CN115225543B - 一种流量预测方法、装置、电子设备和存储介质 - Google Patents

一种流量预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN115225543B
CN115225543B CN202210804875.1A CN202210804875A CN115225543B CN 115225543 B CN115225543 B CN 115225543B CN 202210804875 A CN202210804875 A CN 202210804875A CN 115225543 B CN115225543 B CN 115225543B
Authority
CN
China
Prior art keywords
flow
data center
data
time sequence
correlation
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
Application number
CN202210804875.1A
Other languages
English (en)
Other versions
CN115225543A (zh
Inventor
王兆华
刘广明
程钢
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210804875.1A priority Critical patent/CN115225543B/zh
Publication of CN115225543A publication Critical patent/CN115225543A/zh
Application granted granted Critical
Publication of CN115225543B publication Critical patent/CN115225543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种流量预测方法、装置、电子设备和存储介质，涉及人工智能领域，尤其涉及深度学习和数据中心技术。具体实现方案包括：获取当前时间点之前的各数据中心对的目标业务流量时序数据；根据所述目标业务流量时序数据，确定每个数据中心对的流量动态特征信息；确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息；根据所述流量动态特征信息和所述时序相关性信息，预测下一时间点各数据中心对的目标业务流量数据。通过本公开方案可提高数据中心广域网的流量预测的准确性。

Description

一种流量预测方法、装置、电子设备和存储介质
技术领域
本公开涉及人工智能领域，尤其涉及深度学习和数据中心技术，具体涉及一种流量预测方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
数据中心(Data Center，DC)是互联网信息化建设的重要基础设施，支撑海量数据的快速存储和高效处理。大型云服务提供商通常在不同地理位置部署数十个数据中心，其中承载着种类繁多的服务与应用，用于向处于不同地域的用户提供低延迟高可靠性的服务。这些数据中心通过广域网连接通信，构成数据中心广域网(DC-WAN)。
发明内容
本公开提供了一种流量预测方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面，提供了一种流量预测方法，包括：
获取当前时间点之前的各数据中心对的目标业务流量时序数据；
根据目标业务流量时序数据，确定每个数据中心对的流量动态特征信息；
确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息；
根据流量动态特征信息和时序相关性信息，预测下一时间点各数据中心对的目标业务流量数据。
根据本公开的一方面，提供了一种流量预测装置，包括：
获取模块，用于获取当前时间点之前的各数据中心对的目标业务流量时序数据；
特征分析模块，用于根据目标业务流量时序数据，确定每个数据中心对的流量动态特征信息；
时序相关性分析模块，用于确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息；
预测模块，用于根据流量动态特征信息和时序相关性信息，预测下一时间点各数据中心对的目标业务流量数据。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开任意实施例的流量预测方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开任意实施例的流量预测方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开任意实施例的流量预测方法。
根据本公开的技术，可提高数据中心广域网的流量预测的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种流量预测方法的流程示意图；
图2a是本公开实施例提供的又一种流量预测方法的流程示意图；
图2b是本公开实施例提供的一个无向图表示的示意图；
图3是本公开实施例提供的又一种流量预测方法的流程示意图；
图4a是本公开实施例提供的又一种流量预测方法的流程示意图；
图4b是本公开实施例提供的流量预测模型的结构示意图；
图5是本公开实施例提供的一种流量预测装置的结构示意图；
图6是用来实现本公开实施例的流量预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
本公开实施例中，不同地域的数据中心通过广域网连接通信，构成数据中心广域网(DC-WAN)。DC-WAN中既承载了数据同步与备份类型的业务，也承载了对时延敏感、有严格服务质量(Quality of Service，QoS)要求的高优先级业务，高优先级业务产生的流量通常被归为高优先级流量，即优先使用网络带宽资源，而其它诸如批量数据传输业务则利用剩余带宽资源。由于DC-WAN资源昂贵，云服务提供商需要进行流量工程来优化带宽分配。而要保证宽带资源合理分配，需要根据DC-WAN中(即数据中心之间)的高优先级流量的预测结果，为高优先级流量预留一定带宽容量，然后将剩余容量分配给其它批量数据传输业务。因此，如何准确预估DC-WAN中的高优先级流量十分重要。如果预测流量低于实际流量时，会造成高优先级业务的QoS损失；而当预测流量高于实际流量时，则会带来容量的超额配置，从而造成带宽资源的浪费。基于此，本公开方案提出一种新的流量预测方法，具体过程参见如下实施例。
图1为本公开实施例的一种流量预测方法的流程示意图，本实施例可适用于对数据中心广域网流量进行预测的情况。该方法可由一种流量预测装置来执行，该装置采用软件和/或硬件的方式实现，并集成在电子设备上。
具体的，参见图1，流量预测方法如下：
S101、获取当前时间点之前的各数据中心对的目标业务流量时序数据。
其中，数据中心对是由两个数据中心组成，且两个数据中心之间通过广域网传输数据；也即只要两个数据中心之间存在利用广域网进行数据传输，则这两个数据中心即可构成一个数据中心对。而目标业务可选的是对时延敏感、有严格服务质量要求的高优先级业务。本公开实施例中，针对任一数据中心对，每隔预设时长(例如5分钟)采集一次该数据中心对所包括的两个数据中心间的广域网所承载的由目标业务产生的高优先级流量，如此通过多次采集即可得到该数据中心对的目标业务流量时序数据，其中，目标业务流量时序数据中的每个时间点对应的流量数值表示该时间点之前预设时长内产生的高优先级流量。基于此，当前时间点可选的是当前完成一次高优先级流量统计的时间点。如此，为了准确预测下一时间点各数据中心对的目标业务流量数据，需要对历史流量数据进行分析，因此需要先获取当前时间点之前的各数据中心对的目标业务流量时序数据。
S102、根据目标业务流量时序数据，确定每个数据中心对的流量动态特征信息。
本公开实施例中，在得到各数据中心对的目标业务流量时序数据之后，可以对每个数据中心对的目标业务流量时序数据进行分析，以确定每个数据中心对的流量动态特征信息，其中，流量动态特征信息可选的是流量随时间的变化率信息。任一时刻的流量变化率的计算如下：该时刻的流量值减去上一时刻的流量值，进而将差值与上一时刻的流量值求商，并将商值作为该时刻的流量变化率。在可选的实施方式中，可以通过预训练的网络模型来确定每个数据中心对的流量动态特征信息，也可以通过其他方式确定，例如通过统计函数确定，在此不做具体限定。
S103、确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息。
本公开方案考虑到有些数据中心对之间存在拓扑关系或业务关系(例如业务类型相似)，使得这些数据中心对间的流量存在相关依赖关系，也即不同数据中心对间的流量存在时序相关性。由此，本公开方案除了关注单个数据中心对的流量动态特征信息外，还关注不同数据中心对间流量的时序相关性。其中，不同数据中心对的目标业务流量时序数据之间的时序相关性信息，可用于衡量任意两个数据中心对的目标业务流量时序数据的周期性相关程度和流量随时间的变化趋势相关程度等。
S104、根据流量动态特征信息和时序相关性信息，预测下一时间点各数据中心对的目标业务流量数据。
本公开实施例中，通过S102得到单个数据中心对的流量动态特征信息，通过S103得到不同数据中心对流量的时序相关性信息，进而通过两种维度信息预测下一时间点各数据中心对的目标业务流量数据，例如可以通过预设的预测函数或预训练的预测模型同时对两种维度信息进行计算处理，得到下一时间点的流量预测结果。
本公开实施例中，在预测下一时间点各数据中心对的目标业务流量数据时，相比于只考虑单个数据中心对的流量动态特征信息的情况，本公开方案还结合了不同数据中心对流量的时序相关性信息，使得结合更多维度的信息进行流量预测，进而保证了流量预测的准确性。
图2a是根据本公开实施例的又一流量预测方法的流程示意图。参见图2a，流量预测方法具体如下：
S201、获取当前时间点之前的各数据中心对的目标业务流量时序数据。
S202、根据目标业务流量时序数据，确定每个数据中心对的流量动态特征信息。
其中，S201-S202的步骤可参见上述实施例的描述，在此不做具体限定。而确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息的具体过程，可参见S203-S206。
S203、确定不同数据中心对之间的拓扑关系或业务关系。
本公开方案确定存在拓扑关系，或存在业务关系的数据中心对之间存在流量的相关依赖关系，也即存在流量的时序相关性。因此要确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息，需要先确定不同数据中心对之间的拓扑关系或业务关系。
可选的，如果两个数据中心对满足如下任一条件，则确定这两个数据中心对存在拓扑关系：(1)源数据中心相同；(2)目的数据中心相同；(3)属于一个双向链路；(4)属于两个级联连路。示例性的，存在如下数据中心对：a->b，b->a，a->c，b->c；其中，数据中心对a->b表示数据中心a向数据中心b传输数据；数据中心对b->a表示数据中心b向数据中心a传输数据；数据中心对a->c表示数据中心a向数据中心c传输数据；数据中心对b->c表示数据中心b向数据中心c传输数据。如此，则确定a->b与a->c满足源数据中心相同的条件；a->c与b->c满足的目的数据中心相同的条件；a->b与b->a满足属于一个双向链路的条件；a->b与b->c满足属于两个级联连路的条件。
本公开实施例中，两个数据中心对存在业务关系是指承载的业务类型相似，可使用余弦相似度来衡量两个数据中心对承载的业务类型的相似程度。具体地，确定数据中心对承载的各类型业务的流量分布向量为S＝(s1,...,sm)∈Rm，其中sm代表该数据中心对承载的第m个类型业务的流量值。两个DC对(p和q)承载的各类型业务的流量分布向量Sp和Sq之间的余弦相似度定义为当余弦相似度超过0.8时，则确定两个数据中心对承载应用类型相似，也即存在业务关系。
S204、根据拓扑关系或业务关系，构建不同数据中心对之间流量需求的图表示。
其中，图表示中每个节点表示一个数据中心对及其目标业务流量时序数据。两个节点之间的连线表示两个数据中心对的拓扑关系或业务关系。
S205、针对图表示中的任意两个存在关系的数据中心对，利用皮尔逊相关系数计算两个数据中心对的流量相关性权重。
本公开实施例中，为了定量衡量两个数据中心对之间的时序相关性的大小，可选的利用皮尔逊相关系数计算两个数据中心对的流量相关性权重，其中，流量相关性权重越大，表明两个数据中心对的流量的时序相关性越强。在一种可选的实施方式中，针对图表示中的任意两个存在关系的数据中心对，利用皮尔逊相关系数计算两个数据中心对的流量相关性权重，包括：
按照如下公式计算流量相关性权重：
其中，p和q为图表示中的任意两个存在关系的数据中心对，Tp是数据中心对p的目标业务流量时序数据，Tq是数据中心对q的目标业务流量时序数据，cov(·)为协方差运算符，σTp为Tp的标准差，σTq为Tq的标准差，ρ(p,q)的绝对值表示流量相关性权重。
需要说明的是，通过上述公式，可以精准快速的计算出两个数据中心对的相关性大小，进而为后续的流量精准预测提供保证。
S206、根据流量相关性权重，确定图表示的加权邻接矩阵，并将加权邻接矩阵作为时序相关性信息。
将通过S205计算的每个流量相关性权重作为图表示的加权邻接矩阵的组成元素，如此即可得到表征不同数据中心对间时序相关性的加权邻接矩阵，只需将加权邻接矩阵作为时序相关性信息即可。
示例性的，构建的图表示可参见图2b，其示出了一个无向图表示Gt的示意图，无向图Gt＝(Vt,E,W)，其中Vt为图的节点集合，对应于N个数据中心对的流量值Xt，即Gt中的每个节点均对应于一个数据中心对的目标业务流量时序数据；E是图的边集合，图中两个节点间存在边说明对应两个数据中心对存在拓扑关系或业务关系。且其流量间存在显著的相关性(即皮尔逊相关系数的绝对值|ρ|≥0.6)。W∈RN×N为图表示Gt的加权邻接矩阵，其中权重wij代表图中节点i和j之间的边的权重，且确定公式如下：
其中，|ρij|为数据中心对对i和j的流量时序数据之间的皮尔逊相关系数的绝对值，eij为图节点i和j之间的边，eij∈E代表节点i和j之间存在边。
S207、根据流量动态特征信息和时序相关性信息，预测下一时间点各数据中心对的目标业务流量数据。
可选的，通过预设的预测函数或预训练的预测模型同时对流量动态特征信息和时序相关性信息者两种维度信息进行计算处理，得到下一时间点的流量预测结果。
本公开实施例中，通过皮尔逊相关系数可以快速精准计算出两个数据中心对的流量相关性权重，进而快速得到作为时序相关性信息的加权邻接矩阵，为后续精准进行流量预测提供保证。
图3是根据本公开实施例的又一流量预测方法的流程示意图。参见图3，流量预测方法具体如下：
S301、获取当前时间点之前的各数据中心对的目标业务流量时序数据。
S302、根据目标业务流量时序数据，确定每个数据中心对的流量动态特征信息。
S303、确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息。
S304、根据流量动态特征信息和时序相关性信息，预测下一时间点各数据中心对的目标业务流量数据。
其中，S301-S304的步骤可参见上述实施例，在此不做具体限定。
S305、将预测的下一时间点各数据中心对的目标业务流量数据发送到带宽分配设备中，使得带宽分配设备根据预测的下一时间点各数据中心对的目标业务流量数据，为各数据中心对分配带宽资源。
本公开实施例中，在通过S301-S304得到包括下一时间点各数据中心对的目标业务流量数据的流量预测结果，可直接将流量预测结果发送到带宽分配设备中，使得带宽分配设备根据预测结果，为高优先级流量预留合适的带宽资源，然后将剩余带宽资源分配给其它批量数据传输业务。如此可以在保障高优先级业务的服务质量和减少带宽资源浪费间取得较好平衡。
图4a是根据本公开实施例的又一流量预测方法的流程示意图。参见图4a，流量预测方法具体如下：
S401、获取当前时间点之前的各数据中心对的目标业务流量时序数据。
本公开实施例中，为了能够根据当前时间点之前的各数据中心对的目标业务流量时序数据，快速且准确的预测下一时间点各数据中心对的目标业务流量数据，预训练了一个流量预测模型，该模型的结构图参见图4b。如图所示，该流量预测时间卷积网络层、相关图卷积网络层和输出层。现结合图4b，对组成流量预测模型的三个网络层进行解释：
其中，时间卷积网络是利用扩张因果卷积结构实现的。扩张因果卷积在输入上以一定步长为间隔选定进行一维因果卷积操作的值并对其进行卷积操作，其中，间隔的步长由设置的膨胀因子决定，膨胀因子越大，间隔的步长越长，扩张因果卷积的感受也越大。因此，时间卷积网络不同于RNN(Recurrent Neural Network,循环神经网络)网络结构，扩张因果卷积能够以非递归方式使用更少的网络层捕捉长距离时间序列的特征，并且可以进行并行化训练以节约计算开销。
在实现时，可在时间卷积网络层堆叠两层扩张因果卷积，其卷积核分别定义为Γ1，Γ2，卷积核大小设置为Kt＝2，膨胀因子分别设置为k1＝1，k2＝2，输出通道的数目分别设置为此外，本发明在该层中使用线性整流函数ReLU作为激励函数。而且，在该层中使用残差连接以避免模型训练发生梯度消失或梯度爆炸，其中，使用残差连接是指将输入值和第二层扩张因果卷积的输出结果一起通过激励函数输入到模型下一层。
相关图卷积网络层是由基于谱的图卷积网络和一个预设尺寸的卷积网络组成，其中，基于谱的图卷积网络主要是基于预选确定的不同数据中心对的目标业务流量时序数据之间的时序相关性信息，对时间卷积网络输入的信息进行傅里叶变换，在频谱域中进行卷积操作，图卷积网络的卷积核大小为Ks＝3，设置输出通道的数目为64。在图卷积之后使用一个1×1的卷积以增加非线性。此外，本发明在该层中使用线性整流函数ReLU作为激励函数。而且，在该层中使用残差连接以避免模型训练发生梯度消失或梯度爆炸。
输出层是由一维因果卷积网络和全连接网络组成。在输出层中，首先使用卷积核大小为L的一维因果卷积(定义卷积核为Γo)，将相关图卷积层的输出在时间维度上映射到一个单步预测的中间结果这里使用Sigmoid作为激励函数。然后使用全连接层将中间结果在特征维度上从多通道映射到单通道，即在全连接层中对中间结果执行一个线性变换/>其中wf为权重向量且bf为偏移向量(权重向量和偏移向量需要模型训练学习得到)。最后输出下一时间点的流量预测结果。
在介绍完流量预测模型的结构后，本公开方案设计了如下损失函数，该损失函数可以表征流量高估(预测流量高于实际流量，会导致带宽资源浪费)和流量低估(预测流量低于实际流量，会导致高优先级业务的QoS损失)之间的不对称成本。
本公开关注的流量工程目标是在保障高优先级业务服务质量的同时，节约更多带宽资源，因此应赋予流量低估的成本更高的权重。流量预测的成本模型定义如下：
其中，/>xt+1分别为流量预测值和实际值，α为大于1的常数，代表对低估的惩罚权重因子。由此，加权均方误差损失函数/>定义如下：
需要说明的是，权重因子α的设定通过平衡预测结果的超额配置带宽(高估流量)和未得到满足的业务流量(低估流量)获得，因此，可示例性的设置α＝50。
在确定模型结构和损失函数后，首先对模型进行权值初始化，使用上述损失函数量化评估输出预测结果和真实流量需求之间的预测误差，该损失函数旨在平衡带宽资源浪费和高优先级业务的QoS损失。当预测误差大于预期时，根据求得的误差迭代更新模型权重，直至误差小于预期，结束训练，得到训练好的流量预测模型。在此需要说明的是，通过该损失函数训练的流量预测模型，其预测结果兼顾了高优先级业务的服务质量和减少带宽资源浪费，由此保证了流量预测结果的准确性。而且流量预测模型是周期性训练修改的模型，例如，每天都会基于历史流量数据重新训练修改流量预测模型，由此确保流量预测模型的预测准确性。
在得到训练好的流量预测模型后，可直接利用该流量预测模型对数据中心间的流量进行预测。具体的参见如下过程。
S402、通过预训练的流量预测模型中的时间卷积网络层，对目标业务流量时序数据进行卷积操作，得到每个数据中心对的流量动态特征信息，其中，时间卷积网络层是由两层扩张因果卷积堆叠组成。
可选的，从当前时间点之前的各数据中心对的目标业务流量时序数据，选出L个时间点下N个数据中心对的目标业务流量时序数据X∈RL×N×1作为流量预测模型的输入，扩张因果卷积(定义卷积核为Γ)在输入的每个数据中心对的流量时序数据上均迭代地且有一定间隔地以大小为Kt的卷积核进行卷积操作，计算流量的动态特征信息，最后得到输出为CΓ为是输出通道的数目，由扩张因果卷积中的输出滤波器数目决定。
S403、确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息。
可选的，先确定不同数据中心对之间的拓扑关系或业务关系；根据拓扑关系或业务关系，构建不同数据中心对之间流量需求的图表示；其中，所述图表示中每个节点表示一个数据中心对的目标业务流量时序数据；针对图表示中的任意两个存在关系的数据中心对，利用皮尔逊相关系数计算两个数据中心对的流量相关性权重；根据流量相关性权重，确定所述图表示的加权邻接矩阵W，并将加权邻接矩阵W作为所述时序相关性信息，其中，加权邻接矩阵的计算过程可参见上述实施例。
S404、通过预训练的流量预测模型中的相关图卷积网络层，依据时序相关性信息对流量动态特征信息进行卷积操作，得到各数据中心对的流量动态特征之间的相关依赖特征信息；其中，相关图卷积网络层是由基于谱的图卷积网络和一个预设尺寸的卷积网络组成。
相关图卷积网络层的输入为时间卷积网络层的输出和加权邻接矩阵。可依据加权邻接矩阵W，在X(Γ)上使用基于谱的图卷积以提取各数据中心对的流量动态特征之间的相关依赖特征信息。其中，加权邻接矩阵的作用是辅助基于谱的图卷积对X(Γ)进行傅里叶变换，并在频谱域中进行卷积操作。具体而言，图卷积可以用卷积核Θ定义如下：
其中是图卷积算子。L是图的拉普拉斯矩阵，L＝D-W，D是Dii＝∑jWij的对角矩阵。CΘ为输出通道的数目，由图卷积中的输出滤波器数目决定。为了减少参数数量和降低计算复杂度，本公开可使用切比雪夫多项式逼近来限制卷积核的大小为Ks。图卷积在每个时间点t下均通过多项式近似递归地计算各数据中心对的流量动态特征在Ks半径内的局部卷积，得到输出为/>
本公开在图卷积之后使用一个预设尺寸的卷积网络(例如1×1的卷积，定义卷积核为Γs)以增加非线性。通过1×1的卷积对X(Θ)进行计算后，得到输出为即为各数据中心对的流量动态特征之间的相关依赖特征信息。本公开设置图卷积的卷积核大小为Ks＝3，设置输出通道的数目为CΘ＝64。
S405、通过预训练的流量预测模型的输出层对相关依赖特征信息进行整合预测，得到下一时间点各数据中心对的目标业务流量数据；其中，输出层是由一维因果卷积网络和全连接网络组成。
在输出层中，首先使用卷积核大小为L的一维因果卷积(定义卷积核为Γo)，将相关图卷积层的输出在时间维度上映射到一个单步预测的中间结果/>这里使用Sigmoid作为激励函数。然后使用全连接层(FC)将中间结果在特征维度上从多通道映射到单通道，即在全连接层中对中间结果执行一个线性变换/>其中wf为权重向量且bf为偏移向量(权重向量和偏移向量需要模型训练学习得到)。最后输出下一时间点的流量预测结果。
本公开实施例中，通过一个预训练的流量预测模型，对下一时间点各数据中心对的目标业务流量数据进行预测，不仅可以保证预测的效率，而且流量预测模型是结合每个数据中心对的流量动态特征信息和不同数据中心对的目标业务流量时序数据之间的时序相关性信息进行预测的，相比于值考虑单个数据中心对的流量动态信息，可保证流量预测的准确性。
图5是根据本公开实施例的流量预测装置的结构示意图，本实施例可适用于对数据中心广域网流量进行预测的情况。参见图5，该装置包括：
获取模块501，用于获取当前时间点之前的各数据中心对的目标业务流量时序数据；
特征分析模块502，用于根据目标业务流量时序数据，确定每个数据中心对的流量动态特征信息；
时序相关性分析模块503，用于确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息；
预测模块504，用于根据流量动态特征信息和时序相关性信息，预测下一时间点各数据中心对的目标业务流量数据。
在上述实施例的基础上，可选的，时序相关性分析模块包括：
关系确定单元，用于确定不同数据中心对之间的拓扑关系或业务关系；
构建图信号单元，用于根据拓扑关系或业务关系，构建不同数据中心对之间流量需求的图表示；其中，图表示中每个节点表示一个数据中心对的目标业务流量时序数据；
权重计算单元，用于针对图表示中的任意两个存在关系的数据中心对，利用皮尔逊相关系数计算两个数据中心对的流量相关性权重；
时序相关性确定单元，用于根据流量相关性权重，确定图表示的加权邻接矩阵，并将加权邻接矩阵作为时序相关性信息。
在上述实施例的基础上，可选的，权重计算单元还用于：
按照如下公式计算流量相关性权重：
其中，p和q为图表示中的任意两个存在关系的数据中心对，Tp是数据中心对p的目标业务流量时序数据，Tq是数据中心对q的目标业务流量时序数据，cov(·)为协方差运算符，σTp为Tp的标准差，σTq为Tq的标准差，ρ(p,q)的绝对值表示流量相关性权重。
在上述实施例的基础上，可选的，特征分析模块还用于：
通过预训练的流量预测模型中的时间卷积网络层，对目标业务流量时序数据进行卷积操作，得到每个数据中心对的流量动态特征信息；其中，时间卷积网络层是由两层扩张因果卷积堆叠组成。
在上述实施例的基础上，可选的，预测模块还用于：
通过预训练的流量预测模型中的相关图卷积网络层，依据时序相关性信息对流量动态特征信息进行卷积操作，得到各数据中心对的流量动态特征之间的相关依赖特征信息；其中，相关图卷积网络层是由基于谱的图卷积网络和一个预设尺寸的卷积网络组成；
通过预训练的流量预测模型的输出层对相关依赖特征信息进行整合预测，得到下一时间点各数据中心对的目标业务流量数据；其中，输出层是由一维因果卷积网络和全连接网络组成。
在上述实施例的基础上，可选的，流量预测模型是基于加权均方误差损失函数训练后得到的；加权均方误差损失函数的公式如下：
其中，
xt+1分别为流量预测值和实际值，/>是流量预测的成本模型，α为大于1的常数。
在上述实施例的基础上，可选的，还包括：
结果上报模块，用于将预测的下一时间点各数据中心对的目标业务流量数据发送到带宽分配设备，使得带宽分配设备根据预测的下一时间点各数据中心对的目标业务流量数据，为各数据中心对分配带宽资源。
本公开实施例提供的流量预测装置可执行本公开任意实施例提供的流量预测方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如流量预测方法。例如，在一些实施例中，流量预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的流量预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行流量预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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。
用于实施本公开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。
在本公开的上下文中，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系统和技术，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。
可以将此处描述的系统和技术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，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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种流量预测方法，包括：
获取当前时间点之前的各数据中心对的目标业务流量时序数据；
根据所述目标业务流量时序数据，确定每个数据中心对的流量动态特征信息；
确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息；
通过预训练的流量预测模型中的相关图卷积网络层，依据所述时序相关性信息对所述流量动态特征信息进行卷积操作，得到各数据中心对的流量动态特征之间的相关依赖特征信息；其中，所述相关图卷积网络层是由基于谱的图卷积网络和一个预设尺寸的卷积网络组成；
通过预训练的流量预测模型的输出层对所述相关依赖特征信息进行整合预测，得到下一时间点各数据中心对的目标业务流量数据；其中，所述输出层是由一维因果卷积网络和全连接网络组成。
2.根据权利要求1所述的方法，其中，所述确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息，包括：
确定不同数据中心对之间的拓扑关系或业务关系；
根据所述拓扑关系或业务关系，构建不同数据中心对之间流量需求的图表示；其中，所述图表示中每个节点表示一个数据中心对的目标业务流量时序数据；
针对所述图表示中的任意两个存在关系的数据中心对，利用皮尔逊相关系数计算两个数据中心对的流量相关性权重；
根据所述流量相关性权重，确定所述图表示的加权邻接矩阵，并将所述加权邻接矩阵作为所述时序相关性信息。
3.根据权利要求2所述的方法，其中，针对所述图表示中的任意两个存在关系的数据中心对，利用皮尔逊相关系数计算两个数据中心对的流量相关性权重，包括：
按照如下公式计算所述流量相关性权重：
其中，p和q为所述图表示中的任意两个存在关系的数据中心对，TP是数据中心对p的目标业务流量时序数据，Tq是数据中心对q的目标业务流量时序数据，cov(·)为协方差运算符，σTp为Tp的标准差，σTq为Tq的标准差，ρ(p,q)的绝对值表示所述流量相关性权重。
4.根据权利要求1所述的方法，其中，根据所述目标业务流量时序数据，确定每个数据中心对的流量动态特征信息，包括：
通过预训练的流量预测模型中的时间卷积网络层，对所述目标业务流量时序数据进行卷积操作，得到每个数据中心对的流量动态特征信息；其中，所述时间卷积网络层是由两层扩张因果卷积堆叠组成。
5.根据权利要求1所述的方法，其中，所述流量预测模型是基于加权均方误差损失函数训练后得到的；所述加权均方误差损失函数的公式如下：
其中，xt+1分别为流量预测值和实际值，/>是流量预测的成本模型，N为数据中心对的数量，α为大于1的常数。
6.根据权利要求1所述的方法，还包括：
将预测的下一时间点各数据中心对的目标业务流量数据发送到带宽分配设备中，使得所述带宽分配设备根据预测的下一时间点各数据中心对的目标业务流量数据，为各数据中心对分配带宽资源。
7.一种流量预测装置，包括：
获取模块，用于获取当前时间点之前的各数据中心对的目标业务流量时序数据；
特征分析模块，用于根据所述目标业务流量时序数据，确定每个数据中心对的流量动态特征信息；
时序相关性分析模块，用于确定不同数据中心对的目标业务流量时序数据之间的时序相关性信息；
预测模块，用于通过预训练的流量预测模型中的相关图卷积网络层，依据所述时序相关性信息对所述流量动态特征信息进行卷积操作，得到各数据中心对的流量动态特征之间的相关依赖特征信息；其中，所述相关图卷积网络层是由基于谱的图卷积网络和一个预设尺寸的卷积网络组成；通过预训练的流量预测模型的输出层对所述相关依赖特征进行整合预测，得到下一时间点各数据中心对的目标业务流量数据；其中，所述输出层是由一维因果卷积网络和全连接网络组成。
8.根据权利要求7所述的装置，其中，所述时序相关性分析模块包括：
关系确定单元，用于确定不同数据中心对之间的拓扑关系或业务关系；
构建图信号单元，用于根据所述拓扑关系或业务关系，构建不同数据中心对之间流量需求的图表示；其中，所述图表示中每个节点表示一个数据中心对的目标业务流量时序数据；
权重计算单元，用于针对所述图表示中的任意两个存在关系的数据中心对，利用皮尔逊相关系数计算两个数据中心对的流量相关性权重；
时序相关性确定单元，用于根据所述流量相关性权重，确定所述图表示的加权邻接矩阵，并将所述加权邻接矩阵作为所述时序相关性信息。
9.根据权利要求8所述的装置，其中，所述权重计算单元还用于：
按照如下公式计算所述流量相关性权重：
其中，p和q为所述图表示中的任意两个存在关系的数据中心对，Tp是数据中心对p的目标业务流量时序数据，Tq是数据中心对q的目标业务流量时序数据，cov(·)为协方差运算符，σTp为Tp的标准差，σTq为Tq的标准差，ρ(p,q)的绝对值表示所述流量相关性权重。
10.根据权利要求7所述的装置，其中，所述特征分析模块还用于：
通过预训练的流量预测模型中的时间卷积网络层，对所述目标业务流量时序数据进行卷积操作，得到每个数据中心对的流量动态特征信息；其中，所述时间卷积网络层是由两层扩张因果卷积堆叠组成。
11.根据权利要求7所述的装置，其中，所述流量预测模型是基于加权均方误差损失函数训练后得到的；所述加权均方误差损失函数的公式如下：
其中，xt+1分别为流量预测值和实际值，/>是流量预测的成本模型，N为数据中心对的数量，α为大于1的常数。
12.根据权利要求7所述的装置，还包括：
结果上报模块，用于将预测的下一时间点各数据中心对的目标业务流量数据发送到带宽分配设备，使得所述带宽分配设备根据预测的下一时间点各数据中心对的目标业务流量数据，为各数据中心对分配带宽资源。
13.一种电子设备，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1-6中任一项所述的流量预测方法。
14.一种存储有计算机指令的非瞬时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1-6中任一项所述的流量预测方法。
CN202210804875.1A 2022-07-08 2022-07-08 一种流量预测方法、装置、电子设备和存储介质 Active CN115225543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210804875.1A CN115225543B (zh) 2022-07-08 2022-07-08 一种流量预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210804875.1A CN115225543B (zh) 2022-07-08 2022-07-08 一种流量预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN115225543A CN115225543A (zh) 2022-10-21
CN115225543B true CN115225543B (zh) 2023-10-20

Family

ID=83609404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210804875.1A Active CN115225543B (zh) 2022-07-08 2022-07-08 一种流量预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115225543B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116634638A (zh) * 2023-05-16 2023-08-22 珠海光通智装科技有限公司 灯光控制策略的生成方法、灯光控制方法以及相关装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015216585A (ja) * 2014-05-13 2015-12-03 日本電信電話株式会社 トラヒック量上限値予測装置及び方法及びプログラム
CN112350899A (zh) * 2021-01-07 2021-02-09 南京信息工程大学 一种基于图卷积网络融合多特征输入的网络流量预测方法
CN113691993A (zh) * 2021-07-23 2021-11-23 山东师范大学 基于图神经网络的5g连通簇基站群流量预测方法及系统
CN113780662A (zh) * 2021-09-14 2021-12-10 北京航空航天大学 一种流量预测方法、装置、设备和介质
CN114282648A (zh) * 2021-12-10 2022-04-05 中国联合网络通信集团有限公司 一种流量预测方法、装置及存储介质
CN114679388A (zh) * 2022-02-22 2022-06-28 同济大学 一种时间敏感网络数据流量预测方法、系统及存储介质
CN114880363A (zh) * 2022-03-02 2022-08-09 中国科学院计算技术研究所 一种数据中心流量预测系统及训练方法、预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081010B (zh) * 2018-10-18 2022-08-02 阿里巴巴集团控股有限公司 一种交通流量或旅行时间的预测方法和设备
CN111130839B (zh) * 2019-11-04 2021-07-16 清华大学 一种流量需求矩阵预测方法及其系统
CN112101682B (zh) * 2020-09-25 2024-04-09 北京百度网讯科技有限公司 流量模式预测方法、装置、服务器以及可读介质
CN112700072B (zh) * 2021-03-24 2021-06-29 同盾控股有限公司 交通状况预测方法、电子设备和存储介质
CN113783715B (zh) * 2021-07-27 2023-05-23 南昌航空大学 一种采用因果卷积神经网络的机会网络拓扑预测方法
CN113746696A (zh) * 2021-08-02 2021-12-03 中移（杭州）信息技术有限公司 网络流量预测方法、设备、存储介质及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015216585A (ja) * 2014-05-13 2015-12-03 日本電信電話株式会社 トラヒック量上限値予測装置及び方法及びプログラム
CN112350899A (zh) * 2021-01-07 2021-02-09 南京信息工程大学 一种基于图卷积网络融合多特征输入的网络流量预测方法
CN113691993A (zh) * 2021-07-23 2021-11-23 山东师范大学 基于图神经网络的5g连通簇基站群流量预测方法及系统
CN113780662A (zh) * 2021-09-14 2021-12-10 北京航空航天大学 一种流量预测方法、装置、设备和介质
CN114282648A (zh) * 2021-12-10 2022-04-05 中国联合网络通信集团有限公司 一种流量预测方法、装置及存储介质
CN114679388A (zh) * 2022-02-22 2022-06-28 同济大学 一种时间敏感网络数据流量预测方法、系统及存储介质
CN114880363A (zh) * 2022-03-02 2022-08-09 中国科学院计算技术研究所 一种数据中心流量预测系统及训练方法、预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multistep Coupled Graph Convolution With Temporal-Attention for Traffic Flow Prediction;Xiaohui Huang；等;《IEEE Access》;全文 *
基于高阶图卷积自编码器的网络流量预测;崔兆阳;《计算机技术与自动化》;第39卷(第4期);全文 *

Also Published As

Publication number Publication date
CN115225543A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN111435463B (zh) 数据处理方法及相关设备、系统
CN109120463B (zh) 流量预测方法及装置
US20240127795A1 (en) Model training method, speech recognition method, device, medium, and apparatus
CN113343803A (zh) 模型训练方法、装置、设备和存储介质
CN105120487A (zh) 一种业务数据预测方法及装置
CN114500339B (zh) 一种节点带宽监测方法、装置、电子设备及存储介质
CN112925637A (zh) 用于一边缘运算网络的负载平衡装置及方法
CN115225543B (zh) 一种流量预测方法、装置、电子设备和存储介质
CN115456167B (zh) 轻量级模型训练方法、图像处理方法、装置及电子设备
CN110766184A (zh) 订单量预测方法和装置
CN117371508A (zh) 模型压缩方法、装置、电子设备以及存储介质
CN110378543A (zh) 离职风险预测方法、装置、计算机设备和存储介质
CN114676892A (zh) 一种基于智能匹配的服务派单方法、系统及设备
CN117135046B (zh) 基于节点关联度的目标资源配置方法、装置、设备和介质
CN114547069A (zh) 数据查询方法、装置、电子设备以及存储介质
CN113326449A (zh) 预测交通流量的方法、装置、电子设备和介质
EP4134834A1 (en) Method and apparatus of processing feature information, electronic device, and storage medium
CN114880363A (zh) 一种数据中心流量预测系统及训练方法、预测方法
Krishnamurthy et al. Segregation in social networks: Markov bridge models and estimation
CN116436828A (zh) 网络流量预测及模型训练方法、装置、设备和存储介质
CN114020469B (zh) 基于边缘节点的多任务学习方法、装置、介质与设备
US20230140148A1 (en) Methods for community search, electronic device and storage medium
CN114707853B (zh) 银行网点的终端配置方法及系统
CN118503651B (zh) 基于树形高阶图卷积的交通状态预测方法、训练方法及装置
CN117557140A (zh) 电力通信网网络规划质量评价方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant