CN116582449A - 网络性能预测模型训练方法、装置、设备及存储介质 - Google Patents

网络性能预测模型训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116582449A
CN116582449A CN202310612860.XA CN202310612860A CN116582449A CN 116582449 A CN116582449 A CN 116582449A CN 202310612860 A CN202310612860 A CN 202310612860A CN 116582449 A CN116582449 A CN 116582449A
Authority
CN
China
Prior art keywords
network
time period
unit time
prediction model
performance 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
Application number
CN202310612860.XA
Other languages
English (en)
Inventor
李笑忠
王茜
杨念
张峰
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202310612860.XA priority Critical patent/CN116582449A/zh
Publication of CN116582449A publication Critical patent/CN116582449A/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
    • H04L41/149—Network analysis or design for prediction of maintenance
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

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)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请公开了一种网络性能预测模型训练方法、装置、设备及存储介质，涉及通信技术领域。包括：获取包括多个网络指标数据的训练数据集，多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据；将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数；基于第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，得到训练后的网络性能预测模型。

Description

网络性能预测模型训练方法、装置、设备及存储介质
技术领域
本申请涉及通信技术领域，尤其涉及一种网络性能预测模型训练方法、装置、设备及存储介质。
背景技术
当前，随着通信技术的快速发展，网络应用业务的种类不断增多，网络的用户数量以及网络资源使用量也在快速增加。为了保证网络性能，通常需要通信服务运营商对网络的运行状况进行分析与研究。在通信服务的相关技术中，可以通过对网络流量、网络质量的相关指标的特性进行分析和预测，进而实现对网络性能进行评估，以便于及时发现网络的异常和故障情况，保障用户使用感知。
然而，当前对网络状态的预测时，通常基于历史时间内所有用户的网络流量数据，实现对用户流量的预测。而由于不同的网络，如第五代移动通信网络(5th generationmobile communication technology，5G)专网、第四代移动通信网络(4th generationmobile communication technology，4G)专网网络，以及在不同使用情况(如不同的使用用户、不同的使用时间)下的网络的特性可能存在较大差别。因此，当前的网络性能预测模型的预测准确性较低。
发明内容
本申请提供了一种网络性能预测模型训练方法、装置、设备及存储介质，用于提高网络性能预测模型的预测准确性。
为达到上述目的，本申请采用如下技术方案：
第一方面，提供了一种网络性能预测模型训练方法，该方法包括：获取包括多个网络指标数据的训练数据集，多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，第一单位时间段为每个历史日期中与目标单位时间段相同的单位时间段；网络指标数据包括：网络参数、专网特征参数和时间特征，其中，网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，专网特征参数用于指示网络类型，时间特征用于指示网络指标数据对应的时间是否属于预设日期；将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数；基于第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，得到训练后的网络性能预测模型。
在一种可能的实现方式中，网络性能预测模型包括专网特征学习模块；方法还包括：将多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至网络性能预测模型中的专网特征学习模块，确定每个网络指标数据对应的专网特征参数，专网特征包括以下至少一项：行业类型、专网类型和地理位置。
在一种可能的实现方式中，网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块；将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数，包括：将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的长期学习模块，确定目标单位时间段对应的网络指标数据对应的第一参数；和/或，将目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的短期学习模块，确定目标单位时间段对应的网络指标数据对应的第二参数；基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
在一种可能的实现方式中，网络性能预测模型包括：长期学习模块、短期学习模块和特征融合模块；基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数，包括：将目标单位时间段对应的第一参数和第二参数，输入至网络性能预测模型中的特征融合模块，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
在一种可能的实现方式中，方法还包括：获取第三单位时间段对应的目标数据，第三单位时间段为当前时刻之后的时间段，目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与第三单位时间段相同的多个单位时间段对应的网络指标数据；将目标数据输入至训练后的网络性能预测模型中，得到第三单位时间段对应的预测网络参数。
第二方面，提供了一种网络性能预测模型训练装置，该网络性能预测模型训练装置包括：获取单元，确定单元和处理单元；获取单元，用于获取包括多个网络指标数据的训练数据集，多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，第一单位时间段为每个历史日期中与目标单位时间段相同的单位时间段；网络指标数据包括：网络参数、专网特征参数和时间特征，其中，网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，专网特征参数用于指示网络类型，时间特征用于指示网络指标数据对应的时间是否属于预设日期；确定单元，用于将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数；处理单元，用于基于第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，得到训练后的网络性能预测模型。
在一种可能的实现方式中，网络性能预测模型包括专网特征学习模块；确定单元，用于将多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至网络性能预测模型中的专网特征学习模块，确定每个网络指标数据对应的专网特征参数，专网特征包括以下至少一项：行业类型、专网类型和地理位置。
在一种可能的实现方式中，网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块；确定单元，用于将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的长期学习模块，确定目标单位时间段对应的网络指标数据对应的第一参数；和/或，确定单元，用于将目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的短期学习模块，确定目标单位时间段对应的网络指标数据对应的第二参数；确定单元，用于基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
在一种可能的实现方式中，网络性能预测模型包括：长期学习模块、短期学习模块和特征融合模块；确定单元，用于将目标单位时间段对应的第一参数和第二参数，输入至网络性能预测模型中的特征融合模块，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
在一种可能的实现方式中，获取单元，用于获取第三单位时间段对应的目标数据，第三单位时间段为当前时刻之后的时间段，目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与第三单位时间段相同的多个单位时间段对应的网络指标数据；确定单元，用于确定单元，用于将目标数据输入至训练后的网络性能预测模型中，得到第三单位时间段对应的预测网络参数。
第三方面，提供了一种电子设备，包括：处理器以及存储器；其中，存储器用于存储一个或多个程序，一个或多个程序包括计算机执行指令，当电子设备运行时，处理器执行存储器存储的计算机执行指令，以使电子设备执行如第一方面的一种网络性能预测模型训练方法。
第四方面，提供了一种存储一个或多个程序的计算机可读存储介质，该一个或多个程序包括指令，上述指令当被计算机执行时使计算机执行如第一方面的一种网络性能预测模型训练方法。
本申请提供了一种网络性能预测模型训练方法、装置、设备及存储介质，应用于对网络性能预测模型进行训练的场景中，用于提高网络性能预测模型的预测准确性。在对网络性能预测模型进行训练时，获取相邻的多个历史日期中的每个历史日期包括的与目标单位时间段相同的单位时间段对应的网络指标数据，以及目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，得到包括多个网络指标数据的训练数据集。并将多个网络指标数据分别输入至网络性能预测模型，确定目标时间段之后的相邻的第二时间段的对应的预测网络参数。进而基于第二时间段对应的预测网络参数，与第二时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，以得到训练后的网络性能预测模型。通过上述方法，能够基于包括网络参数、专网特征参数和时间特征的网络指标数据，对网络性能预测模型进行训练，使网络性能预测模型的预测结果(预测网络参数)，能够充分考虑由于网络指标数据的网络参数的不同、专网特征的不同以及时间特征的不同所带来的影响，从而可以提高网络性能预测模型的预测准确性。
附图说明
图1为本申请的实施例提供的一种网络性能预测模型训练系统结构示意图；
图2为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图一；
图3为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图二；
图4为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图三；
图5为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图四；
图6为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图五；
图7为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图六；
图8为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图七；
图9为本申请的实施例提供的一种网络性能预测模型训练方法流程示意图八；
图10为本申请的实施例提供的一种网络性能预测模型训练装置结构示意图；
图11为本申请的实施例提供的一种电子设备结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
在本申请的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种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。此外，“至少一个”“多个”是指两个或两个以上。“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。
在网络相关技术中，5G专网作为一种专属服务，能够为服务用户和企业创建一个专属的网络连接体系，从而在网络稳定性、服务性、和安全性等方面为服务用户和企业提供更好的保障，弥补了部分公网通信无法涉及的领域。而随着5G专网的普及，网络应用业务的种类与数量也在不断增加。在网络维护的相关技术中，可以通过对专用网络的运行状态的研究分析，对网络传输流量进行预测，以保证网络的各项性能。而在当前的流量预测技术中，由于5G本身的特性，如高带宽、海量链接等特征，当前对流量的影响因素逐渐增多，且流量预测的复杂度不断提升。
在现有的流量预测技术中，主要基于通用性的训练数据集，如历史用户的流量数据、历史网络的流量数据等不同的网络特征参数，实现在时间纬度或地域维度对用户浏览量变化趋势的预测。在具体的网络预测指标上，现有的预测主要针对提升用户感知度(quality of experience，QoE)来实现预测模型的架构，因此主要基于待预测用户终端的网络信令数据，判断待预测用户的终端的网络类型。进而获取待预测用户终端的网络感知数据，将待预测用户终端的网络感知数据输入至预设的分类模型以，根据该预设分类模型的输出结果确定该待检测用户的感知情况，实现网络感知的预测(如用户流量)。
需要说明的是，在对专网的网络性能进行预测时，即预测整个专网(如不同的5G专网)的网络使用情况时，本申请实施例中的用户主要指专网用户。专网用户可以理解为整个专网的使用用户整体。如对某教育园区的专网用户的网络性能预测，可以理解为对该教育园区整体的网络性能预测。
本申请实施例提供的网络性能预测模型训练方法，可以适用于网络性能预测模型训练系统。图1示出了该网络性能预测模型训练系统的一种结构示意图。如图1所示，网络性能预测模型训练系统10包括：电子设备11、服务器12和基站13。
网络性能预测模型训练系统10可以用于物联网，网络性能预测模型训练系统10(如电子设备11、服务器12和基站13)可以包括多个中央处理器(central processingunit，CPU)、多个内存、存储有多个操作系统的存储装置等硬件。
电子设备11可以用于物联网，用于实现数据的处理，例如电子设备11可以通过与服务器12交互，从服务器12中获取训练数据集，得到训练后的网络性能预测模型。
可选的，电子设备11还可以通过从服务器12中获取待预测用户的网络指标数据，进而通过该待预测用户的网络指标数据，实现对该预测用户网络性能的预测(预测网络参数)。
服务器12用于实现数据的存储，例如服务器12通过与基站13交互，获取基站13生成的网络指标数据并存储，得到训练数据集。以及通过与基站13交互，获取待检测用户的网络指标数据。
可选的，服务器12可以为能存储数据的数据库，如MySQL数据库。
基站13用于实现数据的记录，例如基站13可以记录各个接入用户的网络指标数据，以使得服务器12能够获取该网络指标数据。
可选的，如图1所示，基站13可以有多个，以保证训练数据集中的训练数据以及训练数据的数据特征足够多，进而保障对网络性能预测模型的训练全面性。
下面结合附图对本申请实施例提供的一种网络性能预测模型训练方法进行描述。
如图2所示，本申请实施例提供的一种网络性能预测模型训练方法，包括S201-S203：
S201、获取包括多个网络指标数据的训练数据集。
其中，多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，第一单位时间段为每个历史日期中与目标单位时间段相同的单位时间段；网络指标数据包括：网络参数、专网特征参数和时间特征，其中，网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，专网特征参数用于指示网络类型，时间特征用于指示网络指标数据对应的时间是否属于预设日期。
可选的，可以通过电子设备采集每个专网用户的专网真实流量数据和质量指标数据的历史使用数据，并将这些数据存储至预设的数据库(如MySQL数据库)中，得到训练数据集。
可选的，还可以对采集到的数据进行归一化处理，以消除数据在量纲上的差异，并尽可能地减小异常样本数据导致的不良影响。
需要说明的是，对数据进行归一化处理，还可以实现降低后续训练模型的梯度的效果。
可选的，相邻的多个历史日期中的每个历史日期包括的第一单位时间段，可以理解为目标单位时间段之前的多个相邻的历史日期中，每个历史日期的包括的多个单位时间段中，与目标的单位时间段相同的单位时间段。
示例性的，目标单位时间段可以为3月2日9:00-10:00，则第一单位时间段可以为2月2日-3月2日中每天的9:00-10:00。
可选的，多个历史日期、单位时间段的大小可以结合具体的模型训练需求确定，如上述示例中的多个历史日期为前一个月的每一天，单位时间段为每小时。
可选的，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段，可以理解为目标单位时间段前的多个相邻单位时间段。
示例性的，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段，可以为目标单位时间段的前二十四小时(预设时长)内的每个小时(单位时间段)。
具体的，目标单位时间段可以为3月2日9:00-10:00，则目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段，可以为3月1日的9:00至3月2日的9:00中的每小时。
可选的，对于预设时长、单位时间段的大小，可以结合具体的模型训练需求确定。
需要说明的是，单位时间段对应的网络指标数据，可以理解为单位时间段内的平均网络指标数据，如每小时内的平均网络参数。
在一种可能的实现方式中，单位时间段内的平均网络指标数据也可以为该时间段内起始时刻的网络指标数据、结束时刻的网络指标数据或中间时刻的网络指标数据等。
需要说明的是，单位时间段可以理解为时间颗粒度，即网络性能预测的颗粒度，如每小时、每半小时、每分钟等，具体的单位时间段的大小可以结合具体的网络性能预测需求确定，如上述示例中的单位时间段为每小时。
可选的，网络参数的选取中，除了本申请实施例中的用户流量、丢包率、专网特征参数、业务时延和用户速率外，还可以结合具体的业务需求，以及相关行业标准、通信协议等选取其他的网络参数。
其中，当本申请实施例应用于专网用户的网络性能预测时，用户流量主要指专网用户流量。
需要说明的是，在现有的专网网络性能预测技术中，主要基于网络流量(用户流量)进行预测，预测结果较为片面。而本申请实施例中，选取上述网络参数(用户流量、丢包率、专网特征参数、业务时延和用户速率)，以综合考虑多方面指标，实现对用户网络使用状态的分析与预测，以对用户的网络质量进和使用情况做较为全面的分析。
可选的，专网特征参数，可以为根据网络类型，通过预设算法确定出来的专网特征参数。
可选的，网络类型可以理解为对网络指标数据的来源与性质的描述，如网络指标数据的网络部署类型、网络指标数据的行业类型等。
需要说明的是，由于不同行业、不同用户的网络资源使用习惯存在较大的差异，并且对网络的各类指标需求也存在区别，如对于电商类行业(如网络营销员)的网络资源使用量明显会大于教育行业(如学生)。因此本申请实施例中引入专网特征参数，以对不同行业、不同用户的网络指标数据进行区分。
并且，考虑到同一用户在节假日的网络使用情况与工作日的网络使用情况也可能有较大差异，如购物节对于互联网行业尤其是电商行业的影响较大，以及节假日期间部分专网的用户量可能发生激增或骤减(如教育行业)，因此本申请实施例中在专网特征参数的同时引入时间特征，表征网络指标数据的日期是否处于对该专网用户较为特殊的时期，以提高网络性能预测模型的准确度。
可选的，网络指标数据对应的时间是否属于预设日期，可以理解为网络指标数据对应的时间是否属于节假日、高峰时间段等。
示例性的，预设日期可以结合具体的业务需求、专家经验去设定。可以为法定节假日日期、每天的固定时间段，如20:00-22:00等。
需要说明的是，由于不同专网的使用场景可能存在区别，因此，不同专网对应的预设日期也可能不同，每个专网对应的预设日期可以结合该专网的维护人员、使用用户的经验设定。
S202、将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
需要说明的是，在网络运行时，用户的网络的使用通常具有时间特征，即用户的网络指标数据在不同的时间的取值也不同，每项网络指标数据的值(或者用户的网络指标数据之间的区别)通常与时间的变化存在一定的关联关系。
因此，在本申请实施例中，可以基于时序神经网络构建网络性能预测模型，如基于循环神经网络(recurrent neural network，RNN)、长短期记忆网络(long short-termmemory，LSTM)、门控循环单元(gated recurrent unit,GRU)、Transformer等时序神经网络构建网络性能预测模型。
可选的，时序神经网络的基本流程如图3所示，通过上一时刻t0的数据(值)，预测下一时刻t1的数据(值)，循环进行，最终得到学习了时序特征的结果值(预测值)tn。
可选的，目标单位时间段之后相邻的第二单位时间段，指目标单位时间段后相邻的，与目标单位时间段的时间长度相同(单位时间段)的第二单位时间段。
示例性的，目标单位时间段为3月2日的9:00-10:00，则第二单位时间段为3月2日的10:00-11:00。
S203、基于第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，得到训练后的网络性能预测模型。
可选的，可以在第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，大于预设差值阈值时，调整网络性能预测模型的模型参数，进而得到训练后的网络性能预测模型。对于预设差值阈值的大小，可以结合业务经验，专家经验确定，并根据预测结果的准确度进行调整再训练。
示例性的，可以在预测网络参数与真实网络参数之间的差值大于百分之五十的时候，调整网络性能预测模型的模型参数，以得到训练后的网络性能预测模型。
在一种可能的实现方式中，基于时序神经网络实现网络预测模型的训练流程如图4所示，先获取训练数据集，并对训练数据集进行预处理后送入设计好的时序神经网络结构(网络性能预测模型)中进行深度学习训练，最终得到学习到t0-tn时间段的数据规律的，训练后的网络性能预测模型。
可选的，在网络训练过程中可以采用误差反向传播机制进行自适应调整网络参数，以得出最匹配真实结果(真实网络参数)的预测结果(预测网络参数)。
需要说明的是，误差反向传播机制可以理解为：将预测结果与真实结果的误差进行反向传播并分摊至所有单元(模型参数)，获得各参数的误差信号，并以该误差信号作为调整参数权重值的依据，并经过周而复始的学习，不断对参数权值进行调整，即不断进行网络学习训练，并当最终输出的误差小于预设阈值，或者达到预先设定的学习次数时，结束该学习，得到训练好的模型。
需要说明的是，本申请实施例主要用于对专网用户(如5G专网用户)的网络性能进行预测，但也可以用于对个体用户如普通网络(公用网络)用户的网络性能进行预测的场景中。
本申请实施例中，在对网络性能预测模型进行训练时，获取相邻的多个历史日期中的每个历史日期包括的与目标单位时间段相同的单位时间段对应的网络指标数据，以及目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，得到包括多个网络指标数据的训练数据集。获取包括目标时间段对应的多个，包括网络参数、专网特征参数和时间特征的网络指标数据的训练数据集，并将多个网络指标数据分别输入至网络性能预测模型，确定目标时间段之后的相邻的第二时间段的对应的预测网络参数。进而基于第二时间段对应的预测网络参数，与第二时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，以得到训练后的网络性能预测模型。通过上述方法，能够基于包括网络参数、专网特征参数和时间特征的网络指标数据，对网络性能预测模型进行训练，使网络性能预测模型的预测结果(预测网络参数)，能够充分考虑由于网络指标数据的网络参数的不同、专网特征的不同以及时间特征的不同所带来的影响，结合历史网络指标数据的多种特征得到预测网络参数，以从而可以提高网络性能预测模型的预测准确性。
在一种可能的实现方式中，网络性能预测模型包括专网特征学习模块，如图5所示，本申请实施例提供的一种网络性能预测模型训练方法中，还包括S301：
S301、将多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至网络性能预测模型中的专网特征学习模块，确定每个网络指标数据对应的专网特征参数。
其中，专网特征包括以下至少一项：行业类型、专网类型和地理位置。
在网络性能预测模型的训练过程中，如果过度注意用户之间的差异性，如针对每个用户均单独训练一个预测模型，以预测该用户的网络性能，会消耗大量的资源(如训练时间成本、计算资源等)，并且在用户群体较大时，该方法难以实现。另外，使用单个用户的网络训练还会出现数据稀疏的问题，得不到很好的训练效果。因此，在相关的网络预测技术中，通常根据所有用户的网络参数数据进行预测模型的训练，得到一个较为宽泛，普适性较强，但准确性较低的预测结果。
而本申请实施例中，通过引入专网特征的概念，利用不同专网的各项描述与性质，通过神经网络学习，得到能代表每类专网的融合特征(专网特征参数)。以在聚焦专网用户的独特性的同时，能够使网络性能预测模型具有相对的鲁棒性，从而使该网络性能预测模型能够为未知的专网用户提供预测功能。
可选的，行业类型，可以理解为专网用户的应用场景，如教育园区的教育专网、工业园区的工业专网、医疗单位的医疗专网、铁路的铁路专网等；专网类型，可以理解为专网用户的网络部署类型，如独立专网、混合专网、虚拟专网等；地理位置，指专网用户所处的位置，如具体省份、地市等行政区域信息、地理经纬度信息等。
需要说明的是，当本申请应用于专网用户时，同一个专网用户的行业类型、专网类型、地理位置通常为固定不变的。
可选的，对于每个专网用户的行业类型、专网类型、地理位置等信息，均为在该专网部署时已经确定的，因此在获取网络指标数据时，对于不同专网的网络指标数据，可以通过数据打标等方式标注该专网下的网络指标数据对应的行业类型、专网类型、地理位置。
在一种可能的实现方式中，可以将每个网络指标数据对应的行业类型、专网类型、地理位置输入至专网特征学习模块，得到专网特征参数(即将上述的预设算法集成到网络性能预测模型中)，如下述公式一所示：
P＝f(p1，p2，p3) 公式一
其中，P为专网特征参数，p1为行业类型、p2为专网类型、p3为地理位置，f()为函数关系，即本申请实施例中的专网特征参数与专网特征的对应关系。
具体的，在对网络性能预测模型进行训练的过程中，将网络指标数据对应的行业类型p1、专网类型p2、地理位置p3输入至专网特征学习模块，得到网络指标数据中的专网特征参数P，进而根据网络指标数据中的网络参数、专网特征参数和时间特征，对网络性能预测模型进行训练。
在一种可能的实现方式中，同时选取用户流量、丢包率、业务时延、用户速率作为网络参数，并将网络参数、专网特征参数、时间特征作为网络指标数据，去训练网络性能预测模型时，输入的数据可以通过如下述公式二所示的特征向量T表示：
T＝[X，P，F]公式二
其中，x为网络参数，X＝[x1、x2、x3、x4]，x1为用户流量、x2为丢包率、x3为业务时延、x4为用户速率，P为专网特征参数，F为时间特征。
需要说明的是，在上述公式一和公式二中，对于网络参数x可以用数值表示，如对于用户流量x1、丢包率x2、业务时延x3和用户速率x4均有对应的具体数值。而对于行业类型p1、专网类型p2、地理位置p3以及时间特征F，均需要进行编码。
具体的，行业类型p1和专网类型p2可以采用one-hot编码方式进行编码，地理位置p3可以采用已有的省市编码，时间特征F可以采用0-1的二元表征。
需要说明的是，0-1的二元表征可以理解为：通过“0”指示网络指标数据对应的时间不属于预设日期，通过“1”指示网络指标数据对应的时间属于预设日期。
可选的，专网特征学习模块的网络架构，可以结合具体的使用需要、以及业务经验确定，如在本申请的一种实现方式中，专网特征学习模块可以通过深层全连接神经网络架构(deep neural network，DNN)实现。
可选的，如图6所示，本申请实施例中的专网特征学习模块主要用于基于网络指标数据对应的行业类型、专网类型、地理位置，确定网络指标数据的专网特征参数，进而根据目标指标数据包括的网络参数、专网特征参数和时间特征，确定第二单位时间段对应的预测网络参数。
可选的，在一种可能的实现方式中，当第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，大于预先设定的第一阈值时，可以对专网特征学习模块中的相关参数进行调整，具体的调整方式可以参考上述S203部分的相关描述，此处不再赘述。
可选的，可以结合业务经验，以及实际预测结果等信息，确定、调整专网特征学习模块的第一阈值。
可选的，在一种可能的实现方式中，当通过专网特征学习模块确定网络指标数据的专网特征参数时，训练数据集中的网络指标数据可以包括用户流量、专网特征、时间特征，并将网络指标数据输入至网络性能预测模型中，通过网络性能预测模型中的专网特征学习模块确定专网特征的专网特征参数，进而基于用户流量、专网特征参数、时间特征实现对网络性能预测模型的训练。
本申请实施例中，通过专网特征学习模块，学习不同专网特征，如不同行业类型、不同专网类型、不同地理位置对网络参数的影响，并通过专网特征参数将该影响程度数值化，在特征生成的结果融入该专网特征参数，以在对网络性能进行预测时，充分考虑不同专网特征的特性，提高网络性能预测模型的预测准确性。
在一种可能的实现方式中，网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块，如图7所示，本申请实施例提供的一种网络性能预测模型训练方法中，上述S202，包括S401-S403：
S401、将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的长期学习模块，确定目标单位时间段对应的网络指标数据对应的第一参数。
S402、将目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的短期学习模块，确定目标单位时间段对应的网络指标数据对应的第二参数。
可选的，第一参数可以理解为：学习了目标单位时间段对应的数据(相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据)的长期规律得出的，对第二时间段对应的网络参数的第一预测值；第二参数可以理解为：学习了目标单位时间段对应的数据(目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据)的短期规律得出的，对第二时间段对应的网络参数的第二预测值。
需要说明的是，由于指标值的时间序列的特性(上述S202部分描述)，因此网络指标数据通常存在一个长期存在的普适序列，以及在某个时间的网络指标数据(如网络参数)存在特殊数据的情况，换句话说，用户的网络使用情况从长期看通常具备时间规律性，而短期数据更能反应当前的网络使用情况的特征。因此本申请实施例中，通过长期学习模块，学习数据的长期普适的特征；通过短期学习模块，使预测结果能够更贴近当前的网络使用情况，进而根据长期学习模块和短期学习模块的综合，使预测结果更加稳定且准确。
可选的，为了保证数据的准确性，以及在训练过程中长期数据特征的学习与短期数据特征的学习可以不受干扰，在本申请实施例中，可以在网络架构中采用两个时序网络N1和N2，通过时序网络N1学习数据的长期特征(即长期学习模块)，通过时序网络N2学习数据的短期特征(即短期学习模块)，从而根据长期特征和短期特征得到更为精准的预测结果。
需要说明的是，对于时序网络N1和时序网络N2的具体架构，可以结合具体的使用需求确定。
示例性的，对于时序网络N1和时序网络N2，均可以采用Transformer作为网络基础架构，其中，通过时序网络N1学习数据的长期特征，如通过前一个月中每一天当前小时(目标单位时间段)的网络指标数据，使时序网络N1学习在长期数据中，某天的当前小时(即目标单位时间段)的特征规律；通过时序网络N2学习数据的短期特征，如通过前24小时中每小时的网络指标数据，使时序网络N2学习在短期数据中，当天每小时的特征规律。
需要说明的是，Transformer架构主要由编码器和解码器组合而成，不同于传统的卷积和循环单元，主要依靠自注意力机制进行工作，从而打破时序网络的的限制，实现并行计算。并且，由于在本申请实施例中，输入特征信息均为数值或编码形式，而非传统的Transformer应用中输入的文字等非数值信息，因此，在本申请实施例中，无需执行传统的Transformer词嵌入操作。相对应的，可将所选的六个特征(用户流量、丢包率、业务时延、用户速率、专网特征参数、时间特征)作为词嵌入纬度数据，从而组合特征为本申请实施例中的“词”表征输入。最终的网络最终输入纬度如下述公式三所示：
I＝I(b*m*c)公式三
其中，b指批数据的大小，即一批数据共有多少条数据记录；m为时序纬度大小，表示时序数据的长度，如在本申请实施例的上述示例中，在时序网络N1中为前一个月当前小时的数据长度，m取默认长度30，在时序网络N2中为前24小时数据长度，m取24；e为输出特征纬度(在传统的Transformer中指原词嵌入纬度)，在本申请实施例中，当同时采用上述六个特征时，e取6。
需要说明的是，在通过训练数据集对网络性能预测模型进行训练时，通常从训练数据集中分批随机抽出多条训练数据进行训练，每条训练数据包括一个用户在多个历史周期中的每个历史周期包括的第一单位时间段对应的网络指标数据，以及目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据。
需要说明的是，从训练数据集中分批随机抽出多条训练数据，可以理解为：每次从训练数据集中随机抽取多条训练数据，直至将训练数据集中的训练数据抽空。
可选的，训练数据集中还可以包括有训练结果集，该训练结果集中包括每条训练数据对应的真实值(真实网络参数)。
当从训练数据集中分批随机抽出多条训练数据进行训练时，在该训练数据集中的训练数据抽空时，认为是一次完整的训练。
在一种可能的实现方式中，当在一次完整的训练过程中每次的预测结果与真实结果之间的差值均符合要求时，确定网络性能预测模型的训练完成，得到训练后的网络性能预测模型。
需要说明的是，由于Transformer的自注意力机制并无法获取到数据输入的顺序，因此在本申请实施例中，输入的时序向量t＝{t1，t2…tn-1}还可以通过位置编码，对时序向量添加相对位置信息，以使得网络性能预测模型能够更好的捕捉到数据的时序特征。
示例性的，可以通过经典的正余弦位置编码模型实现位置编码，具体的编码计算公式如下述公式四与公式五：
其中，d表示位置向量的维度；2i表示偶数维传感器，用函数sin来编码；2i+1表示奇数位传感器，可以通过余弦函数cos来编码。
另外，输入的参数在进入网络后，会经过多个自注意力层加前馈网络层单元的处理。通过注意力机制提取序列内部的相关性，每一个时间步的注意力权重的计算需要序列内部所有数据的参与。
需要说明的是，注意力机制可以理解为：将查询Q(Query)、键K(Key)和V(value)映射到输出，然后通过softmax层将输出映射到区间内。在给定维度dk的Q和K以及dv维度的V的情况下，点积式注意力的计算过程可以为下述公式六所示：
进一步的，在网络架构设计中，还可以对每层计算后的数据进行残差网络加层标准化(layer normalization)处理，以消除层数加深所导致的信息损失(网络退化)的问题。
在网络架构的网络输出层，由于输出结果为数值类型的用户网络指标数据，因此在本申请实施例的实现过程中，可以跳过原有的softmax分类层，而改用前馈网络直接计算结果。
S403、基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
可选的，如图6所示，本申请实施例中的长期学习模块，主要用于基于长期数据(即相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据)，如前一个月中每一天当前小时(目标单位时间段)的网络指标数据(图6中的网络参数、专网特征参数和时间特征)，实现对网络指标数据长期特征的学习，确定目标单位时间段对应的网络指标数据对应的第一参数。
本申请实施例中的短期学习模块，主要用于基于短期数据(即目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据)，如前24小时中每小时的网络指标数据(图6中的网络参数、专网特征参数和时间特征)，实现对网络指标数据短期特征的学习，确定目标单位时间段对应的网络指标数据对应的第二参数。
可选的，在一种可能的实现方式中，当第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，大于预先设定的第二阈值时，可以对长期学习模块和短期学习模块中的相关参数进行调整，具体的调整方式可以结合上述S203部分的相关描述，此处不再赘述。
需要说明的是，在一种可能的实现方式中，对于长期学习模块的第二阈值和短期规律学习的第二阈值，可以为同一大小的第二阈值，也可以为不同大小的第二阈值，具体可以结合业务经验，以及实际预测结果等信息，确定、调整长期学习模块的第二阈值和短期规律学习的第二阈值。
本申请实施例中，通过长期学习模块学习历史数据的长期特征，通过短期学习模块学习近期历史数据的短期特征，实现长期范畴、短期范畴的双向预测，以进一步提高网络性能预测模型的预测准确性。
在一种可能的实现方式中，网络性能预测模型包括：长期学习模块、短期学习模块和特征融合模块，如图8所示，本申请实施例提供的一种网络性能预测模型训练方法中，上述S403，包括S501：
S501、将目标单位时间段对应的第一参数和第二参数，输入至网络性能预测模型中的特征融合模块，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
需要说明的是，根据上述S401和S402部分的描述可知，可以通过长期学习模块得到，基于目标单位时间段对应的数据的长期规律，确定的第二时间段对应的网络参数的第一预测值；也可以通过短期学习模块得到，基于目标单位时间段对应的数据的短期规律，确定的第二时间段对应的网络参数的第二预测值。因此，为了进一步提高对第二时间段对应的网络参数的预测结果的准确性，可以通过第一预测值和第二预测值，进一步确定最接近真实值的预测网络参数。
可选的，对于特征融合模块的网络结构，可以结合具体的使用需要、以及业务经验确定，如在本申请的一种实现方式中，特征融合模块可以通过深层全连接神经网络架构(deep neural network，DNN)实现。
具体的，如图6所示，可以通过本申请实施例中的特征融合模块，将上述神经网络N1、神经网络N2的输入(第一参数、第二参数)作为输入，将第一参数中学习的长期特征与第二参数中学习的短期特征进行融合，从而得到更为准确的预测结果。
可选的，当第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，大于预先设定的第三阈值时，可以对特征融合模块中的相关参数进行调整，具体的调整方式可以参考上述S203部分的相关描述，此处不再赘述。
需要说明的是，在一种可能的实现方式中，对于本申请实施例中的第一阈值、第二阈值和第三阈值，可以为同一大小的阈值，也可以为不同大小的阈值，具体可以结合业务经验，以及实际预测结果等信息，确定、调整本申请实施例中的第一阈值、第二阈值、第三阈值。
本申请实施例中，通过特征融合模块，将长期学习模块得到的第一参数、短期学习模块得到的第二参数进行融合，即将数据的长期特征与短期特征进行特征融合，实现基于数据长期特征与数据短期特征，对网络参数的综合预测，时预测结果更加精准。
在一种可能的实现方式中，如图9所示，本申请实施例提供的一种网络性能预测模型训练方法中，还包括S601-S602：
S601、获取第三单位时间段对应的目标数据。
其中，第三单位时间段为当前时刻之后的时间段，目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与第三单位时间段相同的多个单位时间段对应的网络指标数据。
可选的，第三时间段对应的目标数据可以为待预测用户(专网用户)对应的目标数据。
可选的，在网络性能预测模型训练好之后，也可以用于对个体用户的网络性能预测，如某专网下的某用户网络性能的预测。
S602、将目标数据输入至训练后的网络性能预测模型中，得到第三单位时间段对应的预测网络参数。
可选的，如图4所示，在得到训练后的网络性能预测模型后，可以将第三时间段对应的目标数据输入至该训练后的网络性能预测模型，从而得到第三时间段对应的预测网络参数。
需要说明的是，通过网络性能预测模型，根据目标数据得到第三单位时间段对应的预测网络参数的具体原理，可以参照上述关于网络性能预测模型的训练过程中的预测原理，在上述已有相关描述(如上述关于图6的相关描述)，此处不再赘述。
可选的，在得到第三单位时间段对应的预测网络参数后，可以根据该预测网络参数，为专网的资源分配提供参考，以更合理的分配网络资源、保证专网的稳定性和服务性。
本申请实施例中，上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对一种网络性能预测模型训练装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，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。
图10为本申请实施例提供的一种网络性能预测模型训练装置的结构示意图。如图10所示，网络性能预测模型训练装置100用于提高网络性能预测模型的预测准确性，例如用于执行图2所示的一种网络性能预测模型训练方法。该网络性能预测模型训练装置100包括：获取单元1001，确定单元1002和处理单元1003；
获取单元1001，用于获取包括多个网络指标数据的训练数据集。
其中，多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，第一单位时间段为每个历史日期中与目标单位时间段相同的单位时间段；网络指标数据包括：网络参数、专网特征参数和时间特征，其中，网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，专网特征参数用于指示网络类型，时间特征用于指示网络指标数据对应的时间是否属于预设日期。
确定单元1002，用于将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
处理单元1003，用于基于第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，得到训练后的网络性能预测模型。
在一种可能的实现方式中，网络性能预测模型包括专网特征学习模块。
确定单元1002，用于将多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至网络性能预测模型中的专网特征学习模块，确定每个网络指标数据对应的专网特征参数，专网特征包括以下至少一项：行业类型、专网类型和地理位置。
确定单元1002，用于基于每个网络指标数据包括的网络参数、专网特征参数和时间特征，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
在一种可能的实现方式中，网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块。
确定单元1002，用于将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的长期学习模块，确定目标单位时间段对应的网络指标数据对应的第一参数。
和/或，确定单元1002，用于将目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的短期学习模块，确定目标单位时间段对应的网络指标数据对应的第二参数。
确定单元1002，用于基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
在一种可能的实现方式中，网络性能预测模型包括：长期学习模块、短期学习模块和特征融合模块。
确定单元1002，用于将目标单位时间段对应的第一参数和第二参数，输入至网络性能预测模型中的特征融合模块，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
在一种可能的实现方式中，获取单元1001，用于获取第三单位时间段对应的目标数据，第三单位时间段为当前时刻之后的时间段，目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与第三单位时间段相同的多个单位时间段对应的网络指标数据。
确定单元1002，用于确定单元1002，用于将目标数据输入至训练后的网络性能预测模型中，得到第三单位时间段对应的预测网络参数。
在采用硬件的形式实现上述集成的模块的功能的情况下，本申请实施例提供了上述实施例中所涉及的电子设备的一种可能的结构示意图。如图11所示，一种电子设备110，用于提高网络性能预测模型的预测准确性，例如用于执行图2所示的一种网络性能预测模型训练方法。该电子设备110包括处理器1101，存储器1102以及总线1103。处理器1101与存储器1102之间可以通过总线1103连接。
处理器1101是通信装置的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器1101可以是一个通用中央处理单元(central processing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例，处理器1101可以包括一个或多个CPU，例如图11中所示的CPU 0和CPU 1。
存储器1102可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
作为一种可能的实现方式，存储器1102可以独立于处理器1101存在，存储器1102可以通过总线1103与处理器1101相连接，用于存储指令或者程序代码。处理器1101调用并执行存储器1102中存储的指令或程序代码时，能够实现本申请实施例提供的一种网络性能预测模型训练方法。
另一种可能的实现方式中，存储器1102也可以和处理器1101集成在一起。
总线1103，可以是工业标准体系结构(industry standard architecture，ISA)总线、外围设备互连(peripheral component interconnect，PCI)总线或扩展工业标准体系结构(extended industry standard architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
需要指出的是，图11示出的结构并不构成对该电子设备110的限定。除图11所示部件之外，该电子设备110可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
作为一个示例，结合图10，网络性能预测模型训练装置100中的获取单元1001，确定单元1002和处理单元1003实现的功能与图11中的处理器1101的功能相同。
可选的，如图11所示，本申请实施例提供的电子设备110还可以包括通信接口1104。
通信接口1104，用于与其他设备通过通信网络连接。该通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks，WLAN)等。通信接口1104可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。
在一种可能的实现方式中，本申请实施例提供的电子设备中，通信接口还可以集成在处理器中。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能单元的划分进行举例说明。在实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，该计算机执行上述方法实施例所示的方法流程中的各个步骤。
本申请的实施例提供一种包含指令的计算机程序产品，当指令在计算机上运行时，使得计算机执行上述方法实施例中的一种网络性能预测模型训练方法。
其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦式可编程只读存储器(erasable programmable read only memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任一合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。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特定用途集成电路(application specific integrated circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
由于本申请的实施例中的电子设备、计算机可读存储介质、计算机程序产品可以应用于上述方法，因此，其所能获得的技术效果也可参考上述方法实施例，本申请实施例在此不再赘述。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。

Claims (12)

1.一种网络性能预测模型训练方法，其特征在于，所述方法包括：
获取包括多个网络指标数据的训练数据集，所述多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，所述第一单位时间段为每个历史日期中与所述目标单位时间段相同的单位时间段；所述网络指标数据包括：网络参数、专网特征参数和时间特征，其中，所述网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，所述专网特征参数用于指示网络类型，所述时间特征用于指示网络指标数据对应的时间是否属于预设日期；
将所述多个网络指标数据分别输入至网络性能预测模型中，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数；
基于所述第二单位时间段对应的预测网络参数与所述第二单位时间段对应的真实网络参数之间的差值，调整所述网络性能预测模型的模型参数，得到训练后的网络性能预测模型。
2.根据权利要求1所述的方法，其特征在于，所述网络性能预测模型包括专网特征学习模块；所述方法还包括：
将所述多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至所述网络性能预测模型中的所述专网特征学习模块，确定每个网络指标数据对应的所述专网特征参数，所述专网特征包括以下至少一项：行业类型、专网类型和地理位置。
3.根据权利要求1或2所述的方法，其特征在于，所述网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块；
所述将所述多个网络指标数据分别输入至网络性能预测模型中，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数，包括：
将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至所述网络性能预测模型中的所述长期学习模块，确定所述目标单位时间段对应的网络指标数据对应的第一参数；
和/或，将所述目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至所述网络性能预测模型中的所述短期学习模块，确定所述目标单位时间段对应的网络指标数据对应的第二参数；
基于所述目标单位时间段对应的所述第一参数和/或所述第二参数，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
4.根据权利要求3所述的方法，其特征在于，所述网络性能预测模型包括：所述长期学习模块、所述短期学习模块和特征融合模块；
所述基于所述目标单位时间段对应的所述第一参数和/或所述第二参数，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数，包括：
将所述目标单位时间段对应的所述第一参数和所述第二参数，输入至所述网络性能预测模型中的所述特征融合模块，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取第三单位时间段对应的目标数据，所述第三单位时间段为当前时刻之后的时间段，所述目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与所述第三单位时间段相同的多个单位时间段对应的网络指标数据；
将所述目标数据输入至所述训练后的网络性能预测模型中，得到所述第三单位时间段对应的预测网络参数。
6.一种网络性能预测模型训练装置，其特征在于，所述网络性能预测模型训练装置包括：获取单元，确定单元和处理单元；
所述获取单元，用于获取包括多个网络指标数据的训练数据集，所述多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，所述第一单位时间段为每个历史日期中与所述目标单位时间段相同的单位时间段；所述网络指标数据包括：网络参数、专网特征参数和时间特征，其中，所述网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，所述专网特征参数用于指示网络类型，所述时间特征用于指示网络指标数据对应的时间是否属于预设日期；
所述确定单元，用于将所述多个网络指标数据分别输入至网络性能预测模型中，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数；
所述处理单元，用于基于所述第二单位时间段对应的预测网络参数与所述第二单位时间段对应的真实网络参数之间的差值，调整所述网络性能预测模型的模型参数，得到训练后的网络性能预测模型。
7.根据权利要求6所述的网络性能预测模型训练装置，其特征在于，所述网络性能预测模型包括专网特征学习模块；
所述确定单元，用于将所述多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至所述网络性能预测模型中的所述专网特征学习模块，确定每个网络指标数据对应的所述专网特征参数，所述专网特征包括以下至少一项：行业类型、专网类型和地理位置。
8.根据权利要求6或7所述的网络性能预测模型训练装置，其特征在于，所述网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块；
所述确定单元，用于将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至所述网络性能预测模型中的所述长期学习模块，确定所述目标单位时间段对应的网络指标数据对应的第一参数；
和/或，所述确定单元，用于将所述目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至所述网络性能预测模型中的所述短期学习模块，确定所述目标单位时间段对应的网络指标数据对应的第二参数；
所述确定单元，用于基于所述目标单位时间段对应的所述第一参数和/或所述第二参数，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
9.根据权利要求8所述的网络性能预测模型训练装置，其特征在于，所述网络性能预测模型包括：所述长期学习模块、所述短期学习模块和特征融合模块；
所述确定单元，用于将所述目标单位时间段对应的所述第一参数和所述第二参数，输入至所述网络性能预测模型中的所述特征融合模块，确定所述目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。
10.根据权利要求6或7所述的网络性能预测模型训练装置，其特征在于，所述获取单元，用于获取第三单位时间段对应的目标数据，所述第三单位时间段为当前时刻之后的时间段，所述目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与所述第三单位时间段相同的多个单位时间段对应的网络指标数据；
所述确定单元，用于所述确定单元，用于将所述目标数据输入至所述训练后的网络性能预测模型中，得到所述第三单位时间段对应的预测网络参数。
11.一种电子设备，其特征在于，包括：处理器以及存储器；其中，所述存储器用于存储一个或多个程序，所述一个或多个程序包括计算机执行指令，当所述电子设备运行时，处理器执行所述存储器存储的所述计算机执行指令，以使所述电子设备执行权利要求1-5中任一项所述的一种网络性能预测模型训练方法。
12.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当被计算机执行时使所述计算机执行权利要求1-5中任一项所述的一种网络性能预测模型训练方法。
CN202310612860.XA 2023-05-26 2023-05-26 网络性能预测模型训练方法、装置、设备及存储介质 Pending CN116582449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310612860.XA CN116582449A (zh) 2023-05-26 2023-05-26 网络性能预测模型训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310612860.XA CN116582449A (zh) 2023-05-26 2023-05-26 网络性能预测模型训练方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116582449A true CN116582449A (zh) 2023-08-11

Family

ID=87533916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310612860.XA Pending CN116582449A (zh) 2023-05-26 2023-05-26 网络性能预测模型训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116582449A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041073A (zh) * 2023-09-05 2023-11-10 广州天懋信息系统股份有限公司 网络行为预测方法、系统、设备及存储介质
CN117750080A (zh) * 2023-12-28 2024-03-22 广州速启科技有限责任公司 一种用于音视频流传输的编码参数预测方法及服务器
CN118041745A (zh) * 2024-04-12 2024-05-14 北京飞利信信息安全技术有限公司 物联网电表故障监测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041073A (zh) * 2023-09-05 2023-11-10 广州天懋信息系统股份有限公司 网络行为预测方法、系统、设备及存储介质
CN117041073B (zh) * 2023-09-05 2024-05-28 广州天懋信息系统股份有限公司 网络行为预测方法、系统、设备及存储介质
CN117750080A (zh) * 2023-12-28 2024-03-22 广州速启科技有限责任公司 一种用于音视频流传输的编码参数预测方法及服务器
CN118041745A (zh) * 2024-04-12 2024-05-14 北京飞利信信息安全技术有限公司 物联网电表故障监测方法及系统

Similar Documents

Publication Publication Date Title
CN116582449A (zh) 网络性能预测模型训练方法、装置、设备及存储介质
US20240028890A1 (en) Distributed labeling for supervised learning
Li et al. Method of resource estimation based on QoS in edge computing
CN114422267A (zh) 流量检测方法、装置、设备及介质
CN112801719A (zh) 用户行为预测方法、用户行为预测装置、存储介质及设备
CN113204577A (zh) 信息推送方法、装置、电子设备和计算机可读介质
Smolak et al. The impact of human mobility data scales and processing on movement predictability
CN115049070A (zh) 联邦特征工程数据的筛选方法及装置、设备及存储介质
CN114257815A (zh) 一种视频转码方法、装置、服务器和介质
CN112115372A (zh) 一种停车场的推荐方法及装置
CN114510305A (zh) 模型训练方法、装置、存储介质及电子设备
CN117241092A (zh) 一种视频处理方法、装置、存储介质及电子设备
CN117135032A (zh) 一种异常识别方法、装置和设备及计算机存储介质
CN116483891A (zh) 一种信息预测方法、装置、设备和存储介质
CN116528004A (zh) 一种视频推送方法、装置、设备和存储介质
CN116340632A (zh) 对象推荐方法、装置、介质及电子设备
CN110634024A (zh) 一种用户属性标记方法、装置、电子设备及存储介质
Lima et al. Human Mobility Support for Personalized Data Offloading
CN115174237A (zh) 一种物联网系统恶意流量的检测方法、装置和电子设备
CN115759223A (zh) 模型训练方法、数据处理方法、电子设备、可读存储介质
CN115222036A (zh) 模型的训练方法、表征信息的获取方法和路线规划方法
CN112188487A (zh) 一种提高用户鉴权准确性的方法与系统
CN112822045B (zh) 基于多特征混合神经网络的内容传播热区预测方法
JP4780669B2 (ja) トラヒック特性予測装置
Begum et al. Network Coding for End-to-End Connectivity in Underwater High Speed Communication Networks

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