CN116017528A - 流量预测方法、装置及服务器 - Google Patents
流量预测方法、装置及服务器 Download PDFInfo
- Publication number
- CN116017528A CN116017528A CN202211608818.2A CN202211608818A CN116017528A CN 116017528 A CN116017528 A CN 116017528A CN 202211608818 A CN202211608818 A CN 202211608818A CN 116017528 A CN116017528 A CN 116017528A
- Authority
- CN
- China
- Prior art keywords
- flow
- prediction
- historical
- network model
- vector
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种流量预测方法、装置及服务器,涉及网络信息工程技术,该方法包括:获取数据获取指令,并根据数据获取指令获取流量数据序列。通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量;通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量。对第一特征向量和第二特征向量进行融合处理,获取融合向量。对流量数据序列进行回归预测,获取回归残差。根据预设的径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测。本申请的方法,解决了在流量突发和流量不均衡时确定流量数据较难的技术问题。
Description
技术领域
本申请涉及网络信息工程技术,尤其涉及一种流量预测方法、装置及服务器。
背景技术
目前,随着5G行业的蓬勃发展,5G商用逐渐落地,用户需求和业务规模都在快速膨胀,5G的多样化发展离不开网络资源的稳定支持。
现有技术中,为了向用户提供稳定的网络资源,通常是根据用户当前使用的流量数据实时确定网络切片,并根据网络切片向用户提供网络资源。由于当前流量数据的变化较快,导致需要频繁的确定用户当前使用的流量数据并向用户提供网络资源,进而导致用户的业务时延较长。需要无需频繁的实时确定用户当前使用的流量数据,以降低业务时延。
从而,亟需一种可以准确的确定出在流量突发和流量不均衡时的流量数据的方法。
发明内容
本申请提供一种流量预测方法、装置及服务器,用以解决在流量突发和流量不均衡时确定流量数据较难的技术问题。
第一方面,本申请提供一种流量预测方法,包括:
获取数据获取指令,并根据所述数据获取指令获取流量数据序列;
通过预设的卷积神经网络模型对所述流量数据序列进行特征提取处理,获取第一特征向量;并通过预设的长短期记忆网络模型对所述流量数据序列进行特征提取处理,获取第二特征向量;其中,所述卷积神经网络模型和所述长短期记忆网络模型均是根据历史流量序列训练得到的;
对所述第一特征向量和所述第二特征向量进行融合处理,获取融合向量;
对所述流量数据序列进行回归预测,获取回归残差;
根据预设的径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,所述预设的径向基网络模型是根据历史流量序列训练得到的,所述径向基网络模型包括用于预测目标流量信息的目标时刻。
进一步地,所述根据预设的径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息,包括:
基于预设的径向基网络模型中的目标时刻,根据所述径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息;其中,所述目标时刻包括至少一个时刻。
进一步地,对所述流量数据序列进行回归预测,获取回归残差,包括:
对所述流量数据序列进行回归预测,获取初步预测信息,并确定与所述初步预测信息对应的实际值;
根据所述初步预测信息和所述实际值,获取回归残差。
进一步地,所述方法还包括:
获取多个历史流量序列;
根据预设的卷积神经网络模型对所述历史流量序列进行特征提取处理,获取第一历史向量;通过预设的长短期记忆网络模型对所述历史流量序列进行特征提取处理,获取第二历史向量;
对所述第一历史向量和所述第二历史向量进行融合处理,获取历史向量;
对所述历史流量序列进行回归预测,获取历史预测信息,并基于所述历史预测信息、以及与所述历史预测信息对应的历史值,获取历史残差;
基于所述历史残差和所述历史向量,对径向基网络模型进行流量预测训练,确定历史时刻的预测流量信息;
基于所述历史预测信息和所述预测流量信息,确定预测残差;
若确定所述预测残差满足阈值,则确定所述径向基网络模型收敛。
第二方面,本申请提供一种流量预测装置,包括:
第一获取单元,用于获取数据指令指令,并根据所述数据获取指令获取流量数据序列;
第二获取单元,用于通过预设的卷积神经网络模型对所述流量数据序列进行特征提取处理,获取第一特征向量;并通过预设的长短期记忆网络模型对所述流量数据序列进行特征提取处理,获取第二特征向量;其中,所述卷积神经网络模型和所述长短期记忆网络模型均是根据历史流量序列训练得到的;
第一融合单元,用于对所述第一特征向量和所述第二特征向量进行融合处理,获取融合向量;
第三获取单元,用于对所述流量数据序列进行回归预测,获取回归残差;
预测单元,用于根据预设的径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,所述预设的径向基网络模型是根据历史流量序列训练得到的,所述径向基网络模型包括用于预测目标流量信息的目标时刻。
进一步地,所述预测单元,具体用于:
基于预设的径向基网络模型中的目标时刻,根据所述径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息;其中,所述目标时刻包括至少一个时刻。
进一步地,所述第三获取单元,包括:
确定模块,用于对所述流量数据序列进行回归预测,获取初步预测信息,并确定与所述初步预测信息对应的实际值;
获取模块,用于根据所述初步预测信息和所述实际值,获取回归残差。
进一步地,所述装置还包括:
第四获取单元,用于获取多个历史流量序列;
第五获取单元,用于根据预设的卷积神经网络模型对所述历史流量序列进行特征提取处理,获取第一历史向量;通过预设的长短期记忆网络模型对所述历史流量序列进行特征提取处理,获取第二历史向量;
第六获取单元,用于对所述第一历史向量和所述第二历史向量进行融合处理,获取历史向量;
第七获取单元,用于对所述历史流量序列进行回归预测,获取历史预测信息,并基于所述历史预测信息、以及与所述历史预测信息对应的历史值,获取历史残差;
第一确定单元,用于基于所述历史残差和所述历史向量,对径向基网络模型进行流量预测训练,确定历史时刻的预测流量信息;
第二确定单元,用于基于所述历史预测信息和所述预测流量信息,确定预测残差;
第三确定单元,用于若确定所述预测残差满足阈值,则确定所述径向基网络模型收敛。
第三方面,本申请提供一种服务器,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中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第一方面所述的方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述的方法。
本申请提供的一种流量预测方法、装置及服务器,获取数据获取指令,并根据数据获取指令获取流量数据序列。通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量;通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量;其中,卷积神经网络模型和长短期记忆网络模型均是根据历史流量序列训练得到的。对第一特征向量和第二特征向量进行融合处理,获取融合向量。对流量数据序列进行回归预测,获取回归残差。根据预设的径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,预设的径向基网络模型是根据历史流量序列训练得到的,径向基网络模型包括用于预测目标流量信息的目标时刻。本方案中,根据数据获取指令获取流量数据序列,通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量,通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量。然后对第一特征向量和第二特征向量进行融合处理,获取融合向量。对流量数据序列进行回归预测,获取回归残差。最后将融合向量和回归残差均作为预设的径向基网络模型的输入参数,根据预设的径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,进而完成流量预测。所以,在借助关于深度学习的卷积神经网络模型和长短期记忆网络模型,快速对流量数据序列提取特征向量的基础上,融合径向基网络模型对流量数据序列进行预测,确定目标时刻的目标流量信息,极大的提高了在目标时刻的目标流量信息的准确度,能够快速实现流量的拟合,解决了在流量突发和流量不均衡时确定流量数据较难的技术问题。
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。
图1为本申请实施例提供的一种流量预测方法的流程示意图;
图2为本申请实施例提供的另一种流量预测方法的流程示意图;
图3为本申请实施例提供的又一种流量预测方法的流程示意图;
图4为本申请实施例提供的又一种流量预测方法的流程示意图;
图5为本申请实施例提供的再一种流量预测方法的流程示意图;
图6为本申请实施例提供的一种流量预测装置的结构示意图;
图7为本申请实施例提供的另一种流量预测装置的结构示意图;
图8为本申请实施例提供的一种服务器的结构示意图。
通过上述附图,已示出本公开明确的实施例,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公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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公开相一致的所有实施方式。
一个示例中,为了向用户提供稳定的网络资源,通常是根据用户当前使用的流量数据实时确定网络切片,并根据网络切片向用户提供网络资源。由于当前流量数据的变化较快,导致需要频繁的确定用户当前使用的流量数据并向用户提供网络资源,进而导致用户的业务时延较长。需要无需频繁的实时确定用户当前使用的流量数据,以降低业务时延。从而,亟需一种可以准确的确定出在流量突发和流量不均衡时的流量数据的方法。
本申请提供的一种流量预测方法、装置及服务器,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。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1为本申请实施例提供的一种流量预测方法的流程示意图,如图1所示,该方法包括:
步骤101、获取数据获取指令,并根据数据获取指令获取流量数据序列。
示例性地,本实施例的执行主体可以为服务器。首先,需要获取数据获取指令。可以接收其他设备或其他服务器传输的数据获取指令;或者,用户在服务器对应的显示屏上点击数据获取按钮,触发生成数据获取指令,服务器获取该数据获取指令。当服务器获取数据获取指令,可以根据该数据获取指令获取流量数据序列,流量数据序列可以是从多个基站中获取的多个时间点的流量数据。
步骤102、通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量;并通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量;其中,卷积神经网络模型和长短期记忆网络模型均是根据历史流量序列训练得到的。
示例性地,由于卷积神经网络模型(Convolutional Neural Network,CNN)和长短期记忆网络模型(Long Short-Term Memory,LSTM)均是根据历史流量序列训练得到的,服务器可以通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量,并通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量。
举例来说,流量数据序列为矩阵,矩阵的行数为时间点t的个数n,列数为基站的数量,t=1所在的行与第一个基站所在的列的交叉点,为第一个基站在t=1时的流量数据,以此类推,t=n所在的行与第一个基站所在的列的交叉点,为第一个基站在t=n时的流量数据,每一交叉点的流量数据均包括用户体验速率、连接数密度、端到端延时、移动性、流量密度、用户峰值速率、能源效率等20个指标。
将流量数据序列分别输入卷积神经网络模型和长短期记忆网络模型中,在卷积神经网络模型的最后一层输出1*n维的第一特征向量Cr:
步骤103、对第一特征向量和第二特征向量进行融合处理,获取融合向量。
示例性地,图2为本申请实施例提供的另一种流量预测方法的流程示意图,如图2所示,服务器对第一特征向量和第二特征向量进行融合处理,获取融合向量1*m,融合过程可按如下公式实现:
其中,Wa为m*n维的权值矩阵;ba为偏置项,均由训练时学习得到的;是Cr的转置矩阵,中的c无实际意义,为不同时间点的隐含层输出向量,αi为与隐含层输出向量对应的权重。通过公式(1)将CNN的第一特征向量与LSTM的第二特征向量融合成一组权重,并通过公式(2)softmax激活函数将权重归一化到0-1。最后通过公式(3),将LSTM不同时间点的隐含层输出向量与对应的权重αi相乘,并求和,以此作为流量数据序列最终的特征表达,即fmap。
步骤104、对流量数据序列进行回归预测,获取回归残差。
示例性地,服务器可以通过预设的回归模型对流量数据序列进行回归预测,获取一个1*n维的初步预测信息,并确定与初步预测信息对应的实际值。将初步预测信息和实际值做差,可以获取回归残差。
步骤105、根据预设的径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,预设的径向基网络模型是根据历史流量序列训练得到的,径向基网络模型包括用于预测目标流量信息的目标时刻。
示例性地,预设的径向基网络模型是根据历史流量序列训练得到的,径向基网络模型包括用于预测目标流量信息的目标时刻。因此,服务器将回归预测得到的回归残差、与通过CNN和LSTM双通道提取出的1*m维的融合向量相结合,作为径向基网络模型(RadialBasis Function,RBF)的输入,可以输出目标时刻的目标流量信息,进而完成流量预测,便于根据目标流量信息确定网络切片策略。
本申请实施例中,获取数据获取指令,并根据数据获取指令获取流量数据序列。通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量;通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量;其中,卷积神经网络模型和长短期记忆网络模型均是根据历史流量序列训练得到的。对第一特征向量和第二特征向量进行融合处理,获取融合向量。对流量数据序列进行回归预测,获取回归残差。根据预设的径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,预设的径向基网络模型是根据历史流量序列训练得到的,径向基网络模型包括用于预测目标流量信息的目标时刻。本方案中,根据数据获取指令获取流量数据序列,通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量,通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量。然后对第一特征向量和第二特征向量进行融合处理,获取融合向量。对流量数据序列进行回归预测,获取回归残差。最后将融合向量和回归残差均作为预设的径向基网络模型的输入参数,根据预设的径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,进而完成流量预测。所以,在借助关于深度学习的卷积神经网络模型和长短期记忆网络模型,快速对流量数据序列提取特征向量的基础上,融合径向基网络模型对流量数据序列进行预测,确定目标时刻的目标流量信息,极大的提高了在目标时刻的目标流量信息的准确度,能够快速实现流量的拟合,解决了在流量突发和流量不均衡时确定流量数据较难的技术问题。
图3为本申请实施例提供的又一种流量预测方法的流程示意图,如图3所示,该方法包括:
步骤201、获取多个历史流量序列。
示例性地,服务器可以获取多个历史流量序列。
步骤202、根据预设的卷积神经网络模型对历史流量序列进行特征提取处理,获取第一历史向量;并通过预设的长短期记忆网络模型对历史流量序列进行特征提取处理,获取第二历史向量。
示例性地,服务器可以根据预设的卷积神经网络模型对历史流量序列进行特征提取处理,获取第一历史向量,并通过预设的长短期记忆网络模型对历史流量序列进行特征提取处理,获取第二历史向量,其中,第一历史向量为空间特征,第二历史向量为时间特征。
步骤203、对第一历史向量和第二历史向量进行融合处理,获取历史向量。
示例性地,本步骤可以参见图1中步骤103中的针对第一特征向量和第二特征向量的融合过程,不再赘述。
步骤204、对历史流量序列进行回归预测,获取历史预测信息,并基于历史预测信息、以及与历史预测信息对应的历史值,获取历史残差。
示例性地,服务器可以通过预设的回归模型对历史流量序列进行回归预测,获取历史预测信息,并将历史预测信息、与历史预测信息对应的历史值做差,获取历史残差。
步骤205、基于历史残差和历史向量,对径向基网络模型进行流量预测训练,确定历史时刻的预测流量信息。
示例性地,服务器可以服务器将回归预测得到的历史残差、与通过CNN和LSTM双通道提取出的1*m维的历史向量相结合,作为径向基网络模型的输入经过径向基网络模型的训练确定历史时刻的预测流量信息。
步骤206、基于历史预测信息和预测流量信息,确定预测残差。
示例性地,服务器可以将历史预测信息和预测流量信息做差,得到预测残差,以此预测残差作为对预测流量信息的修正。
步骤207、若确定预测残差满足阈值,则确定径向基网络模型收敛。
示例性地,如果确定预测残差满足阈值,则服务器确定径向基网络模型收敛,若确定预测残差不满足阈值,则服务器继续对径向基网络模型进行训练,直至预测残差满足阈值。
举例来说,设历史向量为y,历史残差为εi,回归得到的历史预测信息为y回,预测残差为δi,预测流量信息为y测,回归分析采用线性回归,回归过程可按如下公式实现:
y同(i)=ky(i)+b-----(4)
εi=y同(i)-y(i)-----(5)
y测(i)=y同(i)+δi-----(6)
举例来说,图4为本申请实施例提供的又一种流量预测方法的流程示意图,如图4所示,RBF是一种三层的神经网络,包括输入层、隐藏层、输出层。从输入空间到隐层空间的变换是非线性的,而从隐层空间到输出层空间变换是线性的。RBF神经相较于BP神经网络收敛速度更快,使用性更强,隐层单元数也就是网络的结构可以根据研究的具体问题,在训练阶段自适应地调整。RBF是高效的前馈式神经网络,它具有唯一最佳逼近的特性,能够有效避免局部最优的问题。
在提取了历史向量和对原始的流量数据序列进行回归预测分析之后,可以将经过训练的流量特征和历史残差作为RBF的输入,得到预测流量信息。
如图4可知,输入层的维度是2n维,输出层维度是n维,隐藏层的维度h大于等于m维,小于等于2n维。
径向基神经网络模型的激活函数可表示为:
其中,xp由第n个特征和第1到n个残差项组成:1≤p≤2n
cj为第j个中心点,h为隐含层的结点数:1≤j≤h
m是输出的预测残差值项;
i是输出节点数量,1≤i≤m
径向基神经网络模型得到的输出为:
最后根据以上公式(6),可以算出历史时刻的预测流量信息,即根据预测残差δi作为对预测流量信息的修正。因此,将RBF融合回归模型形成一种残差回归神经网络对误差进行修正,能够很好预测残差,实现流量预测。
图5为本申请实施例提供的再一种流量预测方法的流程示意图,如图5所示,图5为上述步骤201-步骤207的径向基网络模型的训练过程。
步骤208、获取数据获取指令,并根据数据获取指令获取流量数据序列。
示例性地,本步骤可以参见图1中的步骤101,不再赘述。
步骤209、通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量;通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量;其中,卷积神经网络模型和长短期记忆网络模型均是根据历史流量序列训练得到的。
示例性地,本步骤可以参见图1中的步骤102,不再赘述。
步骤210、对第一特征向量和第二特征向量进行融合处理,获取融合向量。
示例性地,本步骤可以参见图1中的步骤103,不再赘述。
步骤211、对流量数据序列进行回归预测,获取初步预测信息,并确定与初步预测信息对应的实际值。
示例性地,服务器可以对流量数据序列进行回归预测,获取初步预测信息,并确定与初步预测信息对应的实际值。
步骤212、根据初步预测信息和实际值,获取回归残差。
示例性地,服务器将初步预测信息和实际值做差,获取回归残差。
步骤213、基于预设的径向基网络模型中的目标时刻,根据径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,目标时刻包括至少一个时刻。
示例性地,首先,服务器确定预设的径向基网络模型中的目标时刻的个数,并将融合向量和回归残差共同输入径向基网络模型中,通过径向基网络模型进行流量预测,输出目标时刻的目标流量信息,进而完成流量预测。本申请实施例中,获取多个历史流量序列。根据预设的卷积神经网络模型对历史流量序列进行特征提取处理,获取第一历史向量;通过预设的长短期记忆网络模型对历史流量序列进行特征提取处理,获取第二历史向量。对第一历史向量和第二历史向量进行融合处理,获取历史向量。对历史流量序列进行回归预测,获取历史预测信息,并基于历史预测信息、以及与历史预测信息对应的历史值,获取历史残差。基于历史残差和历史向量,对径向基网络模型进行流量预测训练,确定历史时刻的预测流量信息。基于历史预测信息和预测流量信息,确定预测残差。若确定预测残差满足阈值,则确定径向基网络模型收敛。获取数据获取指令,并根据数据获取指令获取流量数据序列。通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量;通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量;其中,卷积神经网络模型和长短期记忆网络模型均是根据历史流量序列训练得到的。对第一特征向量和第二特征向量进行融合处理,获取融合向量。对流量数据序列进行回归预测,获取初步预测信息,并确定与初步预测信息对应的实际值。根据初步预测信息和实际值,获取回归残差。基于预设的径向基网络模型中的目标时刻,根据径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,目标时刻包括至少一个时刻。所以,在借助关于深度学习的卷积神经网络模型和长短期记忆网络模型,快速对流量数据序列提取特征向量的基础上,融合径向基网络模型对流量数据序列进行预测,确定目标时刻的目标流量信息,极大的提高了在目标时刻的目标流量信息的准确度,能够快速实现流量的拟合,解决了在流量突发和流量不均衡时确定流量数据较难的技术问题。并且,通过RBF这种反向学习的方法实现流量误差的预测。RBF结构简单,具有很强的非线性逼近能力,能够快速融合特征并很好的预测流量的误差,具有其他神经网络不具备的全局最优特性和最佳逼近性能,因此,将RBF融合回归模型形成一种残差回归神经网络对误差进行修正,能够很好预测残差,实现流量预测。
图6为本申请实施例提供的一种流量预测装置的结构示意图,如图6所示,该装置包括:
第一获取单元31,用于获取数据指令指令,并根据数据获取指令获取流量数据序列。
第二获取单元32,用于通过预设的卷积神经网络模型对流量数据序列进行特征提取处理,获取第一特征向量;并通过预设的长短期记忆网络模型对流量数据序列进行特征提取处理,获取第二特征向量;其中,卷积神经网络模型和长短期记忆网络模型均是根据历史流量序列训练得到的。
第一融合单元33,用于对第一特征向量和第二特征向量进行融合处理,获取融合向量。
第三获取单元34,用于对流量数据序列进行回归预测,获取回归残差。
预测单元35,用于根据预设的径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,预设的径向基网络模型是根据历史流量序列训练得到的,径向基网络模型包括用于预测目标流量信息的目标时刻。
本实施例的装置,可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
图7为本申请实施例提供的另一种流量预测装置的结构示意图,在图6所示实施例的基础上,如图7所示,预测单元35,具体用于:
基于预设的径向基网络模型中的目标时刻,根据径向基网络模型对融合向量和回归残差进行流量预测,确定目标时刻的目标流量信息;其中,目标时刻包括至少一个时刻。
一个示例中,第三获取单元34,包括:
确定模块341,用于对流量数据序列进行回归预测,获取初步预测信息,并确定与初步预测信息对应的实际值。
获取模块342,用于根据初步预测信息和实际值,获取回归残差。
一个示例中,该装置还包括:
第四获取单元41,用于获取多个历史流量序列。
第五获取单元42,用于根据预设的卷积神经网络模型对历史流量序列进行特征提取处理,获取第一历史向量;通过预设的长短期记忆网络模型对历史流量序列进行特征提取处理,获取第二历史向量。
第六获取单元43,用于对第一历史向量和第二历史向量进行融合处理,获取历史向量。
第七获取单元44,用于对历史流量序列进行回归预测,获取历史预测信息,并基于历史预测信息、以及与历史预测信息对应的历史值,获取历史残差。
第一确定单元45,用于基于历史残差和历史向量,对径向基网络模型进行流量预测训练,确定历史时刻的预测流量信息。
第二确定单元46,用于基于历史预测信息和预测流量信息,确定预测残差。
第三确定单元47,用于若确定预测残差满足阈值,则确定径向基网络模型收敛。
本实施例的装置,可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
图8为本申请实施例提供的一种服务器的结构示意图,如图8所示,服务器包括:存储器51,处理器52。
存储器51中存储有可在处理器52上运行的计算机程序。
处理器52被配置为执行如上述实施例提供的方法。
服务器还包括接收器53和发送器54。接收器53用于接收外部设备发送的指令和数据,发送器54用于向外部设备发送指令和数据。
本申请实施例还提供了一种非临时性计算机可读存储介质,当该存储介质中的指令由服务器的处理器执行时,使得服务器能够执行上述实施例提供的方法。
本申请实施例还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得服务器执行上述任一实施例提供的方案。
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。本申请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下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (11)
1.一种流量预测方法,其特征在于,包括:
获取数据获取指令,并根据所述数据获取指令获取流量数据序列;
通过预设的卷积神经网络模型对所述流量数据序列进行特征提取处理,获取第一特征向量;并通过预设的长短期记忆网络模型对所述流量数据序列进行特征提取处理,获取第二特征向量;其中,所述卷积神经网络模型和所述长短期记忆网络模型均是根据历史流量序列训练得到的;
对所述第一特征向量和所述第二特征向量进行融合处理,获取融合向量;
对所述流量数据序列进行回归预测,获取回归残差;
根据预设的径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,所述预设的径向基网络模型是根据历史流量序列训练得到的,所述径向基网络模型包括用于预测目标流量信息的目标时刻。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息,包括:
基于预设的径向基网络模型中的目标时刻,根据所述径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息;其中,所述目标时刻包括至少一个时刻。
3.根据权利要求1所述的方法,其特征在于,对所述流量数据序列进行回归预测,获取回归残差,包括:
对所述流量数据序列进行回归预测,获取初步预测信息,并确定与所述初步预测信息对应的实际值;
根据所述初步预测信息和所述实际值,获取回归残差。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
获取多个历史流量序列;
根据预设的卷积神经网络模型对所述历史流量序列进行特征提取处理,获取第一历史向量;通过预设的长短期记忆网络模型对所述历史流量序列进行特征提取处理,获取第二历史向量;
对所述第一历史向量和所述第二历史向量进行融合处理,获取历史向量;
对所述历史流量序列进行回归预测,获取历史预测信息,并基于所述历史预测信息、以及与所述历史预测信息对应的历史值,获取历史残差;
基于所述历史残差和所述历史向量,对径向基网络模型进行流量预测训练,确定历史时刻的预测流量信息;
基于所述历史预测信息和所述预测流量信息,确定预测残差;
若确定所述预测残差满足阈值,则确定所述径向基网络模型收敛。
5.一种流量预测装置,其特征在于,包括:
第一获取单元,用于获取数据指令指令,并根据所述数据获取指令获取流量数据序列;
第二获取单元,用于通过预设的卷积神经网络模型对所述流量数据序列进行特征提取处理,获取第一特征向量;并通过预设的长短期记忆网络模型对所述流量数据序列进行特征提取处理,获取第二特征向量;其中,所述卷积神经网络模型和所述长短期记忆网络模型均是根据历史流量序列训练得到的;
第一融合单元,用于对所述第一特征向量和所述第二特征向量进行融合处理,获取融合向量;
第三获取单元,用于对所述流量数据序列进行回归预测,获取回归残差;
预测单元,用于根据预设的径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息,以完成流量预测;其中,所述预设的径向基网络模型是根据历史流量序列训练得到的,所述径向基网络模型包括用于预测目标流量信息的目标时刻。
6.根据权利要求5所述的装置,其特征在于,所述预测单元,具体用于:
基于预设的径向基网络模型中的目标时刻,根据所述径向基网络模型对所述融合向量和所述回归残差进行流量预测,确定目标时刻的目标流量信息;其中,所述目标时刻包括至少一个时刻。
7.根据权利要求5所述的装置,其特征在于,所述第三获取单元,包括:
确定模块,用于对所述流量数据序列进行回归预测,获取初步预测信息,并确定与所述初步预测信息对应的实际值;
获取模块,用于根据所述初步预测信息和所述实际值,获取回归残差。
8.根据权利要求5-7任一项所述的装置,其特征在于,所述装置还包括:
第四获取单元,用于获取多个历史流量序列;
第五获取单元,用于根据预设的卷积神经网络模型对所述历史流量序列进行特征提取处理,获取第一历史向量;通过预设的长短期记忆网络模型对所述历史流量序列进行特征提取处理,获取第二历史向量;
第六获取单元,用于对所述第一历史向量和所述第二历史向量进行融合处理,获取历史向量;
第七获取单元,用于对所述历史流量序列进行回归预测,获取历史预测信息,并基于所述历史预测信息、以及与所述历史预测信息对应的历史值,获取历史残差;
第一确定单元,用于基于所述历史残差和所述历史向量,对径向基网络模型进行流量预测训练,确定历史时刻的预测流量信息;
第二确定单元,用于基于所述历史预测信息和所述预测流量信息,确定预测残差;
第三确定单元,用于若确定所述预测残差满足阈值,则确定所述径向基网络模型收敛。
9.一种服务器,其特征在于,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-4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中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1-4任一项所述的方法。
11.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211608818.2A CN116017528A (zh) | 2022-12-14 | 2022-12-14 | 流量预测方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211608818.2A CN116017528A (zh) | 2022-12-14 | 2022-12-14 | 流量预测方法、装置及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116017528A true CN116017528A (zh) | 2023-04-25 |
Family
ID=86022150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211608818.2A Pending CN116017528A (zh) | 2022-12-14 | 2022-12-14 | 流量预测方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116017528A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116647877A (zh) * | 2023-06-12 | 2023-08-25 | 广州爱浦路网络技术有限公司 | 一种基于图卷积模型的流量类别验证方法和系统 |
-
2022
- 2022-12-14 CN CN202211608818.2A patent/CN116017528A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116647877A (zh) * | 2023-06-12 | 2023-08-25 | 广州爱浦路网络技术有限公司 | 一种基于图卷积模型的流量类别验证方法和系统 |
CN116647877B (zh) * | 2023-06-12 | 2024-03-15 | 广州爱浦路网络技术有限公司 | 一种基于图卷积模型的流量类别验证方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544573B2 (en) | Projection neural networks | |
CN109947919B (zh) | 用于生成文本匹配模型的方法和装置 | |
US11544536B2 (en) | Hybrid neural architecture search | |
US10546066B2 (en) | End-to-end learning of dialogue agents for information access | |
CN110832509B (zh) | 使用神经网络的黑盒优化 | |
JP2019537132A (ja) | アクション選択ニューラルネットワークをトレーニングすること | |
EP3552156B1 (en) | Neural episodic control | |
CN112039807A (zh) | 下行信道估计方法、装置、通信设备和存储介质 | |
EP3443450A1 (en) | Two-stage training of a spoken dialogue system | |
CN116017528A (zh) | 流量预测方法、装置及服务器 | |
CN114428907A (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
KR20240034804A (ko) | 자동 회귀 언어 모델 신경망을 사용하여 출력 시퀀스 평가 | |
CN115936094B (zh) | 文本处理模型的训练方法、装置、电子设备和存储介质 | |
CN110162612B (zh) | 信息处理方法、装置、可读存储介质和电子设备 | |
CN116187473B (zh) | 联邦学习方法、装置、电子设备和计算机可读存储介质 | |
CN113807386B (zh) | 一种融合多尺度信息的目标检测方法、系统及计算机设备 | |
CN108834045B (zh) | 一种基于定位模型的定位方法及装置 | |
CN111259128A (zh) | 一种对话目标序列的生成方法、装置以及可读存储介质 | |
CN118175513A (zh) | 模型输入信息的确定方法、装置、设备、系统及存储介质 | |
Gracla et al. | On the Importance of Exploration for Real Life Learned Algorithms | |
CN116343000A (zh) | 图像处理模型的训练方法、图像处理方法和装置 | |
CN117909583A (zh) | 一种基于时序知识图谱的信息推荐方法和装置 | |
CN117390440A (zh) | 人工智能模型训练方法、装置、网络侧设备、终端及介质 | |
CN118233329A (zh) | Ai网络模型确定方法、信息传输方法、装置和通信设备 | |
CN113285740A (zh) | 一种基于强化学习的波束训练方法 |
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 |