CN115913991A - 业务数据预测方法、装置、电子设备及存储介质 - Google Patents
业务数据预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115913991A CN115913991A CN202211426576.5A CN202211426576A CN115913991A CN 115913991 A CN115913991 A CN 115913991A CN 202211426576 A CN202211426576 A CN 202211426576A CN 115913991 A CN115913991 A CN 115913991A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- prediction
- service
- neural network
- 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 67
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 143
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000012937 correction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010295 mobile communication Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及移动通信技术领域,提供一种业务数据预测方法、装置、电子设备及存储介质,方法包括:获取初始业务数据,从初始业务数据中任意选取第一数据,将初始业务数据输入到RBM网络中进行特征提取,得到第一业务特征数据,将其输入到BP神经网络中进行预测,得到第一预测数据,利用第一预测数据替换掉第一数据,得到第二数据;将第二数据输入到RBM网络中进行特征提取,得到第二业务特征数据,将其输入到BP神经网络中进行预测,得到第二预测数据;对比第二预测数据与第一数据,得到对比结果,基于对比结果优化RBM网络和BP神经网络的参数,利用优化后的RBM网络和BP神经网络进行业务数据的预测,这样,可以实现矫正模型参数,提高模型参数更新的稳定性。
Description
技术领域
本申请涉及移动通信技术领域,尤其涉及一种业务数据预测方法、装置、电子设备及存储介质。
背景技术
随着信息技术的发展,越来越多的场景中涉及到数据预测,如在未来的第五代移动通信技术(5th Generation Mobile Communication Technology,5G)网络中涌现出的多种应用场景,包括三大典型应用场景分别为增强移动宽带、大规模机器类型通信和超高可靠低时延通信,需要根据当前业务数据,提取业务数据特征,预测未来业务数据的变化趋势,从而实现对网络切片的调度。
现有技术中,可以基于公有-专有特征联合学习预测模型进行业务数据的预测,该公有-专有特征联合学习预测模型包括公有特征预测模块、专有特征预测模块和融合器模块三个子模块,具体的,公有特征预测模块通过联合学习获得各小区业务的整体分布趋势,相应的,专有特征预测模块通过本地训练学习到业务分布的特异性,进一步的,融合器模块将上述两个子模块的预测结果进行融合,得到融合的业务特征数据。
但是,由于运营商的场景较多,专有特征预测模块提取业务特征数据较为困难,且在数据缺失的情况下,公有特征预测模块和专有特征预测模块对应的预测结果可能会存在无法融合的现象,使得模型参数的更新不稳定。
发明内容
本申请提供一种业务数据预测方法、装置、电子设备及存储介质,用于解决由于运营商的场景较多,提取业务特征数据较为困难,且在数据缺失的情况下,模型参数更新不稳定的问题。
第一方面,本申请提供一种业务数据预测方法,所述方法包括:
获取初始业务数据,并从所述初始业务数据中任意选取第一数据,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据;
将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用所述第一预测数据替换掉所述初始业务数据中的第一数据,得到第二数据;
将所述第二数据输入到所述RBM网络中进行特征提取,得到第二业务特征数据,并将所述第二业务特征数据输入到所述BP神经网络中进行预测,得到第二预测数据;
对比所述第二预测数据与所述第一数据,得到对比结果,并基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,利用优化后的RBM网络和BP神经网络进行业务数据的预测。
可选的,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据,包括:
对受限玻尔兹曼机RBM网络的每层神经网络对应的参数进行初始化设置,得到N层初始神经网络,所述N层初始神经网络对应特征提取顺序,N为大于2的正整数;
将所述初始业务数据输入到所述N层初始神经网络中,并基于所述特征提取顺序依次进行特征提取,得到第一业务特征数据。
可选的,将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,包括:
分别对反向传播BP神经网络的输入层、隐含层以及输出层对应的参数进行初始化设置,得到第一输入层、第一隐含层以及第一输出层;
获取所述第一输入层到所述第一隐含层对应的第一权重值、所述第一隐含层到所述第一输出层对应的第二权重值;
将所述第一业务特征数据输入到所述第一输入层,并基于所述第一权重值和所述第二权重值计算得到第一预测数据。
可选的,基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,包括:
判断所述对比结果是否满足预设条件;
若是,则获取所述RBM网络和所述BP神经网络对应的参数,并利用所述参数优化所述RBM网络和所述BP神经网络;
若否,则修正所述RBM网络和所述BP神经网络对应的参数,并利用修正参数后的RBM网络和BP神经网络再次进行业务数据的处理,直至得到的对比结果满足预设条件。
可选的,利用修正参数后的RBM网络和BP神经网络再次进行业务数据的处理,直至得到的对比结果满足预设条件,包括:
从所述第二数据中任意选取第三数据,并将所述第二数据输入到修正参数后的RBM网络中进行特征提取,得到第三业务特征数据;
将所述第三业务特征数据输入到修正参数后的BP神经网络中进行预测,得到第三预测数据,并利用所述第三预测数据替换掉所述第二数据中的第三数据,得到第四数据;
对比所述第三预测数据与所述第三数据,得到对比结果,并判断所述对比结果是否满足预设条件。
可选的,利用优化后的RBM网络和BP神经网络进行业务数据的预测,包括:
获取经过优化后的RBM网络和BP神经网络,并将所述初始业务数据依次输入到经过优化后的RBM网络和BP神经网络中进行业务数据的预测,得到预测结果。
可选的,所述方法还包括:
针对调度周期内的每个网络切片,获取所述网络切片对应的初始业务数据,并基于优化后的RBM网络和BP神经网络和所述初始业务数据进行业务数据的预测;
获取每个网络切片对应的预测结果,并基于所述预测结果确定被调度的目标网络切片,利用所述目标网络切片进行业务数据的传输。
第二方面,本申请还提供一种业务数据预测装置,所述装置包括:
第一输入模块,用于获取初始业务数据,并从所述初始业务数据中任意选取第一数据,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据;
第二输入模块,用于将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用所述第一预测数据替换掉所述初始业务数据中的第一数据,得到第二数据;
第三输入模块,用于将所述第二数据输入到所述RBM网络中进行特征提取,得到第二业务特征数据,并将所述第二业务特征数据输入到所述BP神经网络中进行预测,得到第二预测数据;
优化模块,用于对比所述第二预测数据与所述第一数据,得到对比结果,并基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,利用优化后的RBM网络和BP神经网络进行业务数据的预测。
第三方面,本申请还提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面中任一项所述的方法。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
综上所述,本申请提供一种业务数据预测方法、装置、电子设备及存储介质,可以通过获取初始业务数据,并从初始业务数据中任意选取第一数据,将初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据;进一步的,将第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用第一预测数据替换掉初始业务数据中的第一数据,得到第二数据;进一步的,将第二数据输入到RBM网络中进行特征提取,得到第二业务特征数据,并将第二业务特征数据输入到BP神经网络中进行预测,得到第二预测数据;进一步的,通过对比第二预测数据与第一数据,得到对比结果,并基于对比结果优化RBM网络和BP神经网络对应的参数,进而可以利用优化后的RBM网络和BP神经网络进行业务数据的预测,使得模型参数得到不断优化,通过采用反馈的方法不断迭代,实现矫正模型参数,提高模型参数更新的稳定性。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种应用场景示意图;
图2为提供的一种预测模型的框架示意图;
图3为本申请实施例提供的一种业务数据预测方法的流程示意图;
图4为本申请实施例提供的一种RBM网络的结构示意图;
图5为本申请实施例提供的一种基于多层RBM网络提取业务特征数据的结构示意图;
图6为本申请实施例提供的一种基于BP神经网络进行业务预测的结构示意图;
图7为本申请实施例提供的一种优化模型参数的流程示意图;
图8为本申请实施例提供的一种业务数据预测方法的技术路线图;
图9为本申请实施例提供的一种业务数据预测装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一设备和第二设备仅仅是为了区分不同的设备,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在未来的5G网络中将涌现出多种应用场景,其中三大典型应用场景分别为增强移动宽带(Enhanced Mobile Broadband,eMBB)、大规模机器类型通信(Massive MachineType of Communication,mMTC)和超高可靠低时延通信(Ultra-Reliable Low-LatencyCommunications,uRLLC),不同的应用场景在移动性、安全性、时延和可靠性等方面要求各不相同,而现有网络难以满足所有应用场景的需求,若为不同应用场景构建多个不同的物理网络又不太现实,因为会产生的巨大成本,因此,可以基于网络切片适应不同的应用场景的需求。
网络切片是在一个物理基础设施上,利用软件定义网络(Software DefinedNetwork,SDN)和网络功能虚拟化(Network Functions Virtualization,NFV)等技术,按需构建的网络切片,不同的网络切片之间相互隔离,任何一个网络切片的拥塞、过载、配置的调整不影响其它的网络切片,因此,根据不同的业务和应用场景的特征创建不同的网络切片,并使用恰当的资源分配方式、控制管理机制和运营策略,可以实现不同的网络架构,从而保证应用场景的性能要求,提高用户体验和网络资源利用率,具体的,可以根据当前业务数据,提取业务数据特征,预测未来业务数据的变化趋势,从而实现网络切片调度。
下面结合附图对本申请实施例进行介绍。图1为本申请实施例提供的一种应用场景示意图,本申请提供的一种业务数据预测方法可以应用于如图1所示的应用场景中。该应用场景包括:小区101、基站102和业务数据处理平台103;具体的,业务数据处理平台103可以从基站102中获取小区101对应的业务数据如流量数据,进一步的,业务数据处理平台103可以利用业务预测自适应更新的算法对小区101的流量数据进行非线性拟合,即将流量数据输入到受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)网络中,快速获取流量数据的特征,并将特征输入到反向传播(Back Propagation,BP)神经网络中预测,得到预测数据,进一步的,将预测数据作为输入,经过RBM网络和BP神经网络再次得到预测数据,并跟原始流量数据作对比得到残差,根据残差优化RBM网络和BP神经网络的参数,进一步的,利用优化后的RBM网络和BP神经网络进行业务数据的预测,得到小区101的预测结果,该预测结果为网络切片调度提供依据,以应对不同通信业务对网络性能的不同应用场景的需求。
这样,采用上述误差反馈的方法不断迭代,可以实现对模型参数的矫正,减少由于数据缺失所产生的无法确定参数的问题,业务预测自适应更新的算法还可以提高对小区的业务数据处理的随机性和确实性,当存在数据缺失时,及时提取的特征存在一定的差距,也可以实现对模型参数的更新。
一种可能的实现方式中,在对特征进行提取后,可以结合深度学习的方法对业务量进行预测,例如,可以基于公有-专有特征联合学习预测模型进行业务数据的预测,其中,公有特征适合联盟学习,专有特征适合本地学习,该公有-专有特征联合学习预测模型包括公有特征预测模块、专有特征预测模块和融合器模块三个子模块,具体的,各小区对应的公有特征预测模块通过联合学习获得各小区业务的整体分布趋势,而各小区对应的专有特征预测模块通过本地训练学习到业务分布的特异性,进一步的,融合器模块将上述两个子模块的预测结果进行融合,得到融合的业务特征数据,提高了模型的有效性。
具体的,图2为提供的一种预测模型的框架示意图;如图2所示,该预测模型对应为公有-专有特征联合学习预测模型,具体的,边缘服务器模块获取各小区的业务数据,并利用公有-专有特征联合学习预测模型对业务数据进行处理,并将处理结果发送到中央控制器模块,中央控制器模块基于获取的多个边缘服务器模块的处理结果进行参数更新,并与边缘服务器模块进行参数交互,如ω1和g、ω2和g、ωn-1和g等的参数交互过程,进一步的,边缘服务器模块基于该参数交互过程进行本地参数的更新,中央控制器模块基于公式进行全局参数的更新;其中,通过公有-专有特征联合学习预测模型对业务数据进行处理的过程包括公有特征预测模块对公有特征的训练以及专有特征预测模块对私有特征的训练,进而通过融合器模块将训练结果进行融合,得到融合的业务特征数据。
但是,由于运营商的应用场景很多,小区的专有特征预测模块提取业务特征数据不容易实现,因为对于一些业务量很小的小区如在很多时间点没有数据的小区,存在数据缺失的问题,在数据缺失的情况下,公有特征与专有特征训练的时候,存在无法融合的现象,使得模型参数的更新不稳定。
针对上述问题,本申请提出了一种业务数据预测方法,可以通过RBM网络进行业务数据的特征提取,然后通过BP神经网络形成业务预测,得到预测数据,进一步的,将预测出来的数据作为输入,经过RBM网络和BP神经网络的再次预测,得到原始数据的预测值,利用该预测值与原始数据作对比得到残差,进一步的,根据残差优化模型的参数,以此迭代,使得模型参数得到不断优化,进而选取最优模型进行业务数据的预测,得到的预测结果,为合理的切片调度提供了依据,还使得预测的准确度提高,上述方法采用误差反馈的方法不断迭代,实现了对模型参数的矫正,减少由于数据缺失所产生的模型参数的更新不稳定的问题的发生。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图3为本申请实施例提供的一种业务数据预测方法的流程示意图,如图3所示,所述业务数据预测方法包括如下步骤:
S301、获取初始业务数据,并从所述初始业务数据中任意选取第一数据,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据。
本申请实施例中,RBM网络是一种可通过输入数据集,学习概率分布的随机生成型神经网络,为一种描述多元随机变量之间条件独立关系的概率模型,图4为本申请实施例提供的一种RBM网络的结构示意图,如图4所示,RBM网络由两层神经元构成,第一层为可视层,第二层为隐藏层,其中,可视层b由t个可见节点组成,分别为(h1,h2,…hm),隐藏层c由m个隐藏节点组成,分别为(a1,a2,…at),w为t×m阶的可见节点和隐藏节点的权值矩阵。
具体的,可视层的可见节点的偏置为:b=(b1,b2,…bt),隐藏层的隐藏节点的偏置为:c=(c1,c2,…cm),则通过公式1可以计算可见节点到隐藏节点的隐藏节点值,通过公式2可以计算隐藏节点到可视节点的节点值,公式1如下所示:
公式2如下所示:
这样,基于公式1和公式2通过一定周期的训练,可以快速训练出RBM网络对应的参数(w,c,b),从而可以针对实时的业务数据进行特征提取。
需要说明的是,第一业务特征数据可以指的是隐含层对应的各神经元得出的向量。
在本步骤中,可以通过获取初始业务数据如(a1,a2,…at),并将该初始业务数据输入到RBM网络中进行特征提取,得到第一业务特征数据如三个特征向量(z1,z2)、(z3,z4)、(z5,z6),其中,还需要从该初始业务数据中任意选取第一数据如a1,所述第一数据为初始业务数据中的任意值。
S302、将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用所述第一预测数据替换掉所述初始业务数据中的第一数据,得到第二数据。
本申请实施例中,BP神经网络包括输入层、隐含层和输出层,所述输入层对应输入的信息,所述隐含层中每一个节点用于接收输入层的不同权重,并通过控制权重的方法进行加权计算,所述输出层负责输出结果,即输出层的神经元根据隐含层的特征与权重的结果进行加权后,得出识别结果,即第一预测数据。
在本步骤中,基于S301获取到的三个特征向量(z1,z2)、(z3,z4)、(z5,z6)和任意选取的第一数据a1,将该三个特征向量输入到BP神经网络进行预测,得到第一预测数据如at+1,并利用at+1替换掉(a1,a2,…at)中的a1,得到(a2,a3,…at+1)。
S303、将所述第二数据输入到所述RBM网络中进行特征提取,得到第二业务特征数据,并将所述第二业务特征数据输入到所述BP神经网络中进行预测,得到第二预测数据。
在本步骤中,基于S302得到的第二数据(a2,a3,…at+1),将该第二数据输入到RBM网络中进行特征提取,得到第二业务特征数据如三个特征向量(v1,v2)、(v3,v4)、(v5,v6),并将(v1,v2)、(v3,v4)、(v5,v6)输入到BP神经网络进行预测,得到第二预测数据如
S304、对比所述第二预测数据与所述第一数据,得到对比结果,并基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,利用优化后的RBM网络和BP神经网络进行业务数据的预测。
在本步骤中,基于S301-S303中的第二预测数据与第一数据a1,将和a1做对比得到残差,进一步的,将该残差反馈给RBM网络和BP神经网络,使RBM网络和BP神经网络基于该残差优化整个模型(即RBM网络和BP神经网络)的参数,进一步的,还需判断该残差是否满足预设条件,如预设条件为小于预设阈值,若不满足,则继续执行S301-S304,直至得到的对比结果满足预设条件,若满足,则利用优化后的RBM网络和BP神经网络进行业务数据的预测。
需要说明的是,若再次继续执行S301-S304,则获取的初始业务数据为上一次执行S301-S304时对应的第二数据,且本申请实施例对设置的预设条件以及预设阈值对应的具体数值不做限定,在上述实施例中,初始业务数据、第一数据、第一业务特征数据、第一预测数据、第二数据、第二业务特征数据、第二预测数据对应的内容仅是示例说明,本申请对此不做具体限定。
因此,本申请提供一种业务数据预测方法,可以通过获取初始业务数据,并从初始业务数据中任意选取第一数据,将初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据;进一步的,将第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用第一预测数据替换掉初始业务数据中的第一数据,得到第二数据;进一步的,将第二数据输入到RBM网络中进行特征提取,得到第二业务特征数据,并将第二业务特征数据输入到BP神经网络中进行预测,得到第二预测数据;进一步的,通过对比第二预测数据与第一数据,得到对比结果,并基于对比结果优化RBM网络和BP神经网络对应的参数,进而可以利用优化后的RBM网络和BP神经网络进行业务数据的预测,使得模型参数得到不断优化,通过采用反馈的方法不断迭代,实现矫正模型参数,提高模型参数更新的稳定性。
可选的,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据,包括:
对受限玻尔兹曼机RBM网络的每层神经网络对应的参数进行初始化设置,得到N层初始神经网络,所述N层初始神经网络对应特征提取顺序,N为大于2的正整数;
将所述初始业务数据输入到所述N层初始神经网络中,并基于所述特征提取顺序依次进行特征提取,得到第一业务特征数据。
本申请实施例中,对RBM网络的每层神经网络对应的参数进行初始化设置可以指的是对一个深层BP网络权值参数的初始化的过程,其中,本申请实施例对RBM网络包括的神经网络的层数不做具体限定。
在本步骤中,图5为本申请实施例提供的一种基于多层RBM网络提取业务特征数据的结构示意图,如图5所示,从底层到高层训练每层RBM,使特征向量映射到不同特征空间时可以保留尽可能多的原始特征信息。
具体的,将RBM网络的每层神经网络对应参数初始化,即若RBM网络有L层RBM神经网络,自底向上,每层节点到上一层节点的权重矩阵分别为:W0,W1,...,WL-2,偏置分别为:(b1,b2,…bt),最底层对应的可见层的输入数据(业务数据)为:A0=(a1,a2,...,at),则可以通过公式3计算第二层的第j个神经元的输出,公式3如下所示:
因此,以公式3可计算出第二层的所有神经元的输出,进一步的,将第二层神经元的所有输出作为输入再计算下一层神经元的输出,由于数据从底层向上层逐层传输,以此类推,可以基于公式4计算出对于第l层的第j个神经元的输出为:
其中,ai表示l-1层的第i个神经元的输出,即为p(h(l-1)i=1)。
由于RBM网络共有L层,则最后一层隐藏层的第j个神经元的输出可以通过公式5计算得出,即基于公式5计算得出第一业务特征数据,分别为(hL1,hL2,...,hLj,...,hLn),公式5如下所示:
其中,ai=p(h(l-1)i=1)。
需要说明的是,每一层RBM网络对应的自身层内的权值与该层特征向量映射可以达到最优。
因此,本申请实施例基于RBM网络获取数据的特征,RBM网络在获取特征方面相较于其他特征提取器具有很多优点,如具有很好拟合非线性的优势,可以快速获取业务数据的特征,以及快速提取初始业务数据在特征上的差距等。
可选的,将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,包括:
分别对反向传播BP神经网络的输入层、隐含层以及输出层对应的参数进行初始化设置,得到第一输入层、第一隐含层以及第一输出层;
获取所述第一输入层到所述第一隐含层对应的第一权重值、所述第一隐含层到所述第一输出层对应的第二权重值;
将所述第一业务特征数据输入到所述第一输入层,并基于所述第一权重值和所述第二权重值计算得到第一预测数据。
本申请实施例中,对BP神经网络的输入层、隐含层以及输出层对应的参数进行初始化设置可以指的是对BP神经网络的输入层、隐含层以及输出层对应的神经网络权重进行初始化的过程。
在本步骤中,图6为本申请实施例提供的一种基于BP神经网络进行业务预测的结构示意图,如图6所示,以多层RBM网络的输出结果作为BP神经网络的输入为例,则输入层的输入数据为:H0=(hL1,hL2,...,hLj,...,hLn),偏置为b1,隐含层神经元个数为m,偏置为b2,隐含层对应的输出数据为:C0=(c1,c2,...,cm),输入层到隐含层的权重值为W111,W112,...,W1nm,隐含层到输出层的权重值为:W21,W22,W2m。
具体的,可以通过初始化BP神经网络的网络参数的设置,得到相应的输入层、隐含层和输出层,进一步的,获取输入层到隐含层的权重值以及隐含层到输出层的权重值,则有隐含层第j个神经元对应的输入为:进一步的,使用公式6计算隐含层第j个神经元的输出,公式6为激活函数,公式6如下所示:
进一步的,对于隐含层到输出层,即利用公式7计算得到第一预测数据,公式7如下所示:
因此,本申请实施例基于BP神经网络计算预测数据,可以快速拟合业务数据的变化趋势,提高处理速率。
可选的,基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,包括:
判断所述对比结果是否满足预设条件;
若是,则获取所述RBM网络和所述BP神经网络对应的参数,并利用所述参数优化所述RBM网络和所述BP神经网络;
若否,则修正所述RBM网络和所述BP神经网络对应的参数,并利用修正参数后的RBM网络和BP神经网络再次进行业务数据的处理,直至得到的对比结果满足预设条件。
本申请实施例中,预设条件可以指的是提前设定的用于确定对比结果达到设定要求,以使不再进行迭代,所述预设条件可以设置为残差小于预设阈值或者迭代次数达到最大迭代次数等,所述残差为第二预测数据与第一数据的差值,所述迭代次数指的是经过RBM网络和BP神经网络得到预测值的执行次数,本申请实施例对设定的预设阈值以及最大迭代次数对应的具体数值不做限定。
在本步骤中,图7为本申请实施例提供的一种优化模型参数的流程示意图,如图7所示,经过上述S301-S302的RBM网络的特征提取和BP神经网络的预测得到一个预测数据即第一预测数据at+1,进一步的,利用at+1替换掉(a1,a2,…at)中的a1,得到(a2,a3,…at+1)作为输入数据重新过经过RBM网络和BP神经网络的到第二预测数据将和a1做对比得到残差再将该残差投喂给RBM网络和BP神经网络,让其基于该残差优化整个模型参数,相应的,判断该残差是否小于预设阈值,若否,则以此类推,进行迭代循环,不断修正优化模型参数,直至残差小于预设阈值,若是,则确定此次优化的模型参数为最优的,即可以得到最优的RBM网络和所述BP神经网络。
因此,整个模型可以通过自身调整参数的方式来进行优化,达到一个比较好的预测效果,本申请实施例通过校正模型的参数,满足在线数据动态变化的预测,大大提升了业务数据预测的自适应性。
可选的,利用修正参数后的RBM网络和BP神经网络再次进行业务数据的处理,直至得到的对比结果满足预设条件,包括:
从所述第二数据中任意选取第三数据,并将所述第二数据输入到修正参数后的RBM网络中进行特征提取,得到第三业务特征数据;
将所述第三业务特征数据输入到修正参数后的BP神经网络中进行预测,得到第三预测数据,并利用所述第三预测数据替换掉所述第二数据中的第三数据,得到第四数据;
对比所述第三预测数据与所述第三数据,得到对比结果,并判断所述对比结果是否满足预设条件。
本申请实施例中,第三数据与第一数据类似,均是随机取的任意值,但是该第三数据是从第二数据中获取的,以此类推,在不断进行迭代循环的过程中,第二数据是变化的,如第三数据为第二数据(a2,a3,…at+1)中的a2,下一次可以为a3。
在本步骤中,为在执行业务数据预测方法对应的迭代循环的过程,即对应重复执行S301-S304的过程,具体的,将预测出来的数据作为输入,经过RBM网络和BP神经网络得到预测值,再跟原始数据作对比得到残差,模型再根据残差优化参数,以此重复迭代,直至得到的对比结果满足预设条件,采用误差反馈的方法来校正模型的参数。
需要说明的是,对比所述第三预测数据与所述第三数据,得到对比结果,具体对比的内容为:对比所述第四数据中的第三预测数据与所述第二数据中的第三数据,得到对比结果,即经过RBM网络和BP神经网络得到预测值,与原始数据中相应的某值作对比得到残差,如得到的预测值为则与原始数据中的a3相减得到残差;其中,所述第四数据用于下一次的业务数据的处理。
因此,本申请实施例可以将模型参数进行不断优化,直至得到最优模型,使得预测准确度也越来越高。
可选的,利用优化后的RBM网络和BP神经网络进行业务数据的预测,包括:
获取经过优化后的RBM网络和BP神经网络,并将所述初始业务数据依次输入到经过优化后的RBM网络和BP神经网络中进行业务数据的预测,得到预测结果。
在本步骤中,利用经过优化后的RBM网络和BP神经网络中进行业务数据的预测,得到预测结果,可以为网络切片调度提供依据,以应对不同通信业务对网络性能的不同需求,即不同的网络切片可以满足不同的应用场景的需求,可以降低网络运营花费成本,丰富网络运营模式。
因此,相较于利用传统单一的算法,比如回归分析或者BP神经网络来预测结果,本申请实施例利用优化后的RBM网络和BP神经网络进行结果预测,RBM网络和BP神经网络相互结合,可以有效应对业务随机性和周期性,提高预测的精度和稳定性。
可选的,所述方法还包括:
针对调度周期内的每个网络切片,获取所述网络切片对应的初始业务数据,并基于优化后的RBM网络和BP神经网络和所述初始业务数据进行业务数据的预测;
获取每个网络切片对应的预测结果,并基于所述预测结果确定被调度的目标网络切片,利用所述目标网络切片进行业务数据的传输。
本申请实施例中,调度周期的设定用于保证每次业务数据的传输在合理的期限内运行,本申请实施例对调度周期对应的具体数值不做限定,
在本步骤中,获取每个网络切片对应的预测结果,并基于预测结果确定被调度的目标网络切片,进而利用目标网络切片进行业务数据的传输,其中,网络切片是将一个物理网络切割成多个虚拟的端到端的网络,目标网络切片即为多个端到端的网络中最优的网络切片。
需要说明的是,基于预测结果确定被调度的目标网络切片的方法,可以为查找所有预测结果中的最优值,如最大值、最小值,所述最优值根据应用场景设定,本申请实施例对确定被调度的目标网络切片的方法不做具体限定。
因此,本申请实施例可以通过选择合适的网络切片,保证应用场景的性能要求,提高用户体验和网络资源利用率。
结合上述实施例,图8为本申请实施例提供的一种业务数据预测方法的技术路线图,如图8所示,获取业务数据(a1,a2,…at),将(a1,a2,…at)输入到RBM网络中,经过RBM网络进行业务数据特征提取,进一步的,经过BP神经网络进行业务预测,得到一个预测数据at+1,进一步的,将业务数据(a1,a2,a3,…at+1)输入到RBM网络中,其中,选取(a1,a2,…at)中的a1作为比对数据,(a2,a3,…at+1)经过RBM网络进行业务数据特征提取,进一步的,经过BP神经网络进行业务预测,得到a1对应的预测数据即可以得到业务数据进一步的,将和原始数据中的a1做对比得到残差并将残差投喂给RBM网络和BP神经网络进行参数修正,让其优化整个模型参数,以此类推,进行迭代循环,不断修改优化模型参数,直至残差小于一定值或者达到最大迭代次数。
因此,本申请实施例通过采用RBM网络获取数据的特征,可以进行有效的特征提取,在业务数据的特征输入BP神经网络后,还可以快速拟合未来的业务数据的变化趋势,大大提升RBM网络和BP神经网络在进行业务预测的精度。
在前述实施例中,对本申请实施例提供的业务数据预测方法进行了介绍,而为了实现上述本申请实施例提供的方法中的各功能,作为执行主体的电子设备可以包括硬件结构和/或软件模块,以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行,取决于技术方案的特定应用和设计约束条件。
例如,图9为本申请实施例提供的一种业务数据预测装置的结构示意图,如图9所示,该装置包括:第一输入模块910、第二输入模块920、第三输入模块930和优化模块940;其中,所述第一输入模块910,用于获取初始业务数据,并从所述初始业务数据中任意选取第一数据,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据;
所述第二输入模块920,用于将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用所述第一预测数据替换掉所述初始业务数据中的第一数据,得到第二数据;
所述第三输入模块930,用于将所述第二数据输入到所述RBM网络中进行特征提取,得到第二业务特征数据,并将所述第二业务特征数据输入到所述BP神经网络中进行预测,得到第二预测数据;
所述优化模块940,用于对比所述第二预测数据与所述第一数据,得到对比结果,并基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,利用优化后的RBM网络和BP神经网络进行业务数据的预测。
可选的,所述第一输入模块910,具体用于:
对受限玻尔兹曼机RBM网络的每层神经网络对应的参数进行初始化设置,得到N层初始神经网络,所述N层初始神经网络对应特征提取顺序,N为大于2的正整数;
将所述初始业务数据输入到所述N层初始神经网络中,并基于所述特征提取顺序依次进行特征提取,得到第一业务特征数据。
可选的,所述第二输入模块920,具体用于:
分别对反向传播BP神经网络的输入层、隐含层以及输出层对应的参数进行初始化设置,得到第一输入层、第一隐含层以及第一输出层;
获取所述第一输入层到所述第一隐含层对应的第一权重值、所述第一隐含层到所述第一输出层对应的第二权重值;
将所述第一业务特征数据输入到所述第一输入层,并基于所述第一权重值和所述第二权重值计算得到第一预测数据。
可选的,所述优化模块940包括判断单元、优化单元、修正单元和预测单元;
具体的,所述判断单元,用于判断所述对比结果是否满足预设条件;
所述优化单元,用于当所述对比结果满足预设条件时,获取所述RBM网络和所述BP神经网络对应的参数,并利用所述参数优化所述RBM网络和所述BP神经网络;
所述修正单元,用于当所述对比结果不满足预设条件时,修正所述RBM网络和所述BP神经网络对应的参数,并利用修正参数后的RBM网络和BP神经网络再次进行业务数据的处理,直至得到的对比结果满足预设条件。
可选的,所述修正单元,具体用于:
从所述第二数据中任意选取第三数据,并将所述第二数据输入到修正参数后的RBM网络中进行特征提取,得到第三业务特征数据;
将所述第三业务特征数据输入到修正参数后的BP神经网络中进行预测,得到第三预测数据,并利用所述第三预测数据替换掉所述第二数据中的第三数据,得到第四数据;
对比所述第三预测数据与所述第三数据,得到对比结果,并判断所述对比结果是否满足预设条件。
可选的,所述预测单元,用于:
获取经过优化后的RBM网络和BP神经网络,并将所述初始业务数据依次输入到经过优化后的RBM网络和BP神经网络中进行业务数据的预测,得到预测结果。
可选的,所述装置还包括调度模块,所述调度模块,用于:
针对调度周期内的每个网络切片,获取所述网络切片对应的初始业务数据,并基于优化后的RBM网络和BP神经网络和所述初始业务数据进行业务数据的预测;
获取每个网络切片对应的预测结果,并基于所述预测结果确定被调度的目标网络切片,利用所述目标网络切片进行业务数据的传输。
本申请实施例提供的业务数据预测装置的具体实现原理和效果可以参见上述实施例对应的相关描述和效果,此处不做过多赘述。
本申请实施例还提供了一种电子设备的结构示意图,图10为本申请实施例提供的一种电子设备的结构示意图,如图10所示,该电子设备可以包括:处理器1001以及与所述处理器通信连接的存储器1002;该存储器1002存储计算机程序;该处理器1001执行该存储器1002存储的计算机程序,使得该处理器1001执行上述任一实施例所述的方法。
其中,存储器1002和处理器1001可以通过总线1003连接。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序执行指令,计算机执行指令被处理器执行时用于实现如本申请前述任一实施例中的所述的方法。
本申请实施例还提供了一种运行指令的芯片,该芯片用于执行如本申请前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
本申请实施例还提供了一种计算机程序产品,该程序产品包括计算机程序,该计算机程序被处理器执行时可实现如本申请前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速随机存取存储器(Random Access memory,简称RAM),也可能还包括非不稳定的存储器(Non-volatile Memory,简称NVM),例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
以上所述,仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何在本申请实施例揭露的技术范围内的变化或替换,都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种业务数据预测方法,其特征在于,所述方法包括:
获取初始业务数据,并从所述初始业务数据中任意选取第一数据,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据;
将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用所述第一预测数据替换掉所述初始业务数据中的第一数据,得到第二数据;
将所述第二数据输入到所述RBM网络中进行特征提取,得到第二业务特征数据,并将所述第二业务特征数据输入到所述BP神经网络中进行预测,得到第二预测数据;
对比所述第二预测数据与所述第一数据,得到对比结果,并基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,利用优化后的RBM网络和BP神经网络进行业务数据的预测。
2.根据权利要求1所述的方法,其特征在于,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据,包括:
对受限玻尔兹曼机RBM网络的每层神经网络对应的参数进行初始化设置,得到N层初始神经网络,所述N层初始神经网络对应特征提取顺序,N为大于2的正整数;
将所述初始业务数据输入到所述N层初始神经网络中,并基于所述特征提取顺序依次进行特征提取,得到第一业务特征数据。
3.根据权利要求2所述的方法,其特征在于,将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,包括:
分别对反向传播BP神经网络的输入层、隐含层以及输出层对应的参数进行初始化设置,得到第一输入层、第一隐含层以及第一输出层;
获取所述第一输入层到所述第一隐含层对应的第一权重值、所述第一隐含层到所述第一输出层对应的第二权重值;
将所述第一业务特征数据输入到所述第一输入层,并基于所述第一权重值和所述第二权重值计算得到第一预测数据。
4.根据权利要求1所述的方法,其特征在于,基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,包括:
判断所述对比结果是否满足预设条件;
若是,则获取所述RBM网络和所述BP神经网络对应的参数,并利用所述参数优化所述RBM网络和所述BP神经网络;
若否,则修正所述RBM网络和所述BP神经网络对应的参数,并利用修正参数后的RBM网络和BP神经网络再次进行业务数据的处理,直至得到的对比结果满足预设条件。
5.根据权利要求4所述的方法,其特征在于,利用修正参数后的RBM网络和BP神经网络再次进行业务数据的处理,直至得到的对比结果满足预设条件,包括:
从所述第二数据中任意选取第三数据,并将所述第二数据输入到修正参数后的RBM网络中进行特征提取,得到第三业务特征数据;
将所述第三业务特征数据输入到修正参数后的BP神经网络中进行预测,得到第三预测数据,并利用所述第三预测数据替换掉所述第二数据中的第三数据,得到第四数据;
对比所述第三预测数据与所述第三数据,得到对比结果,并判断所述对比结果是否满足预设条件。
6.根据权利要求1所述的方法,其特征在于,利用优化后的RBM网络和BP神经网络进行业务数据的预测,包括:
获取经过优化后的RBM网络和BP神经网络,并将所述初始业务数据依次输入到经过优化后的RBM网络和BP神经网络中进行业务数据的预测,得到预测结果。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
针对调度周期内的每个网络切片,获取所述网络切片对应的初始业务数据,并基于优化后的RBM网络和BP神经网络和所述初始业务数据进行业务数据的预测;
获取每个网络切片对应的预测结果,并基于所述预测结果确定被调度的目标网络切片,利用所述目标网络切片进行业务数据的传输。
8.一种业务数据预测装置,其特征在于,所述装置包括:
第一输入模块,用于获取初始业务数据,并从所述初始业务数据中任意选取第一数据,将所述初始业务数据输入到受限玻尔兹曼机RBM网络中进行特征提取,得到第一业务特征数据;
第二输入模块,用于将所述第一业务特征数据输入到反向传播BP神经网络中进行预测,得到第一预测数据,并利用所述第一预测数据替换掉所述初始业务数据中的第一数据,得到第二数据;
第三输入模块,用于将所述第二数据输入到所述RBM网络中进行特征提取,得到第二业务特征数据,并将所述第二业务特征数据输入到所述BP神经网络中进行预测,得到第二预测数据;
优化模块,用于对比所述第二预测数据与所述第一数据,得到对比结果,并基于所述对比结果优化所述RBM网络和所述BP神经网络对应的参数,利用优化后的RBM网络和BP神经网络进行业务数据的预测。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426576.5A CN115913991A (zh) | 2022-11-15 | 2022-11-15 | 业务数据预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426576.5A CN115913991A (zh) | 2022-11-15 | 2022-11-15 | 业务数据预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115913991A true CN115913991A (zh) | 2023-04-04 |
Family
ID=86475738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211426576.5A Pending CN115913991A (zh) | 2022-11-15 | 2022-11-15 | 业务数据预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115913991A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993025943A2 (en) * | 1992-06-10 | 1993-12-23 | Pavilion Technologies Inc. | Residual activation neural network |
CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 |
CN110046590A (zh) * | 2019-04-22 | 2019-07-23 | 电子科技大学 | 一种基于粒子群优化深度学习特征选择的一维像识别方法 |
CN110766190A (zh) * | 2019-08-08 | 2020-02-07 | 国网浙江省电力有限公司衢州供电公司 | 一种配电网负荷预测方法 |
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
CN113222103A (zh) * | 2020-02-05 | 2021-08-06 | 北京三星通信技术研究有限公司 | 神经网络的更新方法、分类方法和电子设备 |
US20210287100A1 (en) * | 2020-03-11 | 2021-09-16 | The Chinese University Of Hong Kong | Decipherable deep belief network method of feature importance analysis for road safety status prediction |
US20210350203A1 (en) * | 2020-05-07 | 2021-11-11 | Samsung Electronics Co., Ltd. | Neural architecture search based optimized dnn model generation for execution of tasks in electronic device |
CN113837486A (zh) * | 2021-10-11 | 2021-12-24 | 云南电网有限责任公司 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
-
2022
- 2022-11-15 CN CN202211426576.5A patent/CN115913991A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993025943A2 (en) * | 1992-06-10 | 1993-12-23 | Pavilion Technologies Inc. | Residual activation neural network |
CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 |
CN110046590A (zh) * | 2019-04-22 | 2019-07-23 | 电子科技大学 | 一种基于粒子群优化深度学习特征选择的一维像识别方法 |
CN110766190A (zh) * | 2019-08-08 | 2020-02-07 | 国网浙江省电力有限公司衢州供电公司 | 一种配电网负荷预测方法 |
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
CN113222103A (zh) * | 2020-02-05 | 2021-08-06 | 北京三星通信技术研究有限公司 | 神经网络的更新方法、分类方法和电子设备 |
US20210287100A1 (en) * | 2020-03-11 | 2021-09-16 | The Chinese University Of Hong Kong | Decipherable deep belief network method of feature importance analysis for road safety status prediction |
US20210350203A1 (en) * | 2020-05-07 | 2021-11-11 | Samsung Electronics Co., Ltd. | Neural architecture search based optimized dnn model generation for execution of tasks in electronic device |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN113837486A (zh) * | 2021-10-11 | 2021-12-24 | 云南电网有限责任公司 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
RUI WANG等: "A deep belief networks adaptive Kalman filtering algorithm", 2016 7TH IEEE INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE (ICSESS), 23 March 2017 (2017-03-23) * |
张伟等: "融合深度学习与回归残差神经网络的流量预测方法", 万方, 10 November 2022 (2022-11-10) * |
郑毅等: "基于深度信念网络的PM_(2.5)预测", 山东大学学报(工学版), no. 06, 20 December 2014 (2014-12-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963817B2 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
CN110929047B (zh) | 关注邻居实体的知识图谱推理方法和装置 | |
CN110995520B (zh) | 网络流量预测方法、装置、计算机设备及可读存储介质 | |
US11928583B2 (en) | Adaptation of deep learning models to resource constrained edge devices | |
CN113033811A (zh) | 两量子比特逻辑门的处理方法及装置 | |
WO2022227217A1 (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
WO2016095068A1 (en) | Pedestrian detection apparatus and method | |
CN113743594B (zh) | 网络流量预测模型建立方法、装置、电子设备及存储介质 | |
CN111314171A (zh) | 一种sdn路由性能预测和优化的方法、设备及介质 | |
CN114297934A (zh) | 一种基于代理模型的模型参数并行仿真优化方法及装置 | |
CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN108289115B (zh) | 一种信息处理方法及系统 | |
CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
Lim et al. | Reinforcement learning-based virtual network embedding: A comprehensive survey | |
CN106406082B (zh) | 一种系统控制方法、装置,控制器及控制系统 | |
CN113541986A (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN104022937B (zh) | 一种基于细胞型p系统的虚拟网络映射方法 | |
CN115913991A (zh) | 业务数据预测方法、装置、电子设备及存储介质 | |
Luo et al. | Sampling-based adaptive bounding evolutionary algorithm for continuous optimization problems | |
WO2022127603A1 (zh) | 一种模型处理方法及相关装置 | |
Morell et al. | A multi-objective approach for communication reduction in federated learning under devices heterogeneity constraints | |
CN112804304B (zh) | 基于多点输出模型的任务节点分配方法、装置及相关设备 | |
CN111178529B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
KR101617074B1 (ko) | 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치 | |
CN112488831A (zh) | 区块链网络交易方法、装置、存储介质及电子设备 |
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 |