CN115412451A - 一种基于融合模型的互联网链路利用率的预测方法 - Google Patents
一种基于融合模型的互联网链路利用率的预测方法 Download PDFInfo
- Publication number
- CN115412451A CN115412451A CN202210931967.6A CN202210931967A CN115412451A CN 115412451 A CN115412451 A CN 115412451A CN 202210931967 A CN202210931967 A CN 202210931967A CN 115412451 A CN115412451 A CN 115412451A
- Authority
- CN
- China
- Prior art keywords
- model
- internet link
- prediction model
- time sequence
- utilization rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 20
- 230000000306 recurrent effect Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 10
- 238000013450 outlier detection Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
-
- 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
- H04L43/0882—Utilisation of link capacity
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于融合模型的互联网链路利用率的预测方法，涉及智能模型预测数据技术领域；预处理互联网链路利用率的时序数据：利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，优化异常值，获得连续平稳无异常值的时间数据序列，利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系，评估所述时序预测模型并根据评估结果对所述时序预测模型调优，利用所述时序预测模型进行互联网链路利用率的预测。
Description
技术领域
本发明公开一种方法，涉及智能模型预测数据技术领域，具体地说是一种基于融合模型的互联网链路利用率的预测方法。
背景技术
互联网链路利用率应用目前面临的两大问题：一是应用指标没有经过稽核直接开放给前台分析部门，无法及时发现数据异常被投诉后才处理；二是上层应用指标数据量大，且无异常波动预警监控系统，主要依赖人工排查并解决，时效性低且判断标准不统一。因此对互联网链路利用率进行预测十分必要，但现有方式中还没有比较完善智能的方法对互联网链路利用率进行有效预测。
发明内容
本发明针对现有技术的问题，提供一种基于融合模型的互联网链路利用率的预测方法，智能预测链路利用率，分析指标波动阈值并将异常数据进行及时告警，协助运维人员及时发现应用准确性问题，提升质量管理水平。
本发明提出的具体方案是：
本发明提供一种基于融合模型的互联网链路利用率的预测方法，预处理互联网链路利用率的时序数据：利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，优化异常值，获得连续平稳无异常值的时间数据序列，
利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系，
评估所述时序预测模型并根据评估结果对所述时序预测模型调优，
利用所述时序预测模型进行互联网链路利用率的预测。
进一步，所述的一种基于融合模型的互联网链路利用率的预测方法中所述预处理互联网链路利用率的时序数据，还包括：
针对日期不连续产生时序数据缺失的情况，对时序数据进行缺失值填充。
进一步，所述的一种基于融合模型的互联网链路利用率的预测方法中所述利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，包括：
人为插入异常值至时间数据序列，利用带有异常值的时间数据序列计算获得训练集，通过训练集训练SR结合VGG模型用于异常值检测。
进一步，所述的一种基于融合模型的互联网链路利用率的预测方法中所述通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，包括：
根据实际场景下互联网链路利用率的时序数据选取ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型或切比雪夫统计阈值模型作为所述预测值模型，
利用选取的所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值。
进一步，所述的一种基于融合模型的互联网链路利用率的预测方法中所述通过所述关系预测模型分析时间特征与互联网链路利用率关系，包括：
从时间信息字段中提取时间特征，建立所述关系预测模型，所述关系预测模型为ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型、切比雪夫统计阈值模型或lightgbm回归预测模型，利用选取的所述关系预测模型分析时间特征与互联网链路利用率的关系。
本发明提供一种基于融合模型的互联网链路利用率的预测系统，包括预处理模块、预测模型模块、评估模块和预测模块，
预处理模块预处理互联网链路利用率的时序数据：利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，优化异常值，获得连续平稳无异常值的时间数据序列，
预测模型模块利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系，
评估模块评估所述时序预测模型并根据评估结果对所述时序预测模型调优，
预测模块利用所述时序预测模型进行互联网链路利用率的预测。
进一步，所述的一种基于融合模型的互联网链路利用率的预测系统中所述预处理模块预处理互联网链路利用率的时序数据，还包括：
针对日期不连续产生时序数据缺失的情况，对时序数据进行缺失值填充。
进一步，所述的一种基于融合模型的互联网链路利用率的预测系统中所述预处理模块利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，包括：
人为插入异常值至时间数据序列，利用带有异常值的时间数据序列计算获得训练集，通过训练集训练SR结合VGG模型用于异常值检测。
进一步，所述的一种基于融合模型的互联网链路利用率的预测系统中所述预测模型模块通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，包括：
根据实际场景下互联网链路利用率的时序数据选取ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型或切比雪夫统计阈值模型作为所述预测值模型，
利用选取的所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值。
进一步，所述的一种基于融合模型的互联网链路利用率的预测系统中所述预测模型模块通过所述关系预测模型分析时间特征与互联网链路利用率关系，包括：
从时间信息字段中提取时间特征，建立所述关系预测模型，所述关系预测模型为ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型、切比雪夫统计阈值模型或lightgbm回归预测模型，利用选取的所述关系预测模型分析时间特征与互联网链路利用率的关系。
本发明的有益之处是：
本发明提供一种基于融合模型的互联网链路利用率的预测方法，
利用SR结合VGG模型检测业务时间序列数据，监控时间序列数据的时间序列异常值，再根据时序预测模型进行互联网链路利用率预测，可进一步依据阈值基准值动态更新阈值范围，告别静态阈值检测，有效提升异常检测治理，极大的降低静态阈值方法造成的告警误报、错报率，并可推送异常数据告警信息至运维人员。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明方法应用流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明提供一种基于融合模型的互联网链路利用率的预测方法，预处理互联网链路利用率的时序数据：利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，优化异常值，获得连续平稳无异常值的时间数据序列，
利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系，
评估所述时序预测模型并根据评估结果对所述时序预测模型调优，
利用所述时序预测模型进行互联网链路利用率的预测。
本发明方法基于谱残差(SR)和卷积神经网络VGG的结合进行异常检测，寻找时间序列历史数据里面的异常值，将异常值进行优化，得到一个连续平稳无异常值的时间序列，
建立互联网链路指标利用率预测模型，主要以不同互联网链路的链路利用率为研究对象，以天为时间粒度，利用预测模型预测出未来利用率的变化趋势，对可能存在的隐患可进一步进行预警，
针对不同的互联网链路数据变化趋势，可以选择性地建立关于互联网链路利用率的时序预测模型，也可以选择性地提取时间特征字段，研究时间特征与利用率指标的变化关系。
具体应用中，在本发明方法的一些实施例中，具体过程可参考如下：
预处理互联网链路利用率的时序数据，可包括对时间序列数据的缺失值填充，对时间序列数据的异常值处理，以及从时间信息字段中提取时间特征等。
对时间序列数据的缺失值填充时，如针对实际数据中存在日期不连续的情况，对缺失的日期进行添加，其对应的互联网链路利用率数值可以选用向前填充、向后填充等方法进行填充。
对时间序列数据的异常值处理时，如选择使用删除、替换等方法来处理异常值，避免大量异常值的存在会对模型的预测效果产生负面影响。具体为基于谱残差(SR)和卷积神经网络VGG的SR结合VGG模型寻找时间序列历史数据里面的异常值，把异常值进行优化，优化后得到一个连续平稳无异常值的时间序列。其中图像视觉显著性算法SR(SpectralResidual)分析输入图像的对数谱，在对数谱中用图像的信息减去先验知识的信息，获得显著部分的对数谱，最终利用傅里叶逆变换得到显著图。
谱残差(SR)算法主要包括三个步骤:(1)傅里叶变换得到对数振幅谱；(2)谱残差计算；(3)傅里叶反变换，将序列变换回空间域。数学上，给定一个序列x，我们有:
A(f)＝Amplitude(F(x)) (1)
P(f)＝Phrase(F(x)) (2)
L(f)＝log(A(f)) (3)
AL(f)＝hq(f)·L(f) (4)
R(f)＝L(f)-AL(f) (5)
S(x)＝||F-1(exp(R(f)+iP(f)))|| (6)
其中F和F-1分别表示傅里叶变换和傅里叶反变换。x为输入序列，形状为n×1；A(f)为序列x的振幅谱；P(f)为序列x对应的相位谱；L(f)是A(f)的对数表示；而AL(f)是L(f)的平均频谱，可以通过对输入序列卷积hq(f)近似得到，其中hq(f)为q×q矩阵，定义为:
R(f)为谱残差，即对数谱L(f)减去平均对数谱AL(f)。谱残差作为序列的压缩表示，使得原始序列的异常部分变得更加显著。最后，通过傅里叶反变换将序列变换回空间域。结果序列S(x)称为显著图。采用简单阈值τ来标注异常点。给定显著性映射S(x)，输出序列O(x)的计算公式为:
其中xi表示序列x中的任意点；S(xi)为显著图中的对应点；mean(S(xi))为S(xi)前面z个点的局部平均值。
在实践中，FFT操作是在序列的滑动窗口内进行的。此外，本发明希望该算法能够以较低的延迟发现异常点。也就是说，给定流x1,x2，…,xn，其中xn是时间最近的那个点，本发明想要尽快知道xn是否是一个异常点，当目标点位于滑动窗口中心时，SR方法效果更好。因此，本发明在将序列输入到SR模型之前，在xn之后添加几个估计点。估计点xn+1的值由以下公式计算:
式中g(xi,xj)为点xi与xj之间直线的梯度；g表示前面各点的平均梯度。M是前面考虑的点数，在实现中设置M＝5，发现第一个估计点起决定性作用。因此，只需将xn+1复制k次并将这些点加到序列的尾部。
综上所述，SR算法包含超参数，即滑动窗口大小ω、估计的点数κ、异常检测阈值τ，SR算法是在线异常检测服务的良好选择。
为训练更复杂和精度更高的决策规则，本发明引入SR算法与卷积神经网络VGG16的SR结合VGG模型。在时间序列上插入异常点并计算得到训练集，对SR结合VGG模型进行训练。其中VGG16总共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，再采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后经过三次全连接。由于标记的数据不够多，所以使用基于显著性图的CNN，而不是原始输入，这使得异常标注问题更加容易。
本发明在时间序列中随机选取几个点，计算注入值来替代原始点，得到其显著图。异常点值的计算方法如下:
x＝(x+mean)(1+var)r+x (10)
式中，x的平均值为前面各点的局部平均值；Mean和var为当前滑动窗口内所有点的均值和方差；r～N(0,1)是随机抽样的。
预处理时序数据时，还可以从时间信息字段中提取时间特征，以便后续分析使用。
利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系。
进一步，所述的一种基于融合模型的互联网链路利用率的预测方法中所述通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，包括：
根据实际场景下互联网链路利用率的时序数据选取ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型或切比雪夫统计阈值模型作为所述预测值模型，
利用选取的所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值。
进一步，所述的一种基于融合模型的互联网链路利用率的预测方法中所述通过所述关系预测模型分析时间特征与互联网链路利用率关系，包括：
从时间信息字段中提取时间特征，建立所述关系预测模型，所述关系预测模型为ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型、切比雪夫统计阈值模型或lightgbm回归预测模型，利用选取的所述关系预测模型分析时间特征与互联网链路利用率的关系，参考图1。
评估所述时序预测模型并根据评估结果对所述时序预测模型调优，其中对模型的性能进行评估，以评估拟合模型可以准确预测输入数据值的程度，确定上述预测模型选取。评估模型性能所使用的指标是确定系数(R2)。
R2＝1-SSres/SStot
从公式中可以看出，R2实质上是1减去残差平方和(SSres)与总平方和(SStot)的比值。简单来说，它代表了解释方差的相对量度。例如，如果R2＝0.6，那么意味着该模型可以解释60％的方差，即60％的数据符合回归模型，而未解释的方差占剩余的40％。也就是说R2越大，模型的拟合效果越好。在基于机器学习建立的健康度模型的选择上，可以根据建立的机器学习模型R-Square的进行模型选择。
利用所述时序预测模型进行互联网链路利用率的预测时，预测模型可以从指标值以及指标阈值两方面来输出模型结果，如具体输出可参考如下：
互联网链路利用率在未来N天的预测值；
互联网链路利用率在未来n天的预测动态上限阈值；
互联网链路利用率在未来N天内的预测峰值等。
根据本发明方法获得的互联网链路利用率等数据，可以更好地对应用上的异常数据进行告警，进一步保障应用的数据质量，如提供一套标准的互联网链路数据异常检测、互联网链路利用率预测方法和动态阈值设定的自适应方法，将异常数据进行及时告警，协助运维人员及时发现应用准确性问题，提升质量管理水平。
本发明还提供一种基于融合模型的互联网链路利用率的预测系统，包括预处理模块、预测模型模块、评估模块和预测模块，
预处理模块预处理互联网链路利用率的时序数据：利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，优化异常值，获得连续平稳无异常值的时间数据序列，
预测模型模块利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系，
评估模块评估所述时序预测模型并根据评估结果对所述时序预测模型调优，
预测模块利用所述时序预测模型进行互联网链路利用率的预测。
上述系统内的处理器的信息交互、执行可读程序过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
同样地本发明系统可以利用SR结合VGG模型检测业务时间序列数据，监控时间序列数据的时间序列异常值，再根据时序预测模型进行互联网链路利用率预测，可进一步依据阈值基准值动态更新阈值范围，告别静态阈值检测，有效提升异常检测治理，极大的降低静态阈值方法造成的告警误报、错报率，并可推送异常数据告警信息至运维人员。
需要说明的是，上述各流程和各系统结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于融合模型的互联网链路利用率的预测方法，其特征是预处理互联网链路利用率的时序数据：利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，优化异常值，获得连续平稳无异常值的时间数据序列，
利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系，
评估所述时序预测模型并根据评估结果对所述时序预测模型调优，
利用所述时序预测模型进行互联网链路利用率的预测。
2.根据权利要求1所述的一种基于融合模型的互联网链路利用率的预测方法，其特征是所述预处理互联网链路利用率的时序数据，还包括：
针对日期不连续产生时序数据缺失的情况，对时序数据进行缺失值填充。
3.根据权利要求1或2所述的一种基于融合模型的互联网链路利用率的预测方法，其特征是所述利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，包括：
人为插入异常值至时间数据序列，利用带有异常值的时间数据序列计算获得训练集，通过训练集训练SR结合VGG模型用于异常值检测。
4.根据权利要求1所述的一种基于融合模型的互联网链路利用率的预测方法，其特征是所述通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，包括：
根据实际场景下互联网链路利用率的时序数据选取ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型或切比雪夫统计阈值模型作为所述预测值模型，
利用选取的所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值。
5.根据权利要求1所述的一种基于融合模型的互联网链路利用率的预测方法，其特征是所述通过所述关系预测模型分析时间特征与互联网链路利用率关系，包括：
从时间信息字段中提取时间特征，建立所述关系预测模型，所述关系预测模型为ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型、切比雪夫统计阈值模型或lightgbm回归预测模型，利用选取的所述关系预测模型分析时间特征与互联网链路利用率的关系。
6.一种基于融合模型的互联网链路利用率的预测系统，其特征是包括预处理模块、预测模型模块、评估模块和预测模块，
预处理模块预处理互联网链路利用率的时序数据：利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，优化异常值，获得连续平稳无异常值的时间数据序列，
预测模型模块利用预处理后的时序数据，建立时序预测模型，所述时序预测模型包括预测值模型和关系预测模型，通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，通过所述关系预测模型分析时间特征与互联网链路利用率关系，
评估模块评估所述时序预测模型并根据评估结果对所述时序预测模型调优，
预测模块利用所述时序预测模型进行互联网链路利用率的预测。
7.根据权利要求6所述的一种基于融合模型的互联网链路利用率的预测系统，其特征是所述预处理模块预处理互联网链路利用率的时序数据，还包括：
针对日期不连续产生时序数据缺失的情况，对时序数据进行缺失值填充。
8.根据权利要求6或7所述的一种基于融合模型的互联网链路利用率的预测系统，其特征是所述预处理模块利用图像视觉显著性算法SR结合VGG模型对时序数据进行异常值检测，包括：
人为插入异常值至时间数据序列，利用带有异常值的时间数据序列计算获得训练集，通过训练集训练SR结合VGG模型用于异常值检测。
9.根据权利要求6所述的一种基于融合模型的互联网链路利用率的预测系统，其特征是所述预测模型模块通过所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值，包括：
根据实际场景下互联网链路利用率的时序数据选取ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型或切比雪夫统计阈值模型作为所述预测值模型，
利用选取的所述预测值模型预测未来互联网链路利用率及互联网链路利用率上限阈值。
10.根据权利要求6所述的一种基于融合模型的互联网链路利用率的预测系统，其特征是所述预测模型模块通过所述关系预测模型分析时间特征与互联网链路利用率关系，包括：
从时间信息字段中提取时间特征，建立所述关系预测模型，所述关系预测模型为ARIMA时序预测模型、LSTM循环神经网络模型、GRU循环神经网络模型、切比雪夫统计阈值模型或lightgbm回归预测模型，利用选取的所述关系预测模型分析时间特征与互联网链路利用率的关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210931967.6A CN115412451A (zh) | 2022-08-04 | 2022-08-04 | 一种基于融合模型的互联网链路利用率的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210931967.6A CN115412451A (zh) | 2022-08-04 | 2022-08-04 | 一种基于融合模型的互联网链路利用率的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115412451A true CN115412451A (zh) | 2022-11-29 |
Family
ID=84159748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210931967.6A Pending CN115412451A (zh) | 2022-08-04 | 2022-08-04 | 一种基于融合模型的互联网链路利用率的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115412451A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473242A (zh) * | 2023-12-28 | 2024-01-30 | 成都四方伟业软件股份有限公司 | 一种时序数据故障检测方法、系统、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113037577A (zh) * | 2019-12-09 | 2021-06-25 | 中国电信股份有限公司 | 网络流量预测方法、装置和计算机可读存储介质 |
| US20210224699A1 (en) * | 2020-01-21 | 2021-07-22 | Hcl Technologies Limited | Building time series based prediction / forecast model for a telecommunication network |
| CN114201374A (zh) * | 2021-12-07 | 2022-03-18 | 华融融通（北京）科技有限公司 | 基于混合机器学习的运维时序数据异常检测方法及系统 |
-
2022
- 2022-08-04 CN CN202210931967.6A patent/CN115412451A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113037577A (zh) * | 2019-12-09 | 2021-06-25 | 中国电信股份有限公司 | 网络流量预测方法、装置和计算机可读存储介质 |
| US20210224699A1 (en) * | 2020-01-21 | 2021-07-22 | Hcl Technologies Limited | Building time series based prediction / forecast model for a telecommunication network |
| CN114201374A (zh) * | 2021-12-07 | 2022-03-18 | 华融融通（北京）科技有限公司 | 基于混合机器学习的运维时序数据异常检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| HANSHENG REN等: "Time-Series Anomaly Detection Service at Microsoft", 《KDD 2019》, pages 4 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473242A (zh) * | 2023-12-28 | 2024-01-30 | 成都四方伟业软件股份有限公司 | 一种时序数据故障检测方法、系统、设备及介质 |
| CN117473242B (zh) * | 2023-12-28 | 2024-03-19 | 成都四方伟业软件股份有限公司 | 一种时序数据故障检测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105847598B (zh) | 呼叫中心多因子话务预测方法 | |
| CN104331635B (zh) | 电力光纤通信光功率预测的方法 | |
| US11100191B2 (en) | Method and system for performing real-time analytics on a plurality of data streams | |
| CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
| CN113411216B (zh) | 基于离散小波变换和fa-elm的网络流量预测方法 | |
| Li et al. | Multi-task spatio-temporal augmented net for industry equipment remaining useful life prediction | |
| CN116451848A (zh) | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 | |
| CN112183868B (zh) | 交通流量预测模型的构建方法及电子设备 | |
| CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
| CN114495507A (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN116346639A (zh) | 一种网络流量预测方法、系统、介质、设备及终端 | |
| CN115412451A (zh) | 一种基于融合模型的互联网链路利用率的预测方法 | |
| US20210049414A1 (en) | Deep graph de-noise by differentiable ranking | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN113837481B (zh) | 一种基于区块链的金融大数据管理系统 | |
| JP2019125306A (ja) | データ処理方法、データ処理装置およびプログラム | |
| JP2003044123A (ja) | プラント診断装置 | |
| CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN116881798A (zh) | 用于气象等复杂系统的基于变量选择和反向时滞特征选择的条件格兰杰因果分析方法 | |
| CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
| CN114095390B (zh) | 区域内对象流量的预测方法、装置、设备及存储介质 | |
| CN115145903A (zh) | 一种基于生产过程的数据插补方法 | |
| CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 | |
| CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 |
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 |