CN116506305A - 网络流量预测方法、模型训练方法和装置 - Google Patents

网络流量预测方法、模型训练方法和装置 Download PDF

Info

Publication number
CN116506305A
CN116506305A CN202310432065.2A CN202310432065A CN116506305A CN 116506305 A CN116506305 A CN 116506305A CN 202310432065 A CN202310432065 A CN 202310432065A CN 116506305 A CN116506305 A CN 116506305A
Authority
CN
China
Prior art keywords
nodes
space
network
predicted
node
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
Application number
CN202310432065.2A
Other languages
English (en)
Inventor
冯国礼
王宁
陈丽洁
杨海波
关瑾瑜
李晓波
马润
王晔
王圣杰
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.)
State Grid Ningxia Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Ningxia Electric Power Co Ltd
Original Assignee
State Grid Ningxia Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Ningxia Electric Power 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 State Grid Ningxia Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Ningxia Electric Power Co Ltd filed Critical State Grid Ningxia Electric Power Co Ltd
Priority to CN202310432065.2A priority Critical patent/CN116506305A/zh
Publication of CN116506305A publication Critical patent/CN116506305A/zh
Pending legal-status Critical Current

Links

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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供一种网络流量预测方法、模型训练方法和装置，涉及电力技术领域。该方法包括：获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量；并将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵，并将多个空间邻接矩阵输入至时间卷积模块中，通过时间卷积模块进行时空特征融合，可以有效地融合空间信息和时间信息，再通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量，这样可以准确地预测节点对应的网络使用量，从而提高了网络流量预测结果的准确度。

Description

网络流量预测方法、模型训练方法和装置
技术领域
本申请涉及电力技术领域，尤其涉及一种网络流量预测方法、模型训练方法和装置。
背景技术
电力通信网在生活中越来越重要，主要由大量的节点和链路组成，预测节点的网络使用量广泛应用于网络优化、故障诊断等领域。
对节点的网络使用量进行预测，可以有效提高网络的服务质量、有效性和安全性。因此，如何准确地预测节点的网络使用量，是本领域技术人员亟待解决的问题。
发明内容
本申请提供一种网络流量预测方法、模型训练方法和装置，可以准确地预测节点对应的网络使用量，从而提高了网络流量预测结果的准确度。
本申请实施例提供一种网络流量预测方法，该网络流量预测方法可以包括：
获取多个待预测节点对应的时空混合图，所述时空混合图包括所述多个待预测节点各自的位置和历史网络使用量。
将所述时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将所述多个空间邻接矩阵输入至所述网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过所述网络流量预测模型的输出层对所述时空融合特征矩阵进行映射，得到所述多个待预测节点各自的网络使用量。
根据本申请提供的一种网络流量预测方法，所述空间卷积模块包括空间余弦临近性邻接单元、功能相似性邻接单元、以及随机游走相似性邻接单元，所述将所述时空混合图输入至预设的网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵，包括：
将所述时空混合图输入至所述空间余弦临近性邻接单元中，以基于所述多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵。
将所述时空混合图输入至所述功能相似性邻接单元中，以基于所述多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵。
将所述时空混合图输入至所述随机游走相似性邻接单元中，以基于所述多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵；其中，所述空间余弦临近性邻接矩阵、所述功能相似性邻接矩阵、以及所述随机游走相似性邻接矩阵为所述多个空间邻接矩阵。
根据本申请提供的一种网络流量预测方法，所述基于所述多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵，包括：
针对所述多个待预测节点中两两节点，根据两个节点各自的位置，分别确定所述两个节点对应的空间邻接值和余弦相似度值。
基于所述两两节点各自对应的空间邻接值，构造所述多个待预测节点对应的空间邻接矩阵，并基于所述两两节点各自对应的余弦相似度值，构造所述多个待预测节点对应的余弦相似度特征矩阵。
基于所述空间邻接矩阵和所述余弦相似度特征矩阵，确定所述空间余弦临近性邻接矩阵。
根据本申请提供的一种网络流量预测方法，所述基于所述空间邻接矩阵和所述余弦相似度特征矩阵，确定所述空间余弦临近性邻接特征，包括：
确定所述空间邻接矩阵和所述余弦相似度特征矩阵之间的叉乘结果。
对所述叉乘结果进行归一化处理，得到所述空间余弦临近性邻接矩阵。
根据本申请提供的一种网络流量预测方法，所述基于所述多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵，包括：
针对所述多个待预测节点中两两节点，根据两个节点各自的历史网络使用量，确定所述两个节点各自对应的网络使用模式，并根据所述两个节点各自对应的网络使用模式，确定所述两个节点对应的成对相关性值。
基于所述两两节点各自对应的成对相关性值，构造所述多个待预测节点对应的所述功能相似性邻接矩阵。
根据本申请提供的一种网络流量预测方法，所述基于所述多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵，包括：
针对所述多个待预测节点中第一节点和第二节点，根据所述第一节点对应的历史网络使用量和各其他节点对应的历史网络使用量，确定所述第一节点与各所述其他节点之间的第一相关可能值；并根据所述第二节点对应的历史网络使用量和各所述其他节点自对应的历史网络使用量，确定所述第二节点与各所述其他节点之间的第二相关可能值，所述其他节点为所述多个待预测节点中除所述第一节点和所述第二节点之外的节点；根据多个第一相关可能值和多个第二相关可能值，确定所述第一节点和所述第二节点对应的随机游走相似性值。
基于所述多个待预测节点中，两两所述第一节点和所述第二节点对应的随机游走相似性值，构造所述多个待预测节点对应的所述随机游走相似性邻接矩阵。
根据本申请提供的一种网络流量预测方法，所述根据多个第一相关可能值和多个第二相关可能值，确定所述第一节点和所述第二节点对应的随机游走相似性值，包括：
从所述多个第一相关可能值和所述多个第二相关可能值中，确定同一其他节点各自对应的第一相关可能值和第二相关可能值的乘积。
根据所述同一其他节点各自对应的乘积，确定所述第一节点和所述第二节点对应的随机游走相似性值。
根据本申请提供的一种网络流量预测方法，所述时间卷积模块包括第一长短期记忆网络单元、门控循环单元、以及第二长短期记忆网络单元，所述将所述多个空间邻接特征输入至所述网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵，包括：
将所述多个空间邻接特征输入至所述第一长短期记忆网络单元中，通过所述第一长短期记忆网络单元对所述多个空间邻接特征进行处理，得到第一融合特征矩阵。
将所述第一融合特征矩阵输入至所述门控循环单元中，通过所述门控循环单元对所述第一融合特征矩阵进行处理，得到第二融合特征矩阵。
将所述第二融合特征矩阵输入至所述第二长短期记忆网络单元中，通过所述第二长短期记忆网络对所述第二融合特征矩阵进行处理，得到所述时空融合特征矩阵。
第二方面，本申请实施例还提供一种网络流量预测模型训练方法，该网络流量预测模型训练方法可以包括：
获取多个样本节点对应的时空混合图，所述时空混合图包括所述多个样本节点各自的位置、历史网络使用量、以及网络使用量标签。
将所述时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将所述多个空间邻接矩阵输入至所述初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过所述初始网络流量预测模型的输出层对所述时空融合特征矩阵进行映射，得到所述多个样本节点各自的网络使用量。
根据所述多个样本节点各自的网络使用量和网络使用量标签，更新所述初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
第三方面，本申请实施例还提供一种网络流量预测装置，该网络流量预测装置可以包括：
获取单元，用于获取多个待预测节点对应的时空混合图，所述时空混合图包括所述多个待预测节点各自的位置和历史网络使用量。
处理单元，用于将所述时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将所述多个空间邻接矩阵输入至所述网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过所述网络流量预测模型的输出层对所述时空融合特征矩阵进行映射，得到所述多个待预测节点各自的网络使用量。
根据本申请提供的一种网络流量预测装置，所述空间卷积模块包括空间余弦临近性邻接单元、功能相似性邻接单元、以及随机游走相似性邻接单元，所述处理单元，具体用于：
将所述时空混合图输入至所述空间余弦临近性邻接单元中，以基于所述多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵。
将所述时空混合图输入至所述功能相似性邻接单元中，以基于所述多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵。
将所述时空混合图输入至所述随机游走相似性邻接单元中，以基于所述多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵；其中，所述空间余弦临近性邻接矩阵、所述功能相似性邻接矩阵、以及所述随机游走相似性邻接矩阵为所述多个空间邻接矩阵。
根据本申请提供的一种网络流量预测装置，所述处理单元，具体用于：
针对所述多个待预测节点中两两节点，根据两个节点各自的位置，分别确定所述两个节点对应的空间邻接值和余弦相似度值。
基于所述两两节点各自对应的空间邻接值，构造所述多个待预测节点对应的空间邻接矩阵，并基于所述两两节点各自对应的余弦相似度值，构造所述多个待预测节点对应的余弦相似度特征矩阵。
基于所述空间邻接矩阵和所述余弦相似度特征矩阵，确定所述空间余弦临近性邻接矩阵。
根据本申请提供的一种网络流量预测装置，所述处理单元，具体用于：
确定所述空间邻接矩阵和所述余弦相似度特征矩阵之间的叉乘结果。
对所述叉乘结果进行归一化处理，得到所述空间余弦临近性邻接矩阵。
根据本申请提供的一种网络流量预测装置，所述处理单元，具体用于：
针对所述多个待预测节点中两两节点，根据两个节点各自的历史网络使用量，确定所述两个节点各自对应的网络使用模式，并根据所述两个节点各自对应的网络使用模式，确定所述两个节点对应的成对相关性值。
基于所述两两节点各自对应的成对相关性值，构造所述多个待预测节点对应的所述功能相似性邻接矩阵。
根据本申请提供的一种网络流量预测装置，所述处理单元，具体用于：
针对所述多个待预测节点中第一节点和第二节点，根据所述第一节点对应的历史网络使用量和各其他节点对应的历史网络使用量，确定所述第一节点与各所述其他节点之间的第一相关可能值；并根据所述第二节点对应的历史网络使用量和各所述其他节点自对应的历史网络使用量，确定所述第二节点与各所述其他节点之间的第二相关可能值，所述其他节点为所述多个待预测节点中除所述第一节点和所述第二节点之外的节点；根据多个第一相关可能值和多个第二相关可能值，确定所述第一节点和所述第二节点对应的随机游走相似性值；基于所述多个待预测节点中，两两所述第一节点和所述第二节点对应的随机游走相似性值，构造所述多个待预测节点对应的所述随机游走相似性邻接矩阵
根据本申请提供的一种网络流量预测装置，所述处理单元，具体用于：
从所述多个第一相关可能值和所述多个第二相关可能值中，确定同一其他节点各自对应的第一相关可能值和第二相关可能值的乘积。
根据所述同一其他节点各自对应的乘积，确定所述第一节点和所述第二节点对应的随机游走相似性值。
根据本申请提供的一种网络流量预测装置，所述时间卷积模块包括第一长短期记忆网络单元、门控循环单元、以及第二长短期记忆网络单元，所述处理单元，具体用于：
将所述多个空间邻接特征输入至所述第一长短期记忆网络单元中，通过所述第一长短期记忆网络单元对所述多个空间邻接特征进行处理，得到第一融合特征矩阵。
将所述第一融合特征矩阵输入至所述门控循环单元中，通过所述门控循环单元对所述第一融合特征矩阵进行处理，得到第二融合特征矩阵。
将所述第二融合特征矩阵输入至所述第二长短期记忆网络单元中，通过所述第二长短期记忆网络对所述第二融合特征矩阵进行处理，得到所述时空融合特征矩阵。
第四方面，本申请实施例还提供一种网络流量预测模型训练装置，该网络流量预测模型训练装置可以包括：
获取单元，用于获取多个样本节点对应的时空混合图，所述时空混合图包括所述多个样本节点各自的位置、历史网络使用量、以及网络使用量标签；
处理单元，用于将所述时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将所述多个空间邻接矩阵输入至所述初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过所述初始网络流量预测模型的输出层对所述时空融合特征矩阵进行映射，得到所述多个样本节点各自的网络使用量；
更新单元，用于根据所述多个样本节点各自的网络使用量和网络使用量标签，更新所述初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的网络流量预测方法，或者网络流量预测模型训练方法。
本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的网络流量预测方法，或者网络流量预测模型训练方法。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的网络流量预测方法，或者网络流量预测模型训练方法。
本申请提供的网络流量预测方法、模型训练方法和装置，通过获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量；并将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵，并将多个空间邻接矩阵输入至时间卷积模块中，通过时间卷积模块进行时空特征融合，可以有效地融合空间信息和时间信息，再通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量，这样可以准确地预测节点对应的网络使用量，从而提高了网络流量预测结果的准确度。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种网络流量预测方法的流程示意图；
图2为本申请实施例提供的一种网络流量预测模型的架构示意图；
图3为本申请实施例提供的一种网络流量预测模型训练方法的流程示意图；
图4为本申请实施例提供的一种网络流量预测装置40的结构示意图；
图5为本申请实施例提供的一种网络流量预测模型训练装置50的结构示意图；
图6为本申请实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请的实施例中，“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这三种情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例提供的技术方案可以应用于网络优化或者故障诊断领域中。通过对电力通信网中节点的网络使用量进行预测，了解节点之间的网络使用情况，对网络使用量进行比较精确的分析和预测，可以有效提高网络的服务质量、有效性和安全性。
现有技术中，通常采用时空图卷积网络(Spatio-Temporal Graph ConvolutionalNetwork，STGCN)模型预测节点对应的网络使用量。时空图卷积网络模型是一种新兴的深度学习模型，结合了图卷积神经网络和时间序列预测技术，其基本思想是将电力通信网建模为一个时空混合图，时空混合图中的节点表示电力通信网中的设备和设备之间的连接，边表示节点之间的关系，可以较好地处理网络拓扑结构变化和时间序列的变化，因此，通常采用时空图卷积网络模型预测节点对应的网络使用量。
但是，时空图卷积网络模型中的空间卷积层仅考虑了节点之间的邻接关系，并未考虑更丰富的节点属性信息，导致无法准确地预测节点对应的网络使用量。
为了可以准确地预测节点对应的网络使用量，从而提高网络流量预测结果的准确度，在本申请实施例中，本申请实施例提供了一种网络流量预测方法，通过获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量；并将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵，并将多个空间邻接矩阵输入至时间卷积模块中，通过时间卷积模块进行时空特征融合，可以有效地融合空间信息和时间信息，再通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量，这样可以准确地预测节点对应的网络使用量，从而提高了网络流量预测结果的准确度。
下面，将通过下述几个具体的实施例对本申请提供的网络流量预测方法进行详细地说明。可以理解的是，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不再赘述。
图1为本申请实施例提供的一种网络流量预测方法的流程示意图，该网络流量预测方法可以由软件和/或硬件装置执行。示例的，请参见图1所示，该网络流量预测方法可以包括：
S101、获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量。
其中，时空混合图可以较好地捕捉电力通信网中设备之间的空间关系和网络使用量在时间上的演化规律，因此，将电力通信网中的多个节点建模为一个时空混合图。其中，时空混合图中的节点表示电力通信网中的设备和设备的属性数据，例如设备的位置和历史网络使用量等数据，时空混合图中的连线表示节点与节点之间的关系。
示例地，在本申请实施例中，历史网络使用量可以为某一天的网络使用量，也可以为一个使用周期内的平均网络使用量，具体可以根据实际需要进行设置。
示例地，获取多个待预测节点对应的时空混合图之前，需要先获取各待预测节点的初始属性数据，并对各待预测节点的初始属性数据进行预处理，例如，数据清洗、去除噪声、去除异常值、或者填充缺失值等处理，得到各待预测节点的属性数据。
在得到多个待预测节点中，各待预测节点的属性数据后，就可以基于各待预测节点的属性数据，构建多个待预测节点对应的时空混合图，以通过时空混合图捕捉电力通信网中设备之间的空间关系和网络使用量在时间上的演化规律。
S102、将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量。
为了提高预测精度，网络流量预测模型中的空间卷积模块可以进行多种空间邻接矩阵的提取，示例地，参见图2所示，图2为本申请实施例提供的一种网络流量预测模型的架构示意图，网络流量预测模型可以包括空间卷积模块、时间卷积模块以及输出层。其中，空间卷积模块用于提取多个空间邻接矩阵，时间卷积模块用于提取时空融合特征矩阵，输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量。
结合图2所示，示例地，在本申请实施例中，空间卷积模块可以包括空间余弦临近性邻接单元、功能相似性邻接单元、以及随机游走相似性邻接单元。在将时空混合图输入至预设的网络流量预测模型中的空间卷积模块时，可以分别将时空混合图输入至空间余弦临近性邻接单元、功能相似性邻接单元、以及随机游走相似性邻接单元，使得空间余弦临近性邻接单元可以基于多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵；功能相似性邻接单元可以基于多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵；随机游走相似性邻接单元可以基于多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵。
需要说明的是，在本申请实施例中，考虑到时空混合图中，若两个节点之间的空间距离较近，则该两个节点各自的网络使用量可能会存在一定的相似性；若两个节点之间存在共享的设备和资源，例如接入相同的交换机，则该两个节点各自的网络使用量也会存在相似性，因此，在上述空间卷积模块中设置空间余弦临近性邻接单元，使得可以通过空间余弦临近性邻接单元，获取有助于进行网络使用量预测的空间余弦临近性邻接矩阵。
示例地，在本申请实施例中，空间余弦临近性邻接单元基于多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵时，针对多个待预测节点中两两节点，可以根据两个节点各自的位置，分别确定两个节点对应的空间邻接值和余弦相似度值；基于两两节点各自对应的空间邻接值，构造多个待预测节点对应的空间邻接矩阵，并基于两两节点各自对应的余弦相似度值，构造多个待预测节点对应的余弦相似度特征矩阵；再基于空间邻接矩阵和余弦相似度特征矩阵，确定空间余弦临近性邻接矩阵。
示例地，在根据两个节点各自的位置，确定两个节点对应的空间邻接值时，可以根据确定节点i与节点j对应的空间邻接值；在根据两个节点各自的位置，分别两个节点对应的空间邻接值时，可以根据/>确定节点i与节点j对应的余弦相似度值。
其中，ASP(i，j)表示节点i与节点j对应的空间邻接值，σ表示参数，dij表示节点i与节点j之间的距离，Acos(a，b)表示节点i与节点j对应的余弦相似度值，||a||表示节点i的模长，||b||表示节点j的模长。
分别按照上述公式，确定出任意两个节点对应的空间邻接值和余弦相似度值方法后，可以基于两两节点各自对应的空间邻接值，构造多个待预测节点对应的空间邻接矩阵，并基于两两节点各自对应的余弦相似度值，构造多个待预测节点对应的余弦相似度特征矩阵；再基于空间邻接矩阵和余弦相似度特征矩阵，确定空间余弦临近性邻接矩阵。
示例地，基于空间邻接矩阵和余弦相似度特征矩阵，确定空间余弦临近性邻接矩阵时，可以先确定空间邻接矩阵和余弦相似度特征矩阵之间的叉乘结果；对叉乘结果进行归一化处理，得到空间余弦临近性邻接矩阵，这样后续可以结合空间余弦临近性邻接矩阵进行网络使用量预测。
需要说明的是，在本申请实施例中，考虑到时空混合图中，若两个节点的功能相似，则说明该两个节点可能具有相似的网络使用模式，例如，若两个节点的功能为办公区域，则两个节点在周内的网络使用量较大，在周末的网络使用量较小，其具有相似的网络使用模式。当两个节点在空间上距离较远时，在空间余弦相似性上会被认为无关系，但实际上它们存在相似性，因此，在上述空间卷积模块中设置功能相似性邻接单元，使得可以通过功能相似性邻接单元，获取有助于进行网络使用量预测的功能相似性邻接矩阵。
示例地，在本申请实施例中，功能相似性邻接单元基于多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵时，针对多个待预测节点中两两节点，可以先根据两个节点各自的历史网络使用量，确定两个节点各自对应的网络使用模式，并根据两个节点各自对应的网络使用模式，确定两个节点对应的成对相关性值；再基于两两节点各自对应的成对相关性值，构造多个待预测节点对应的功能相似性邻接矩阵。
示例地，在基于两两节点各自对应的成对相关性值，构造多个待预测节点对应的功能相似性邻接矩阵时，针对多个待预测节点中两两节点，可以根据确定任意两个节点对应的功能相似性邻接矩阵。
其中，AFS(i，j)表示节点i与节点j对应的功能相似性邻接矩阵，xw(i)表示节点i对应的网络使用模式，xw(j)表示节点j对应的网络使用模式，表示节点i与节点j对应的成对相关性值。
按照上述公式，确定出任意两个节点对应的功能相似性邻接矩阵后，可以基于两两节点各自对应的成对相关性值，构造多个待预测节点对应的功能相似性邻接矩阵，这样后续可以结合功能相似性邻接矩阵进行网络使用量预测。
需要说明的是，在本申请实施例中，考虑到时空混合图中，两个节点之间的路径长短可以基于该两个节点各自的网络使用量的差值确定，网络使用量的差值的初始值可以设置为3000GB。若两个节点各自的网络使用量的差值越小，则确定两个节点之间在时空混合图上的距离越近。随机游走通过遍历时空混合图中的节点，捕捉节点之间的相关性。随机游走时，需要考虑时空混合图中所有节点的全局信息，这样可以更加准确地确定两个节点之间的相关可能值，随机游走通过从一个节点随机跳转到另一个节点来去除时空混合图中的稠密性。随机游走过程中，在一系列随机路径上，若两个节点经常一起出现，则它们之间的相似性越高，因此，在上述空间卷积模块中设置随机游走相似性邻接单元，使得可以通过随机游走相似性邻接单元，获取有助于进行网络使用量预测的随机游走相似性邻接矩阵。
示例地，在本申请实施例中，随机游走相似性邻接单元基于多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵时，针对多个待预测节点中第一节点和第二节点，可以根据第一节点对应的历史网络使用量和各其他节点对应的历史网络使用量，确定第一节点与各其他节点之间的第一相关可能值；并根据第二节点对应的历史网络使用量和各其他节点自对应的历史网络使用量，确定第二节点与各其他节点之间的第二相关可能值，其他节点为多个待预测节点中除第一节点和第二节点之外的节点；再根据多个第一相关可能值和多个第二相关可能值，确定第一节点和第二节点对应的随机游走相似性值；基于多个待预测节点中，两两第一节点和第二节点对应的随机游走相似性值，构造多个待预测节点对应的随机游走相似性邻接矩阵，这样后续可以结合随机游走相似性邻接矩阵进行网络使用量预测。
示例地，在根据多个第一相关可能值和多个第二相关可能值，确定第一节点和第二节点对应的随机游走相似性值时，可以从多个第一相关可能值和多个第二相关可能值中，确定同一其他节点各自对应的第一相关可能值和第二相关可能值的乘积；再根据同一其他节点各自对应的乘积，确定第一节点和第二节点对应的随机游走相似性值。
示例地，根据第一节点对应的历史网络使用量和各其他节点对应的历史网络使用量，确定第一节点和第二节点对应的随机游走相似性值时，可以根据计算第一节点和第二节点对应的随机游走相似性值。
其中，ASR(i，j)表示节点i与节点j对应的随机游走相似性值，t表示多个待预测节点中除节点i与节点j之外的节点，pi，t表示节点i与节点t之间的第一相关可能值，pj，t表示节点j与节点t之间的第二相关可能值。
按照上述公式，确定出任意两个第一节点和第二节点对应的随机游走相似性值后，可以基于两两第一节点和第二节点对应的随机游走相似性值，构造多个待预测节点对应的初始随机游走相似性邻接矩阵，并从初始随机游走相似性邻接矩阵中删除随机游走相似性值低于0.6的随机游走相似性值，从而得到多个待预测节点对应的随机游走相似性邻接矩阵。
结合上述描述，可以得到空间余弦临近性邻接矩阵、功能相似性邻接矩阵、以及随机游走相似性邻接矩阵，即得到多个空间邻接矩阵，同时捕获三种不同语义的空间关系，能够提取网络使用量的隐含特征，使得后续网络使用量的预测结果更加准确、全面。
示例地，在得到多个空间邻接矩阵之后，可以将多个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，这样可以有效地融合空间信息和时间信息，从而得到融合后的时空融合特征矩阵。
结合图2所示，在本申请实施例中，时间卷积模块是一种三明治时间卷积结构，可以包括第一长短期记忆网络单元、门控循环单元、以及第二长短期记忆网络单元，将多个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵时，可以先将多个空间邻接特征输入至第一长短期记忆网络单元中，通过第一长短期记忆网络单元对多个空间邻接特征进行门控和状态更新处理，得到第一融合特征矩阵；再将第一融合特征矩阵输入至门控循环单元中，通过门控循环单元对第一融合特征矩阵进行信息筛选和过滤处理，得到第二融合特征矩阵；最后将第二融合特征矩阵输入至第二长短期记忆网络单元中，通过第二长短期记忆网络对第二融合特征矩阵进行状态更新处理，得到时空融合特征矩阵。其中，长短期记忆网络单元为LSTM-M(Long Short-Term Memory-M)，门控循环单元为GRU(gatedrecurrent unit)。
其中，时空融合特征矩阵可以较好地捕获时序信息的变化，可以在更加精确地提取时序特征并改善时空图卷积的预测效果的同时，提高网络预测模型的运算效率。
在得到时空融合特征矩阵之后，通过网络流量预测模型的输出层对时空融合特征矩阵进行整合和压缩，从而预测得到多个待预测节点各自的网络使用量。
可以看出，本申请实施例中，通过获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量；并将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵，并将多个空间邻接矩阵输入至时间卷积模块中，通过时间卷积模块进行时空特征融合，可以有效地融合空间信息和时间信息，再通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量，这样可以准确地预测节点对应的网络使用量，从而提高了网络流量预测结果的准确度。
基于上述图1所示的实施例，为了更好地验证本申请提供的技术方案，示例地，在本申请实施例中，将网络使用量作为网络流量预测的性能指标，实验数据从电力通信网中节点数为15的各节点的网络使用量中获取四维数据构图，分别是时间戳，设备标识，节点的历史网络使用量以及的位置。
其中，以节点的历史网络使用量数据维度为例，该15个节点的历史网络使用量可以表示为X＝{X1，…，X15}＝{468.14，993.46，336.76，335.33，478.93，...，226.47}(单位：GB)，可以基于节点的位置计算得到空间余弦临近性邻接矩阵，即并基于各节点对应的历史网络使用量计算功能相似性邻接矩阵，即/>基于各节点对应的历史网络使用量计算随机游走相似性邻接矩阵，即/>将上述三个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，对于节点的历史网络使用量在空间和时间上进行充分的特征提取和融合，得到时空融合特征矩阵。最后，将时空融合特征矩阵输入至网络流量预测模型中的输出层，对时空融合特征矩阵进行映射，得到15个节点各自网络使用量，Z＝{467.68，996.23，330.09，340.58，478.62，...，223.32}。
结合上述举例可以看出，本申请实施例提供的网络流量预测方法，在预测节点的网络使用量时，通过有效融合空间和时间信息，减少特征冗余，使得可以基于融合得到的时空融合特征矩阵，准确地预测节点对应的网络使用量，从而提高了网络流量预测结果的准确度，为用户提供更加高效、稳定和可靠的服务。
图3为本申请实施例提供的一种网络流量预测模型训练方法的流程示意图，该网络流量预测模型训练方法可以由软件和/或硬件装置执行。示例的，请参见图3所示，该网络流量预测模型训练方法可以包括：
S301、获取多个样本节点对应的时空混合图，时空混合图包括多个样本节点各自的位置、历史网络使用量、以及网络使用量标签。
S302、将时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过初始网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个样本节点各自的网络使用量。
S303、根据多个样本节点各自的网络使用量和网络使用量标签，更新初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
需要说明的是，上述S301及S302的具体实现，与上述图1所示的实施例中，S101及S102的具体实现类似，可参见上述相关描述，在此，本申请实施例不再进行赘述。
示例地，根据多个样本节点各自的网络使用量和网络使用量标签，更新初始网络流量预测模型的模型参数时，可以判断更新后的网络流量预测模型是否满足预设条件，若满足预设条件，则将更新后的网络流量预测模型确定为最终的网络流量预测模型；若不满足预设条件，则将更新后的网络流量预测模型作为新的初始网络流量预测模型，继续对新的初始网络流量预测模型的模型参数进行更新，直至满足预设条件。示例地，预设条件可以包括模型更新次数达到预设阈值，和/或，更新后的网络流量预测模型收敛。
可以看出，本申请实施例中，在训练网络流量预测模型时，通过获取多个样本节点对应的时空混合图，时空混合图包括多个样本节点各自的位置、历史网络使用量、以及网络使用量标签，并将时空混合图输入至初始网络流量预测模型，得到多个样本节点各自的网络使用量，根据多个样本节点各自的网络使用量和网络使用量标签对初始网络流量预测模型进行训练，使得训练得到的网络流量预测模型，可以准确地预测节点的网络使用量，从而提高了预测结果的准确度。
下面对本申请提供的网络流量预测装置和网络流量预测模型训练装置进行描述，下文描述的网络流量预测装置与上文描述的网络流量预测方法可相互对应参照，网络流量预测模型训练装置与上文描述的网络流量预测模型训练方法可相互对应参照。
图4为本申请实施例提供的一种网络流量预测装置40的结构示意图，示例地，请参见图4所示，该网络流量预测装置40可以包括：
获取单元401，用于获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量。
处理单元402，用于将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量。
示例地，在本申请实施例中，空间卷积模块包括空间余弦临近性邻接单元、功能相似性邻接单元、以及随机游走相似性邻接单元。
处理单元402，具体用于将时空混合图输入至空间余弦临近性邻接单元中，以基于多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵；将时空混合图输入至功能相似性邻接单元中，以基于多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵；将时空混合图输入至随机游走相似性邻接单元中，以基于多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵；其中，空间余弦临近性邻接矩阵、功能相似性邻接矩阵、以及随机游走相似性邻接矩阵为多个空间邻接矩阵。
示例地，在本申请实施例中，处理单元402，具体用于针对多个待预测节点中两两节点，根据两个节点各自的位置，分别确定两个节点对应的空间邻接值和余弦相似度值；基于两两节点各自对应的空间邻接值，构造多个待预测节点对应的空间邻接矩阵，并基于两两节点各自对应的余弦相似度值，构造多个待预测节点对应的余弦相似度特征矩阵；基于空间邻接矩阵和余弦相似度特征矩阵，确定空间余弦临近性邻接矩阵。
示例地，在本申请实施例中，处理单元402，具体用于确定空间邻接矩阵和余弦相似度特征矩阵之间的叉乘结果；对叉乘结果进行归一化处理，得到空间余弦临近性邻接矩阵。
示例地，在本申请实施例中，处理单元402，具体用于针对多个待预测节点中两两节点，根据两个节点各自的历史网络使用量，确定两个节点各自对应的网络使用模式，并根据两个节点各自对应的网络使用模式，确定两个节点对应的成对相关性值；基于两两节点各自对应的成对相关性值，构造多个待预测节点对应的功能相似性邻接矩阵。
示例地，在本申请实施例中，处理单元402，具体用于针对多个待预测节点中第一节点和第二节点，根据第一节点对应的历史网络使用量和各其他节点对应的历史网络使用量，确定第一节点与各其他节点之间的第一相关可能值；并根据第二节点对应的历史网络使用量和各其他节点自对应的历史网络使用量，确定第二节点与各其他节点之间的第二相关可能值，其他节点为多个待预测节点中除第一节点和第二节点之外的节点；根据多个第一相关可能值和多个第二相关可能值，确定第一节点和第二节点对应的随机游走相似性值；基于多个待预测节点中，两两第一节点和第二节点对应的随机游走相似性值，构造多个待预测节点对应的随机游走相似性邻接矩阵。
示例地，在本申请实施例中，处理单元402，具体用于从多个第一相关可能值和多个第二相关可能值中，确定同一其他节点各自对应的第一相关可能值和第二相关可能值的乘积；根据同一其他节点各自对应的乘积，确定第一节点和第二节点对应的随机游走相似性值。
示例地，在本申请实施例中，时间卷积模块包括第一长短期记忆网络单元、门控循环单元、以及第二长短期记忆网络单元。
处理单元402，具体用于将多个空间邻接特征输入至第一长短期记忆网络单元中，通过第一长短期记忆网络单元对多个空间邻接特征进行门控和状态更新处理，得到第一融合特征矩阵；将第一融合特征矩阵输入至门控循环单元中，通过门控循环单元对第一融合特征矩阵进行信息筛选和过滤处理，得到第二融合特征矩阵；将第二融合特征矩阵输入至第二长短期记忆网络单元中，通过第二长短期记忆网络对第二融合特征矩阵进行状态更新处理，得到时空融合特征矩阵。
本申请实施例提供的网络流量预测装置40，可以执行上述任一实施例中网络流量预测方法的技术方案，其实现原理以及有益效果与网络流量预测方法的实现原理及有益效果类似，可参见网络流量预测方法的实现原理及有益效果，此处不再进行赘述。
图5为本申请实施例提供的一种网络流量预测模型训练装置50的结构示意图，示例地，请参见图5所示，该网络流量预测模型训练装置50可以包括：
获取单元501，用于获取多个样本节点对应的时空混合图，时空混合图包括多个样本节点各自的位置、历史网络使用量、以及网络使用量标签。
处理单元502，用于将时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过初始网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个样本节点各自的网络使用量。
更新单元503，用于根据多个样本节点各自的网络使用量和网络使用量标签，更新初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
本申请实施例提供的网络流量预测模型训练装置50，可以执行上述任一实施例中网络流量预测模型训练方法的技术方案，其实现原理以及有益效果与网络流量预测模型训练方法的实现原理及有益效果类似，可参见网络流量预测模型训练方法的实现原理及有益效果，此处不再进行赘述。
图6为本申请实施例提供的一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行网络流量预测方法，或者网络流量预测模型训练方法。
其中，网络流量预测方法包括：获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量；将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量。
网络流量预测模型训练方法包括：获取多个样本节点对应的时空混合图，时空混合图包括多个样本节点各自的位置、历史网络使用量、以及网络使用量标签；将时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过初始网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个样本节点各自的网络使用量；根据多个样本节点各自的网络使用量和网络使用量标签，更新初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的网络流量预测方法，或者网络流量预测模型训练方法。
其中，网络流量预测方法包括：获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量；将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量。
网络流量预测模型训练方法包括：获取多个样本节点对应的时空混合图，时空混合图包括多个样本节点各自的位置、历史网络使用量、以及网络使用量标签；将时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过初始网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个样本节点各自的网络使用量；根据多个样本节点各自的网络使用量和网络使用量标签，更新初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的网络流量预测方法，或者网络流量预测模型训练方法。
其中，网络流量预测方法包括：获取多个待预测节点对应的时空混合图，时空混合图包括多个待预测节点各自的位置和历史网络使用量；将时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个待预测节点各自的网络使用量。
网络流量预测模型训练方法包括：获取多个样本节点对应的时空混合图，时空混合图包括多个样本节点各自的位置、历史网络使用量、以及网络使用量标签；将时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将多个空间邻接矩阵输入至初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过初始网络流量预测模型的输出层对时空融合特征矩阵进行映射，得到多个样本节点各自的网络使用量；根据多个样本节点各自的网络使用量和网络使用量标签，更新初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种网络流量预测方法，其特征在于，包括：
获取多个待预测节点对应的时空混合图，所述时空混合图包括所述多个待预测节点各自的位置和历史网络使用量；
将所述时空混合图输入至网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将所述多个空间邻接矩阵输入至所述网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过所述网络流量预测模型的输出层对所述时空融合特征矩阵进行映射，得到所述多个待预测节点各自的网络使用量。
2.根据权利要求1所述的方法，其特征在于，所述空间卷积模块包括空间余弦临近性邻接单元、功能相似性邻接单元、以及随机游走相似性邻接单元，所述将所述时空混合图输入至预设的网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵，包括：
将所述时空混合图输入至所述空间余弦临近性邻接单元中，以基于所述多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵；
将所述时空混合图输入至所述功能相似性邻接单元中，以基于所述多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵；
将所述时空混合图输入至所述随机游走相似性邻接单元中，以基于所述多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵；
其中，所述空间余弦临近性邻接矩阵、所述功能相似性邻接矩阵、以及所述随机游走相似性邻接矩阵为所述多个空间邻接矩阵。
3.根据权利要求2所述的方法，其特征在于，所述基于所述多个待预测节点各自的位置，得到空间余弦临近性邻接矩阵，包括：
针对所述多个待预测节点中两两节点，根据两个节点各自的位置，分别确定所述两个节点对应的空间邻接值和余弦相似度值；
基于所述两两节点各自对应的空间邻接值，构造所述多个待预测节点对应的空间邻接矩阵，并基于所述两两节点各自对应的余弦相似度值，构造所述多个待预测节点对应的余弦相似度特征矩阵；
基于所述空间邻接矩阵和所述余弦相似度特征矩阵，确定所述空间余弦临近性邻接矩阵。
4.根据权利要求3所述的方法，其特征在于，所述基于所述空间邻接矩阵和所述余弦相似度特征矩阵，确定所述空间余弦临近性邻接特征，包括：
确定所述空间邻接矩阵和所述余弦相似度特征矩阵之间的叉乘结果；
对所述叉乘结果进行归一化处理，得到所述空间余弦临近性邻接矩阵。
5.根据权利要求2所述的方法，其特征在于，所述基于所述多个待预测节点各自的历史网络使用量，得到功能相似性邻接矩阵，包括：
针对所述多个待预测节点中两两节点，根据两个节点各自的历史网络使用量，确定所述两个节点各自对应的网络使用模式，并根据所述两个节点各自对应的网络使用模式，确定所述两个节点对应的成对相关性值；
基于所述两两节点各自对应的成对相关性值，构造所述多个待预测节点对应的所述功能相似性邻接矩阵。
6.根据权利要求2所述的方法，其特征在于，所述基于所述多个待预测节点各自的历史网络使用量，得到随机游走相似性邻接矩阵，包括：
针对所述多个待预测节点中第一节点和第二节点，根据所述第一节点对应的历史网络使用量和各其他节点对应的历史网络使用量，确定所述第一节点与各所述其他节点之间的第一相关可能值；并根据所述第二节点对应的历史网络使用量和各所述其他节点自对应的历史网络使用量，确定所述第二节点与各所述其他节点之间的第二相关可能值，所述其他节点为所述多个待预测节点中除所述第一节点和所述第二节点之外的节点；根据多个第一相关可能值和多个第二相关可能值，确定所述第一节点和所述第二节点对应的随机游走相似性值；
基于所述多个待预测节点中，两两所述第一节点和所述第二节点对应的随机游走相似性值，构造所述多个待预测节点对应的所述随机游走相似性邻接矩阵。
7.根据权利要求6所述的方法，其特征在于，所述根据多个第一相关可能值和多个第二相关可能值，确定所述第一节点和所述第二节点对应的随机游走相似性值，包括：
从所述多个第一相关可能值和所述多个第二相关可能值中，确定同一其他节点各自对应的第一相关可能值和第二相关可能值的乘积；
根据所述同一其他节点各自对应的乘积，确定所述第一节点和所述第二节点对应的随机游走相似性值。
8.根据权利要求2-7任一项所述的方法，其特征在于，所述时间卷积模块包括第一长短期记忆网络单元、门控循环单元、以及第二长短期记忆网络单元，所述将所述多个空间邻接特征输入至所述网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵，包括：
将所述多个空间邻接特征输入至所述第一长短期记忆网络单元中，通过所述第一长短期记忆网络单元对所述多个空间邻接特征进行处理，得到第一融合特征矩阵；
将所述第一融合特征矩阵输入至所述门控循环单元中，通过所述门控循环单元对所述第一融合特征矩阵进行处理，得到第二融合特征矩阵；
将所述第二融合特征矩阵输入至所述第二长短期记忆网络单元中，通过所述第二长短期记忆网络对所述第二融合特征矩阵进行处理，得到所述时空融合特征矩阵。
9.一种网络流量预测模型训练方法，其特征在于，包括：
获取多个样本节点对应的时空混合图，所述时空混合图包括所述多个样本节点各自的位置、历史网络使用量、以及网络使用量标签；
将所述时空混合图输入至初始网络流量预测模型中的空间卷积模块中，得到多个空间邻接矩阵；并将所述多个空间邻接矩阵输入至所述初始网络流量预测模型中的时间卷积模块中，得到时空融合特征矩阵；并通过所述初始网络流量预测模型的输出层对所述时空融合特征矩阵进行映射，得到所述多个样本节点各自的网络使用量；
根据所述多个样本节点各自的网络使用量和网络使用量标签，更新所述初始网络流量预测模型的模型参数，以训练得到网络流量预测模型。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的网络流量预测方法，或者，权利要求9所述的网络流量预测模型训练方法。
CN202310432065.2A 2023-04-20 2023-04-20 网络流量预测方法、模型训练方法和装置 Pending CN116506305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310432065.2A CN116506305A (zh) 2023-04-20 2023-04-20 网络流量预测方法、模型训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310432065.2A CN116506305A (zh) 2023-04-20 2023-04-20 网络流量预测方法、模型训练方法和装置

Publications (1)

Publication Number Publication Date
CN116506305A true CN116506305A (zh) 2023-07-28

Family

ID=87325903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310432065.2A Pending CN116506305A (zh) 2023-04-20 2023-04-20 网络流量预测方法、模型训练方法和装置

Country Status (1)

Country Link
CN (1) CN116506305A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117479219A (zh) * 2023-11-07 2024-01-30 广州方舟文化科技有限公司 一种手机流量卡套餐监测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117479219A (zh) * 2023-11-07 2024-01-30 广州方舟文化科技有限公司 一种手机流量卡套餐监测方法及系统

Similar Documents

Publication Publication Date Title
CN108234198B (zh) 一种基站流量预测方法和设备
US10163420B2 (en) System, apparatus and methods for adaptive data transport and optimization of application execution
Eziama et al. Malicious node detection in vehicular ad-hoc network using machine learning and deep learning
CA3080050A1 (en) Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data
CN112910710B (zh) 网络流量时空预测方法、装置、计算机设备和存储介质
CN111611351B (zh) 在线客服会话的控制方法、装置和电子设备
CN107818514B (zh) 一种控制在线社交网络信息传播的方法、装置及终端
US11652709B2 (en) Managing computation load in a fog network
Szabo et al. Formalization of weak emergence in multiagent systems
CN111563560B (zh) 基于时序特征学习的数据流分类方法及装置
CN111935140B (zh) 异常报文识别方法及装置
CN110648080A (zh) 基于智能点的信息物理系统及其构建方法
CN113988464A (zh) 基于图神经网络的网络链路属性关系预测方法及设备
Zhang et al. [Retracted] Network Traffic Prediction via Deep Graph‐Sequence Spatiotemporal Modeling Based on Mobile Virtual Reality Technology
Globa et al. The intellectual IoT-system for monitoring the base station quality of service
US11894990B2 (en) Determining conflicts between KPI targets in a communications network
CN117272017A (zh) 异质图数据节点嵌入特征提取模型训练方法、嵌入特征提取方法、节点分类方法及装置
CN116506305A (zh) 网络流量预测方法、模型训练方法和装置
CN115174237B (zh) 一种物联网系统恶意流量的检测方法、装置和电子设备
Pan et al. Toward data-driven solutions to interactive dynamic influence diagrams
Wang et al. A dynamic traffic awareness system for urban driving
CN116582414A (zh) 故障根因定位方法、装置、设备及可读存储介质
CN115860179A (zh) 轨迹预测方法、装置、设备、存储介质及程序产品
EP3851921A1 (en) Distributed computer control system and method of operation thereof via collective learning
CN111815442B (zh) 一种链接预测的方法、装置和电子设备

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