时间段为第一时间段之后的一个时间段。
需要说明的是，OTN流量预测模型基于历史OTN流量数据训练，OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型；CNN模型用于提取光传送网流量的局部特征，LSTM模型用于提取光传送网流量的时序特征。
在一些实施例中，CNN模型包括依次连接的卷积层、第一批归一化层、第一池化层；
LSTM模型包括依次连接的长短期记忆单元、第二池化层、全连接层、第二批归一化层；
第一池化层与长短期记忆单元连接，在第二批归一化层之后还连接有第三池化层。
在一些实施例中，光传送网流量预测装置还包括模型训练模块，用于采集历史OTN流量数据，并基于历史OTN流量数据训练OTN流量预测模型，得到训练完成的OTN流量预测模型。
在一些实施例中，在利用模型训练模块对OTN流量预测模型的训练过程中，采用归一化均方根误差作为损失函数。
在一些实施例中，模型训练模块，具体可以用于：
按照预设周期将历史OTN流量数据划分为K个流量数据集，其中，K为正整数；
基于K个流量数据集，利用K折交叉验证法对OTN流量预测模型进行训练，得到训练完成的OTN流量预测模型。
具体地，按照预设周期将历史OTN流量数据划分为K个流量数据集，可以是按月为周期，将历史OTN流量数据划分为K个流量数据集。
在一些实施例中，历史OTN流量数据包括以下至少一种：业务级流量数据、端口级流量数据、板卡级流量数据、网元级流量数据、中继站级流量数据。
需要说明的是，上述实施例提供的光传送网流量预测装置在用于预测光传送网流量时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的光传送网流量预测装置与光传送网流量预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行上述方法实施例的如下步骤：获取第一时间段的光传送网OTN流量数据；将第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，第二时间段为第一时间段之后的一个时间段；其中，OTN流量预测模型基于历史OTN流量数据训练，OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型；CNN模型用于提取光传送网流量的局部特征，LSTM模型用于提取光传送网流量的时序特征。
在一些实施例中，CNN模型包括依次连接的卷积层、第一批归一化层、第一池化层；
LSTM模型包括依次连接的长短期记忆单元、第二池化层、全连接层、第二批归一化层；
第一池化层与长短期记忆单元连接，在第二批归一化层之后还连接有第三池化层。
在一些实施例中，上述处理单元710还可执行：
采集历史OTN流量数据；
基于历史OTN流量数据训练OTN流量预测模型，得到训练完成的OTN流量预测模型。
在一些实施例中，在对OTN流量预测模型的训练过程中，采用归一化均方根误差作为损失函数。
在一些实施例中，上述处理单元710可具体执行：
按照预设周期将历史OTN流量数据划分为K个流量数据集，其中，K为正整数；
基于K个流量数据集，利用K折交叉验证法对OTN流量预测模型进行训练，得到训练完成的OTN流量预测模型。
具体地，可以按月为周期，将历史OTN流量数据划分为K个流量数据集。
在一些实施例中，历史OTN流量数据包括以下至少一种：业务级流量数据、端口级流量数据、板卡级流量数据、网元级流量数据、中继站级流量数据。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，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是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的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。
在本公开中，计算机可读存储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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
可选地，计算机可读存储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、有线、光缆、RF等等，或者上述的任意合适的组合。
在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种光传送网流量预测方法，其特征在于，包括：
获取第一时间段的光传送网OTN流量数据；
将所述第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，其中，所述第二时间段为所述第一时间段之后的一个时间段；
其中，所述OTN流量预测模型基于历史OTN流量数据训练，所述OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型；所述CNN模型用于提取光传送网流量的局部特征，所述LSTM模型用于提取光传送网流量的时序特征。
2.根据权利要求1所述的光传送网流量预测方法，其特征在于，所述CNN模型包括依次连接的卷积层、第一批归一化层、第一池化层；
所述LSTM模型包括依次连接的长短期记忆单元、第二池化层、全连接层、第二批归一化层；
所述第一池化层与所述长短期记忆单元连接，在所述第二批归一化层之后还连接有第三池化层。
3.根据权利要求1所述的光传送网流量预测方法，其特征在于，所述OTN流量预测模型的训练过程，包括：
采集所述历史OTN流量数据；
基于所述历史OTN流量数据训练所述OTN流量预测模型，得到训练完成的OTN流量预测模型。
4.根据权利要求3所述的光传送网流量预测方法，其特征在于，在对所述OTN流量预测模型的训练过程中，采用归一化均方根误差作为损失函数。
5.根据权利要求3所述的光传送网流量预测方法，其特征在于，所述基于所述历史OTN流量数据训练所述OTN流量预测模型，得到训练完成的OTN流量预测模型，具体包括：
按照预设周期将所述历史OTN流量数据划分为K个流量数据集，其中，K为正整数；
基于K个所述流量数据集，利用K折交叉验证法对OTN流量预测模型进行训练，得到训练完成的所述OTN流量预测模型。
6.根据权利要求5所述的光传送网流量预测方法，其特征在于，所述按照预设周期将所述历史OTN流量数据划分为K个流量数据集，具体包括：
按月为周期，将所述历史OTN流量数据划分为K个流量数据集。
7.根据权利要求1～6中任意一项所述的光传送网流量预测方法，其特征在于，所述历史OTN流量数据包括以下至少一种：业务级流量数据、端口级流量数据、板卡级流量数据、网元级流量数据、中继站级流量数据。
8.一种光传送网流量预测装置，其特征在于，包括：
流量获取模块，用于获取第一时间段的光传送网OTN流量数据；
流量预测模块，用于将所述第一时间段的OTN流量数据输入训练完成的OTN流量预测模型，以获得第二时间段的OTN流量数据，其中，所述第二时间段为所述第一时间段之后的一个时间段；
其中，所述OTN流量预测模型基于历史OTN流量数据训练，所述OTN流量预测模型包括卷积神经网络CNN模型和长短期记忆LSTM模型；所述CNN模型用于提取光传送网流量的局部特征，所述LSTM模型用于提取光传送网流量的时序特征。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的光传送网流量预测方法。
10.一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1～7中任意一项所述的光传送网流量预测方法。
CN202210358135.XA 2022-04-06 2022-04-06 光传送网流量预测方法、装置、电子设备及存储介质 Pending CN114785701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210358135.XA CN114785701A (zh) 2022-04-06 2022-04-06 光传送网流量预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210358135.XA CN114785701A (zh) 2022-04-06 2022-04-06 光传送网流量预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114785701A true CN114785701A (zh) 2022-07-22

Family

ID=82427884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210358135.XA Pending CN114785701A (zh) 2022-04-06 2022-04-06 光传送网流量预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114785701A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561590A (zh) * 2023-07-10 2023-08-08 之江实验室 基于深度学习的微纳光纤负载大小和位置预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009674A (zh) * 2017-11-27 2018-05-08 上海师范大学 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
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
CN111130839A (zh) * 2019-11-04 2020-05-08 清华大学 一种流量需求矩阵预测方法及其系统
CN111368980A (zh) * 2020-03-06 2020-07-03 京东数字科技控股有限公司 状态检测方法、装置、设备及存储介质
CN113315644A (zh) * 2020-02-27 2021-08-27 中国电信股份有限公司 流量预测方法、装置以及存储介质
CN114205690A (zh) * 2021-12-15 2022-03-18 中国电信股份有限公司 流量预测、模型训练方法及装置、电子设备、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009674A (zh) * 2017-11-27 2018-05-08 上海师范大学 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN111130839A (zh) * 2019-11-04 2020-05-08 清华大学 一种流量需求矩阵预测方法及其系统
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
CN113315644A (zh) * 2020-02-27 2021-08-27 中国电信股份有限公司 流量预测方法、装置以及存储介质
CN111368980A (zh) * 2020-03-06 2020-07-03 京东数字科技控股有限公司 状态检测方法、装置、设备及存储介质
CN114205690A (zh) * 2021-12-15 2022-03-18 中国电信股份有限公司 流量预测、模型训练方法及装置、电子设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
齐广华等: "结合Inception 模块的卷积神经网络图像分类方法", 《软件导刊》, pages 0 - 2 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561590A (zh) * 2023-07-10 2023-08-08 之江实验室 基于深度学习的微纳光纤负载大小和位置预测方法及装置
CN116561590B (zh) * 2023-07-10 2023-10-03 之江实验室 基于深度学习的微纳光纤负载大小和位置预测方法及装置

Similar Documents

Publication Publication Date Title
US10636293B2 (en) Uncertainty modeling in traffic demand prediction
CN109872535B (zh) 一种智慧交通通行预测方法、装置及服务器
CN108038546B (zh) 用于压缩神经网络的方法和装置
US10732319B2 (en) Forecasting solar power output
KR20200135125A (ko) 강한 대류기상을 예측하기 위한 방법 및 장치
CN112163601B (zh) 图像分类方法、系统、计算机设备及存储介质
CN106097043A (zh) 一种信用数据的处理方法及服务器
CN112819157B (zh) 神经网络训练的方法及装置、智能行驶控制的方法及装置
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
CN114913325B (zh) 语义分割方法、装置及计算机程序产品
CN116627662B (zh) 边缘计算的资源处理方法、装置、存储介质及电子设备
CN114785701A (zh) 光传送网流量预测方法、装置、电子设备及存储介质
CN114500339A (zh) 一种节点带宽监测方法、装置、电子设备及存储介质
US20220138871A1 (en) Outage restoration time prediction during weather events and optimized solutions for recovery
CN112836991A (zh) 站点规划方法、装置、终端设备和可读存储介质
US11317244B1 (en) System, method, and computer program for making travel route recommendations based on a network quality of service prediction
CN117409194A (zh) 图像语义分割模型优化方法、装置、电子设备及存储介质
CN116490871A (zh) 在数据分析中自动调整数据访问策略
CN111092755B (zh) 一种基于资源占用的边缘服务迁移仿真方法
CN113393047A (zh) 一种业务场景关键表预测方法及装置
CN115031750B (zh) 阻断路段的状态确定方法、装置及计算机程序产品
CN110633707A (zh) 预测速度的方法和装置
CN115348179B (zh) 网络流量边界预测方法、装置、设备及介质
CN113587949B (zh) 导航路线推送方法和设备
CN118509372B (zh) 一种流量分配方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220722

RJ01 Rejection of invention patent application after publication