CN115720212A - 一种基于多源数据融合的网络流量预测及自动优化均衡方法 - Google Patents
一种基于多源数据融合的网络流量预测及自动优化均衡方法 Download PDFInfo
- Publication number
- CN115720212A CN115720212A CN202211410671.6A CN202211410671A CN115720212A CN 115720212 A CN115720212 A CN 115720212A CN 202211410671 A CN202211410671 A CN 202211410671A CN 115720212 A CN115720212 A CN 115720212A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- flow
- source 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000012546 transfer Methods 0.000 claims abstract description 20
- 230000011664 signaling Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000000306 recurrent effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007499 fusion processing Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于通信领域,公开了一种基于多源数据融合的网络流量预测及自动优化均衡方法。采集某一城市基站的多源数据,所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令;基于多源数据,利用决策融合方法对数据进行融合处理;对融合后的数据,利用循环神经网络算法,建立流量预测模型;利用流量预测模型,对网络流量进行预测;基于网络流量预测数据,利用马尔可夫流量转移方法,建立全局视觉下网络流量均衡模型,对全局视觉下网络流量均衡模型进行训练并验证。用以解决现有技术中的网络配置和管理有很多是依赖人工,网络结构复杂,问题处理依旧依靠人工分析的问题。
Description
技术领域
本发明属于通信领域,具体涉及一种基于多源数据融合的网络流量预测及自动优化均衡方法。
背景技术
目前,我们根据实际现网结构,通过对传输流量的精细化分析,助力当前网络质量发展。首先,根据对PTNNNI端口峰值带宽利用率的百分比划分,分为红橙黄三色预警,并组织开展相关专项工作。同时,在红橙黄分级机制的基础上,细化出连续三天峰值超90%且忙时均值超50%和连续三天峰值80%-90%且忙时均值超过40%-50%两个分类,从影响业务感知和预警两个层面进行更精确的分析。最后,结合核心网DPI数据,关联PTN环网与基站对应关系,挖掘传输越限环网与DPI数据中影响业务感知指标的关系。
对全省PTN流量从环网及NNI端口、峰值带宽利用率、连续3天越限、连续7天越限、影响业务等进行多维度全面分析,仅在带宽利用率>90%时会对业务产生影响。
以上针对传输流量的分析和预测算法针对于PTNNNI端口峰值带宽利用率这一个指标进行分析,维度相对单一。
网络中采用的先进技术越来越多,网络规模也越来越复杂,网络结构的多样化是网络管理所需的专业知识也日益增加,网络管理与维护工作变得日益困难,人力成本不断提高,从而提高了对网络管理系统高度自动化和智能化的要求,以减轻网管人员的工作复杂度和工作强度,这也是近几年网络管理发展的一大趋势,相关人员也对动态流量在智能系统里应用做了相关研究,相关预测目前的网络配置和管理有很多是依赖人工,网络结构复杂,问题处理依靠人工分析,提供一事一议的解决方案,没有经验积累,无法跨专业协同,无论是初期的网络建设还是后期维护,这将极大的增加网络的配置和维护成本,而且其配置效果非常不理想,系统的整体性能欠佳,过分依赖于人工的配置和处理故障方法显然已不适用。
随着通信技术的飞速发展,网络流量行为日益复杂,网络业务需求主要有音频,视频,数据和应用业务等不断增多,对网络服务的时延、带宽等网络性能也有了相应要求,由于数据的多源化,基于流量的监测和处理,以及数据源获取后,对数据的性能研究仍然处于不成熟阶段,在大数据和5G科技快速的发展背景下,依靠智能手段对网络流量进行提前预测、拥塞进行自动优化,对有限的网络资源进行合理分配,提高网络利用率对于网络的设计与规划,流量控制,通信质量,研究拥塞控制和带宽分配机制,分析与评价通信性能,进一步优化通行网络质量有着非常重要的意义。
发明内容
本发明提供一种基于多源数据融合的网络流量预测方法及系统自动优化均衡方法,用以解决现有技术中的网络配置和管理有很多是依赖人工,网络结构复杂,问题处理依旧依靠人工分析的问题。
本发明提供一种基于多源数据融合的网络流量预测的自动优化均衡方法及系统,实现依靠智能手段对网络流量进行提前预测、拥塞进行自动优化,对有限的网络资源进行合理分配,提高网络利用率对于网络的设计与规划,流量控制,通信质量,研究拥塞控制和带宽分配机制,分析与评价通信性能,进一步优化通行网络质量的目的。
本发明通过以下技术方案实现:
一种基于多源数据融合的网络流量预测方法,所述网络流量预测方法具体包括一下步骤:
步骤1:采集某一城市基站的多源数据,所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令;
步骤2:基于步骤1的多源数据,利用决策融合方法对数据进行融合处理;
步骤3:对步骤2融合后的数据,利用循环神经网络算法,建立流量预测模型;
步骤4:利用步骤3的流量预测模型,对网络流量进行预测。
一种基于多源数据融合的网络流量预测方法,所述步骤2具体为,将不连续特征数据通过embedding网络结构进行特征提取,合并成比原始输入特征更具有判别能力同维度向量特征。
一种基于多源数据融合的网络流量预测方法,进行完数据的特征提取后,将等维度的特征向量输入到特征乘机层Product,输出线性组合Z和非线性组合P;
Z=concat([emb1,emb1,...,embn],axis=1) (1)
P与Z拼接后进入隐藏层,得到下列矩阵,来降低数据处理复杂度:
UTV×W=U×W×VT (2)
之后,将Product层输出结果依次输入到Deepnetwork和Cross层,输出以下向量:
最后,将以上三部分输出向量特征通过Combination Output Layer连接起来,输出最后结果。
一种基于多源数据融合的网络流量预测方法,所述步骤3具体为,
利用用户历史手机信令数据、基站流量、设备及环网关系等数据研究环网、设备及基站流量,利用循环神经网络seq2seq结构模型来对各环网流量进行预测。以基站覆盖区域作为图节点,基站之间的转化关系作为边进行构图,对区域流量的空间相关性进行建模,挖掘信令流量在时间上的模式,对未来环网流量进行预测。
一种基于多源数据融合的网络流量预测方法,流量预测模型由编码器和解码器组成,输入列x1,x2,…,xn通过中间长短期记忆网络(LSTM)h1,h2,…,hn模块,提取和整合输入数据的特征,输出解码器的输入向量C,向量C经过长短时记忆网络模块h’1,h’2,…,h’n,最终输出未来预测数据p1,p2,…,pn。
一种基于多源数据融合的网络流量预测系统,所述预测系统包括采集模块和流量预测计算模块;
所述采集模块,用于采集某一城市基站的多源数据;
所述流量预测计算模块,利用决策融合方法对多源数据数据进行融合处理,再利用循环神经网络算法,建立流量预测模型,对网络流量进行预测。
一种基于多源数据融合的网络流量预测的自动优化均衡方法,所述自动优化均衡方法包括以下步骤:
步骤5:利用马尔可夫流量转移方法,建立全局视觉下网络流量均衡模型;
步骤6:基于步骤4的网络流量预测数据,对全局视觉下网络流量均衡模型进行训练并验证。
一种基于多源数据融合的网络流量预测的自动优化均衡方法,根据信令数据和网络通用数据的信息,统计一个时间片内网络流量转移邻接矩阵pflow,pij∈N+且pii=0;
并对转移矩阵的每行先利用tanh函数将矩阵元素映射到(-1,1)。
一种基于多源数据融合的网络流量预测的自动优化均衡方法,再利用softmax函数按行归一化得到新的概率转移矩阵pnew:
一种基于多源数据融合的网络流量预测的自动优化均衡系统,所述自动优化均衡系统包括均衡优化模块和模型训练模块;
所述均衡优化模块,利用马尔可夫流量转移方法,建立全局视觉下网络流量均衡模型;
所述模型训练模块,对网络流量预测数据,对全局视觉下网络流量均衡模型进行训练并验证。
本发明的有益效果是:
本发明对基站站址信息数据、通用网络数据、移动信令等多源数据进行融合处理,使其整体的数据类型更均衡。
附图说明
图1是现有技术环网下的链路峰值利用率示意图。
图2是现有技术环网下的基站平均TCP建立时延示意图。
图3是本发明的方法流程示意图。
图4是本发明的Embedding网络结构示意图。
图5是本发明的循环神经网络模型示意图。
图6是本发明的某环网工作日及假期期间环网流量情况预测曲线图,其中(a)为某环网工作日期间环网流量情况预测曲线图,(b)为某环网假期期间环网流量情况预测曲线图。
图7是本发明的Seq2Seq算法的预测效果与真实值的比对示意图。
图8是本发明的一个时间片下网络流量分布直方图,其中(a)为某环网调整前网络流量分布直方图,(b)为某环网调整后网络流量分布直方图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于多源数据融合的网络流量预测方法,所述网络流量预测方法具体包括一下步骤:
步骤1:采集某一城市基站的多源数据,所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令;
步骤2:基于步骤1的多源数据,利用决策融合方法对数据进行融合处理;
步骤3:对步骤2融合后的数据,利用循环神经网络算法,建立流量预测模型;
步骤4:利用步骤3的流量预测模型,对网络流量进行预测。
一种基于多源数据融合的网络流量预测方法,所述步骤2对数据进行融合处理具体为,特征融合是基于数据不同特征来进行数据融合、处理的手段;把基站信令数据、历史流量数据、闲忙时间段等;
不连续特征数据通过embedding网络结构进行特征提取,合并成比原始输入特征更具有判别能力同维度向量特征。
一种基于多源数据融合的网络流量预测方法,进行完数据的特征提取后,将等维度的特征向量输入到特征乘机层Product,输出线性组合Z和非线性组合P;
Z=concat([emb1,emb1,...,embn],axis=1) (1)
P与Z拼接后进入隐藏层,得到下列矩阵,来降低数据处理复杂度:
UTV×W=U×W×VT (2)
之后,将Product层输出结果依次输入到Deepnetwork和Cross层,输出以下向量:
最后,将以上三部分输出向量特征通过CombinationOutputLayer连接起来,输出最后结果。
一种基于多源数据融合的网络流量预测方法,所述步骤3利用循环神经网络算法,建立流量预测模型具体为,
利用用户历史手机信令数据、基站流量、设备及环网关系等数据研究环网、设备及基站流量,利用循环神经网络seq2seq结构模型来对各环网流量进行预测。以基站覆盖区域作为图节点,基站之间的转化关系作为边进行构图,对区域流量的空间相关性进行建模,挖掘信令流量在时间上的模式,对未来环网流量进行预测。
一种基于多源数据融合的网络流量预测方法,流量预测模型由编码器和解码器组成,输入列x1,x2,…,xn通过中间长短期记忆网络(LSTM)h1,h2,…,hn模块,提取和整合输入数据的特征,输出解码器的输入向量C,向量C经过长短时记忆网络模块h’1,h’2,…,h’n,最终输出未来预测数据p1,p2,…,pn。
一种基于多源数据融合的网络流量预测系统,所述预测系统包括采集模块和流量预测计算模块;
所述采集模块,用于采集某一城市基站的多源数据;
所述流量预测计算模块,利用决策融合方法对多源数据数据进行融合处理,再利用循环神经网络算法,建立流量预测模型,对网络流量进行预测。
一种基于多源数据融合的网络流量预测的自动优化均衡方法,所述自动优化均衡方法利用权利要求1所述网络流量预测数据进行如下操作:
基于网络流量预测数据,利用马尔可夫流量转移方法,建立全局视觉下网络流量均衡模型,对全局视觉下网络流量均衡模型进行训练并验证。
一种基于多源数据融合的网络流量预测的自动优化均衡方法,根据信令数据和网络通用数据的信息,统计一个时间片内网络流量转移邻接矩阵pflow,pij∈N+且pii=0;
并对转移矩阵的每行先利用tanh函数将矩阵元素映射到(-1,1)。
一种基于多源数据融合的网络流量预测的自动优化均衡方法,再利用softmax函数按行归一化得到新的概率转移矩阵pnew:
一种基于多源数据融合的网络流量预测的自动优化均衡系统,所述自动优化均衡系统包括均衡优化模块和模型训练模块;
所述均衡优化模块,利用马尔可夫流量转移方法,建立全局视觉下网络流量均衡模型;
所述模型训练模块,对网络流量预测数据,对全局视觉下网络流量均衡模型进行训练并验证。
流量均衡方法的数据验证及效果评估
基于特征融合的数据处理模型结果
本发明采用基站信令数据、环网历史流量数据、闲忙时间段等不连续特征数据通过特征融合的流量预测模型,利用3406座基站分布数据、基站信令数据以及相关传输设备以及相关联的环网关系等信息进行数据匹配,最终得到环网流量数据。图6为通过特征融合流量模型预测某环网工作日及假期各时间段流量结果:
其中,蓝色线为真真实的环网流量,橙色线为通过以上模型预测的环网流量,通过上图结果,此模型可以准确预测不同时间的网络流量情况。
基于循环神经网络流量预测结果
本实验选择10176个基站数据进行评估,将源数据中的记录,划分为等长和等距时间片,并进行统计基站流量。实验中选择了均方根误差(RMSE)和平均绝对误差(MAE)作为模型效果的评价指标。用估计值与真值偏差的平方与估计次数n比值的平方根RSME来衡量测试值与真值之间的偏差:
表1数据集描述
以上数据集通过循环神经网络模型Seq2Seq算法计算的结果为:RMSE6.6399、MAE为4.7492。图7为以上数据通过Seq2Seq算法的预测效果与真实值的比对图,由结果可以看出,Seq2seq模型基本可以对未来基站流量做出相对较为准确的预测。
基于马尔可夫链流量均衡结果
本节随机选取一个时间片内基站流量,并对该时间片运用均衡模型前后网络的流量的分布情况进行整理、绘制如下图所示直方图,其中,横坐标表示环网下连基站时延,纵坐标表示处于该时延下环网数量:
由图8中可以看出,相比调整前的网络状态,本文所提出的算法在提升了基站最低时延段基站段落外,还有效地减少了网络中的低流量环网数量,同时算法将减少的流量合理分配至其他负载不饱和环网,这表明,高流量环网流量被成功引流至低流量段落。从结果可以看出,应用网络流量均衡算法前后网络中各种流量的环网数量变化情况效果明显。
一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述方法步骤。
一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述方法步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DR RAM)。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid statedisc,SSD))等。
Claims (10)
1.一种基于多源数据融合的网络流量预测方法,其特征在于,所述网络流量预测方法具体包括一下步骤:
步骤1:采集某一城市基站的多源数据,所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令;
步骤2:基于步骤1的多源数据,利用决策融合方法对数据进行融合处理;
步骤3:对步骤2融合后的数据,利用循环神经网络算法,建立流量预测模型;
步骤4:利用步骤3的流量预测模型,对网络流量进行预测。
2.根据权利要求1所述一种基于多源数据融合的网络流量预测方法,其特征在于,所述步骤2具体为,将不连续特征数据通过embedding网络结构进行特征提取,合并成比原始输入特征更具有判别能力同维度向量特征。
4.根据权利要求1所述一种基于多源数据融合的网络流量预测方法,其特征在于,所述步骤3具体为,利用用户历史手机信令数据、基站流量、设备及环网关系等数据研究环网、设备及基站流量,利用循环神经网络seq2seq结构模型来对各环网流量进行预测。以基站覆盖区域作为图节点,基站之间的转化关系作为边进行构图,对区域流量的空间相关性进行建模,挖掘信令流量在时间上的模式,对未来环网流量进行预测。
5.根据权利要求4所述一种基于多源数据融合的网络流量预测方法,其特征在于,流量预测模型由编码器和解码器组成,输入列x1,x2,…,xn通过中间长短期记忆网络h1,h2,…,hn模块,提取和整合输入数据的特征,输出解码器的输入向量C,向量C经过长短时记忆网络模块h’1,h’2,…,h’n,最终输出未来预测数据p1,p2,…,pn。
6.根据权利要求1所述一种基于多源数据融合的网络流量预测系统,其特征在于,所述预测系统包括采集模块和流量预测计算模块;
所述采集模块,用于采集某一城市基站的多源数据;
所述流量预测计算模块,利用决策融合方法对多源数据数据进行融合处理,再利用循环神经网络算法,建立流量预测模型,对网络流量进行预测。
7.一种基于多源数据融合的网络流量预测的自动优化均衡方法,其特征在于,所述自动优化均衡方法利用权利要求1所述网络流量预测数据进行如下操作:
基于网络流量预测数据,利用马尔可夫流量转移方法,建立全局视觉下网络流量均衡模型,对全局视觉下网络流量均衡模型进行训练并验证。
10.根据权利要求7所述一种基于多源数据融合的网络流量预测的自动优化均衡系统,其特征在于,所述自动优化均衡系统包括均衡优化模块和模型训练模块;
所述均衡优化模块,利用马尔可夫流量转移方法,建立全局视觉下网络流量均衡模型;
所述模型训练模块,对网络流量预测数据,对全局视觉下网络流量均衡模型进行训练并验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211410671.6A CN115720212A (zh) | 2022-11-11 | 2022-11-11 | 一种基于多源数据融合的网络流量预测及自动优化均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211410671.6A CN115720212A (zh) | 2022-11-11 | 2022-11-11 | 一种基于多源数据融合的网络流量预测及自动优化均衡方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115720212A true CN115720212A (zh) | 2023-02-28 |
Family
ID=85254955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211410671.6A Pending CN115720212A (zh) | 2022-11-11 | 2022-11-11 | 一种基于多源数据融合的网络流量预测及自动优化均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115720212A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116566841A (zh) * | 2023-05-09 | 2023-08-08 | 北京有元科技有限公司 | 一种基于网络流量查询的流量趋势预测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
CN113905391A (zh) * | 2021-09-27 | 2022-01-07 | 湖北工业大学 | 集成学习网络流量预测方法、系统、设备、终端、介质 |
CN114006826A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种融合流量特征的网络流量预测方法 |
CN114978931A (zh) * | 2022-07-29 | 2022-08-30 | 国电南瑞科技股份有限公司 | 基于流形学习的网络流量预测方法、装置及存储介质 |
-
2022
- 2022-11-11 CN CN202211410671.6A patent/CN115720212A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
CN113905391A (zh) * | 2021-09-27 | 2022-01-07 | 湖北工业大学 | 集成学习网络流量预测方法、系统、设备、终端、介质 |
CN114006826A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种融合流量特征的网络流量预测方法 |
CN114978931A (zh) * | 2022-07-29 | 2022-08-30 | 国电南瑞科技股份有限公司 | 基于流形学习的网络流量预测方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
杨馥宁: "基于多源数据融合的城市路网流量均衡研究", 《万方学位论文》, 12 August 2022 (2022-08-12), pages 7 - 164 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116566841A (zh) * | 2023-05-09 | 2023-08-08 | 北京有元科技有限公司 | 一种基于网络流量查询的流量趋势预测方法和装置 |
CN116566841B (zh) * | 2023-05-09 | 2023-12-01 | 北京有元科技有限公司 | 一种基于网络流量查询的流量趋势预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110851782A (zh) | 一种基于轻量级时空深度学习模型的网络流量预测方法 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
CN115720212A (zh) | 一种基于多源数据融合的网络流量预测及自动优化均衡方法 | |
CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
CN114661463A (zh) | 基于bp神经网络的系统资源预测方法及系统 | |
CN106789349B (zh) | 一种基于体验质量建模分析及会话流分类的方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN116545871A (zh) | 一种多模态网络流量预测方法、装置、介质 | |
CN110705638A (zh) | 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法 | |
CN115883392A (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
CN115423041A (zh) | 一种基于深度学习的边缘云故障预测方法及系统 | |
CN112581177B (zh) | 结合自动特征工程及残差神经网络的营销预测方法 | |
CN114449569B (zh) | 用户流量使用量处理方法、网络设备及业务处理系统 | |
CN115277789A (zh) | 一种梯级水电站安全防护系统及方法 | |
CN115587612A (zh) | 基于自监督超图的网络故障预测方法及装置 | |
CN111586052B (zh) | 一种基于多层级的群智合约异常交易识别方法及识别系统 | |
CN115292361A (zh) | 一种分布式能源异常数据的筛选方法及系统 | |
Christian et al. | Network Traffic Prediction Of Mobile Backhaul Capacity Using Time Series Forecasting | |
CN112637904A (zh) | 负载均衡方法、装置及计算设备 | |
CN111209943A (zh) | 数据融合方法、装置及服务器 | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
CN115361231B (zh) | 基于访问基线的主机异常流量检测方法、系统及设备 | |
CN113269247B (zh) | 投诉预警模型的训练方法、装置、计算机设备及存储介质 |
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 |