CN116709356A - 一种流量预测方法、装置及系统 - Google Patents
一种流量预测方法、装置及系统 Download PDFInfo
- Publication number
- CN116709356A CN116709356A CN202211098223.7A CN202211098223A CN116709356A CN 116709356 A CN116709356 A CN 116709356A CN 202211098223 A CN202211098223 A CN 202211098223A CN 116709356 A CN116709356 A CN 116709356A
- Authority
- CN
- China
- Prior art keywords
- flow
- time period
- predicted
- historical
- traffic
- 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 42
- 230000002159 abnormal effect Effects 0.000 claims description 99
- 230000008859 change Effects 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 14
- 230000006854 communication Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 230000005236 sound signal Effects 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 229920001621 AMOLED Polymers 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种流量预测方法、装置及系统,具体包括:确定待预测时间段内的时段特征,作为目标时段特征,根据预设的时段特征与流量之间的对应关系,确定目标时段对应的流量,作为待预测时间段内的目标流量。其中,由于预设的时段特征与流量之间的对应关系为预先基于各历史时间段的时段特征与历史流量确定得到的,该对应关系能够准确反映出时间段的时段特征与流量之间存在的关系,故可根据待预测时间段中存在的时段特征对待预测时间段内的目标流量进行准确预测。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种流量预测方法、装置及系统。
背景技术
相关技术中,认为流量的变化具有一定的规律性,因此认为将来某个时间点或者某段时间段的流量应当与历史时间段的流量相似。由此,可以通过统计的历史流量,预测所要预测的时间点或时间段的流量,来为流量分配提供指导,以便提供优质的流量服务。
但是,历史流量容易因一些特殊的事件而出现流量陡增或者骤降的情形,而这些特殊的事件在所要预测的时间点或时间段内并不一定会发生,导致流量的变化存在一定的不规律性,因此通过统计历史时间段的流量难以准确预测所要预测的时间点或时间段的流量。
发明内容
有鉴于此,本申请提供一种流量预测方法、装置及系统,用于提高流量预测的准确性。
第一方面,本申请提供了一种流量预测方法,所述方法包括:
确定待预测时间段内的时段特征,作为目标时段特征;
根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的目标流量,其中,所述对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的。
结合第一方面的第一种可能的实施例,本申请提供了第二种可能的实施例,其中,所述方法还包括:
统计历史时间段的历史流量,得到统计流量;
所述根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的预测流量,包括:
若所述统计流量处于预设异常取值区间,根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的预测流量。
结合第一方面的第二种可能的实施例,本申请提供了第三种可能的实施例,其中,所述方法还包括:
若所述统计流量不处于处于所述预设异常取值区间,则将所述统计流量确定为所述待预测时间段内的目标流量。
结合第一方面的第二种或者第三种可能的实施例,本申请提供了第四种可能的实施例,其中,所述对应关系预先通过以下方式确定得到,包括:
获取处于所述预设异常取值区间的历史流量,作为异常历史流量;
确定所述异常历史流量所属时间段的时段特征,作为异常时段特征;
建立所述异常历史流量与所述异常时段特征之间的对应关系。
结合第一方面,本申请提供了第五种可能的实施例,其中,所述时段特征,包括以下特征中任意一种或任意多种的组合:
用于表示流量变化趋势的趋势特征、用于表示时间段内的节假日的节假日特征、用于表示时间段内发生的周期性事件的周期事件特征、用于表示时间段内发生的非周期性事件的非周期事件特征。
第二方面,本申请提供了一种流量预测装置,所述装置包括:
第一确定模块,用于确定待预测时间段内的时段特征,作为目标时段特征;
第二确定模块,用于根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的目标流量,其中,所述对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的。
结合第二方面,本申请提供了第二种可能的实施例,其中,所述装置还包括:
统计模块,用于统计历史时间段的历史流量,得到统计流量;
所述第二确定模块,具体用于若所述统计流量处于预设异常取值区间,根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的预测流量。
结合第二方面的第二种可能的实施例,本申请提供了第三种可能的实施例,其中,所述第二确定模块还用于:
若所述统计流量不处于处于所述预设异常取值区间,则将所述统计流量确定为所述待预测时间段内的目标流量。
结合第二方面的第二种或者第三种可能的实施例,本申请提供了第四种可能的实施例,其中,所述对应关系预先通过以下方式确定得到,包括:
获取处于所述预设异常取值区间的历史流量,作为异常历史流量;
确定所述异常历史流量所属时间段的时段特征,作为异常时段特征;
建立所述异常历史流量与所述异常时段特征之间的对应关系。
结合第二方面,本申请提供了第五种可能的实施例,其中,所述时段特征,包括以下特征中任意一种或任意多种的组合:
用于表示流量变化趋势的趋势特征、用于表示时间段内的节假日的节假日特征、用于表示时间段内发生的周期性事件的周期事件特征、用于表示时间段内发生的非周期性事件的非周期事件特征。
第三方面,本申请提供了一种流量预测系统,其中,所述流量系统包括:平台服务器和流量预测模型服务器,所述流量预测模型服务器中预先存储有时段特征与流量之间的对应关系,所述对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的;
所述平台服务器,用于响应于流量分配任务,向所述预测模型服务器发送流量预测请求;
所述流量预测模型服务器,用于响应于所述流量预测请求,确定待预测时间段内的时段特征,作为目标时段特征;根据所述对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的目标流量;并将所述目标流量发送至所述平台服务器;
所述平台服务器,还用于根据所述目标流量,为所述流量分配任务分配所述待预测时间段的流量。
结合第三方面,本申请提供了第二种可能的实施例,其中,所述平台服务器还用于统计历史时间段的历史流量,得到统计流量;
所述平台服务器向所述预测模型服务器发送流量预测请求,包括:
若所述统计流量处于预设异常取值区间,则向所述预测模型服务器发送流量预测请求;
所述平台服务器根据所述目标流量,为所述流量分配任务分配所述待预测时间段的流量,包括:
若所述统计流量处于预设异常取值区间,则所述平台服务器根据所述目标流量,为所述流量分配任务分配所述待预测时间段的流量。
结合第三方面的第二种可能的实施例,本申请提供了第三种可能的实施例,其中,所述平台服务器,还用于若所述统计流量不处于预设异常取值区间,所述平台服务器根据所述统计流量,为所述流量分配任务分配所述待预测时间段的流量。
采用本申请实施例提供的技术方案,预先基于各历史时间段的时段特征以及历史流量,可确定出预设的时段特征与流量之间的对应关系,然后根据预设的时段特征与流量之间的对应关系,确定出目标时段特征对应的流量作为待预测时间段内的目标流量。如此,当发生特殊的事件时,根据该事件对应的时段特征可能确定出相应的流量来作为目标流量,能够有效提高流量预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。
图1a为本申请实施例提供的一种电子设备的逻辑结构示意图;
图1b为本申请实施例提供的一种流量预测方法流程示意图;
图2为本申请实施例提供的另一种流量预测方法流程示意图;
图3为本申请实施例提供的一种流量预测装置逻辑结构示意图;
图4为本申请实施例提供的一种流量预测系统逻辑结构示意图;
图5为本申请实施例提供的一种流量预测系统的处理流程示意图。
具体实施方式
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“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,甲和/或乙,可以表示:单独存在甲,同时存在甲和乙,单独存在乙这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
参见图1a,图1a所示为本申请实施例提供的终端设备的硬件结构示意图。
终端设备包括处理器110、收发器120和显示单元170。其中,显示单元170可以包括显示屏。
可选地,该终端设备还可以包括存储器130。处理器110、收发器120和存储器130之间可以通过内部连接通路互相通信,传递控制和/或数据信号,该存储器130用于存储计算机程序,该处理器110用于从该存储器130中调用并运行该计算机程序。
可选地,终端设备还可以包括天线140,用于将收发器120输出的无线信号发送出去。
上述处理器110可以和存储器130合成一个处理装置,更常见的是彼此独立的部
件,处理器110用于执行存储器130中存储的程序代码来实现上述功能。具体实现时,该存储器130也可以集成在处理器110中,或者,独立于处理器110。
除此之外,为了使得终端设备的功能更加完善,该终端设备还可以包括输入单元160、音频电路180、摄像头190和传感器101等中的一个或多个,该音频电路还可以包括扬声器182、麦克风184等。
可选地,上述终端设备还可以包括电源150,用于给终端设备中的各种器件或电路提供电源。
可以理解的是,图1a所示的终端设备中的各个模块的操作和/或功能,分别为了实现下述方法实施例中的相应流程。具体可参见下述方法实施例中的描述,为避免重复,此处适当省略详细描述。
可以理解的是,图1a所示的终端设备中的处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processing unit,GPU),图像信号处理器(imagesignalprocessor,ISP),控制器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuitsound,I2S)接口,脉冲编码调制(pulsecode modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。
I2C接口是一种双向同步串行总线,包括一根串行数据线(serial data line,SDA)和一根串行时钟线(derail clock line,SCL)。在一些实施例中,处理器110可以包含多组I2C总线。处理器110可以通过不同的I2C总线接口分别耦合触摸传感器180K,充电器,闪光灯,摄像头190等。例如:处理器110可以通过I2C接口耦合触摸传感器180K,使处理器110与触摸传感器180K通过I2C总线接口通信,实现终端设备的触摸功能。
I2S接口可以用于音频通信。在一些实施例中,处理器110可以包含多组I2S总线。处理器110可以通过I2S总线与音频电路180耦合,实现处理器110与音频电路180之间的通信。在一些实施例中,音频电路180可以通过I2S接口向收发器120传递音频信号,实现通过蓝牙耳机接听语音通话的功能。
PCM接口也可以用于音频通信,将模拟信号抽样,量化和编码。在一些实施例中,音频电路180与收发器120可以通过PCM总线接口耦合。在一些实施例中,音频电路180也可以通过PCM接口向收发器120传递音频信号,实现通过蓝牙耳机接听语音通话的功能。所述I2S接口和所述PCM接口都可以用于音频通信。
UART接口是一种通用串行数据总线,用于异步通信。该总线可以为双向通信总线。它将要传输的数据在串行通信与并行通信之间转换。在一些实施例中,UART接口通常被用于连接处理器110与收发器120。例如:处理器110通过UART接口与收发器120中的蓝牙模块通信,实现蓝牙功能。在一些实施例中,音频电路180可以通过UART接口向收发器120传递音频信号,实现通过蓝牙耳机播放音乐的功能。
MIPI接口可以被用于连接处理器110与显示单元170,摄像头190等外围器件。MIPI接口包括摄像头串行接口(camera serial interface,CSI),显示屏串行接口(displayserial interface,DSI)等。在一些实施例中,处理器110和摄像头190通过CSI接口通信,实现终端设备的拍摄功能。处理器110和显示单元170通过DSI接口通信,实现终端设备的显示功能。
GPIO接口可以通过软件配置。GPIO接口可以被配置为控制信号,也可被配置为数据信号。在一些实施例中,GPIO接口可以用于连接处理器110与摄像头190,显示单元170,收发器120,音频电路180,传感器101等。GPIO接口还可以被配置为I2C接口,I2S接口,UART接口,MIPI接口等。
可以理解的是,本申请实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对终端设备的结构限定。在本申请另一些实施例中,终端设备也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
可以理解的是,图1a所示的电源150用于给处理器110,存储器130,显示单元170,摄像头190,输入单元160和收发器120等供电。天线140用于发射和接收电磁波信号。终端设备中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线140复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
收发器120可以提供应用在终端设备上的包括无线局域网(wireless local areanetworks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequencymodulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。收发器120可以是集成至少一个通信处理模块的一个或多个器件。收发器120经由天线140接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。收发器120还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线140转为电磁波辐射出去。
在一些实施例中,终端设备的天线140和收发器120耦合,使得终端设备可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯系统(global system for mobile communications,GSM),通用分组无线服务(general packetradio service,GPRS),码分多址接入(code division multiple access,CDMA),宽带码分多址(wideband code division multiple access,WCDMA),时分码分多址(time-divisioncode division multiple access,TD-SCDMA),长期演进(long term evolution,LTE),BT,GNSS,WLAN,NFC,FM,和/或IR技术等。所述GNSS可以包括全球卫星定位系统(globalpositioning system,GPS),全球导航卫星系统(global navigation satellite system,GLONASS),北斗卫星导航系统(beidou navigation satellite system,BDS),准天顶卫星系统(quasi-zenith satellite system,QZSS)和/或星基增强系统(satellite basedaugmentation systems,SBAS)。
终端设备通过GPU,显示单元170,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示单元170和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示单元170用于显示图像,视频等。显示单元170包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic lightemittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(activematrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,终端设备可以包括1个或N个显示单元170,N为大于1的正整数。
终端设备可以通过ISP,摄像头190,视频编解码器,GPU,显示单元170以及应用处理器等实现拍摄功能。
ISP用于处理摄像头190反馈的数据。例如,录制视频时,打开摄像头,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。
ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头190中。摄像头190用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP
加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,终端设备可以包括1个或N个摄像头190,N为大于1的正整数。数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当终端设备在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。终端设备可以支持一种或多种视频编解码器。这样,终端设备可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)1,MPEG2,MPEG3,MPEG4等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现终端设备的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
存储器130可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。存储器130可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统,至少一个功能所需的应用程序(比如声音播放功能,图像播放功能等)等。存储数据区可存储终端设备使用过程中所创建的数据(比如音频数据,电话本等)等。此外,存储器130可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。处理器110通过运行存储在存储器130的指令,和/或存储在设置于处理器中的存储器的指令,执行终端设备的各种功能应用以及数据处理。
终端设备可以通过音频电路180,扬声器182,麦克风184,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频电路180用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。音频电路180还可以用于对音频信号编码和解码。在一些实施例中,音频电路180可以设置于处理器110中,或将音频电路180的部分功能模块设置于处理器110中。
扬声器182,也称“喇叭”,用于将音频电信号转换为声音信号。终端设备可以通过扬声器182收听音乐,或收听免提通话。
麦克风184,也称“话筒”,“传声器”,用于将声音信号转换为电信号。当拨打电话或发送语音信息时,用户可以通过靠近麦克风184发声,将声音信号输入到麦克风184。终端设备可以设置至少一个麦克风184。在另一些实施例中,终端设备可以设置两个麦克风184,除了采集声音信号,还可以实现降噪功能。在另一些实施例中,终端设备还可以设置三个,四个或更多麦克风184,实现采集声音信号,降噪,还可以识别声音来源,实现定向录音功能等。
在本申请中,流量是指目标设备上网过程中所消耗的数据流量,本申请中所提及的流量的种类包括但不限于:广告流量、普通流量。其中,广告流量为根据用户需求向特定区域、特定范围的受众投放的广告推送所产生的数据流量。普通流量为除广告流量以外,使用者的主动上网行为所产生的数据流量。
流量预测是指根据目标设备在历史上网过程中所消耗数据流量,来预测目标设备在未来的某个时间点或某段时间段上过程中会消耗的数据流量。目标设备在上网过程中所消耗的数据流量可通过流量统计软件统计得到,也可通过专门的流量计量设备计算得到。
在场景一中,可根据流量预测结果为广告订单分配用户群体。示例性的,保量要求的广告订单要求将广告展示给年龄在20岁以上的用户,且7月份展示广告的展示量,即广告的流量,需要达到100万。假设一共存在三类用户群体,分别记为用户群体1-3,其中,用户群体1的用户年龄在20岁以下,用户群体2和用户群体3的用户年龄在20岁以上,且用户群体2在5月份产生的广告的流量为55万,用户群体在5月份产生的广告的流量为45万,用户群体2在6月份产生的广告的流量为60万,用户群体在6月份产生的广告的流量为50万。则通过统计5、6月份用户群体2、3各自的产生的广告的流量,预测得到用户群体2在7月份将产生的广告的流量为65万,用户群体2在7月份将产生的广告的流量为55万,因此计划7月份由用户群体2为该广告订单产生60万的流量,用户群体3为该广告订单产生40万的流量,以完成该广告订单的要求。
在场景二中,可根据流量预测结果向目标设备提供针对性的流量服务。示例性的,比如根据目标设备在10月份所消耗的流量预测出11月份目标设备所需的流量为50GB,当前10月份为目标设备所提供的流量服务为60GB,则在11月份时,将降低向目标设备所提供的流量的量,以降低11月份的流量浪费。或者,比如预测得到11月份目标设备所需流量为70GB,当前10月份为该目标设备所提供的流量服务为60GB,则在11月份时,需要增加目标设备所需的流量服务,以保证目标设备流量服务质量。
但是,相关技术中,通过历史N个周期内目标设备所消耗的数据流量,来对未来的某一周期内目标设备所会消耗的数据流量进行预测的方式,会因历史数据周存在一些特殊的事件而导致所预测的结果存在较大的误差。
例如,以场景一为例,可能10月份存在发布会,因此导致用户群体2、3产生的广告的流量相对9月份有所上升,实际上11月份用户群体2、3产生的广告的流量不会继续上升而是回落至9月份的水平,即11月份用户群体2实际能产生的广告流量为50万,用户群体3实际能产生的广告流量为45万。而在场景一中,计划用户群体2在11月份为广告订单产生60的流量,显然无法实现,进而导致该广告订单无法完成。
又例如,由于10月份存在国庆节的法定节假日,历史数据流量存在陡增的情形,但是11月份中并不存在法定节假日。如此根据10月份目标设备所消耗的数据流量所预测得到11月份目标设备所会消耗的流量,将与11月份实际会消耗的流量存在较大的误差,导致流量预测准确性较低。
有鉴于此,为了提高流量预测的准确性,本申请提供了一种流量预测方法,应用于任一具备流量预测能力的电子设备或者系统,其中,具备流量预测能力的系统可以为由两台或两台以上的电子设备所构成的处理系统,电子设备包括但不限于移动终端设备、服务器等。
如图1b所示,本申请所提供的流量预测方法可包括如下步骤:
S11、确定待预测时间段内的时段特征,作为目标时段特征;
S12、根据预设的时段特征与流量之间的对应关系,确定目标时段特征对应的流量,作为待预测时间段内的目标流量。其中,预设的时段特征与流量之间的对应关系为预先基于各历史时间段的时段特征与历史流量确定得到的。
采用本申请实施例,由于预设的时段特征与流量之间的对应关系为预先基于各历史时间段的时段特征与历史流量确定得到的,该对应关系能够准确反映出时间段的时段特征与流量之间存在的关系,即该对应关系能够表征某一时间段特征下,流量的具体情况。因此,可根据待预测时间段中存在的时段特征对待预测时间段内的目标流量进行准确预测。
例如,以前述场景一为例,假设时段特征仅包括用于表示是否存在发布会的特征,则由于10月份存在发布会,而9月份和11月份不存在发布会,因此9月份和11月份的时段特征相同,而10月份和11月份的时段特征不同,因此对应关系中与11月份时段特征对应的流量将参考9月份的流量,而并不会参考10月份的流量,因此能够相对准确地预测得到各用户群体11月份的流量将回落至9月份的水平。
又例如,以前述场景二为例,可预先基于历史节假日以及历史节假日时间段内目标设备所消耗的流量情况,确定出节假日与目标设备所消耗的流量情况之间的对应关系,该对应关系可以准备反映出目标设备在节假日中所消耗的流量情况。基于此,当待预测时间段内存在节假日时,根据节假日这一目标时段特征确定出待预测时间段内目标设备可能消耗的流量情况,能够提高待预测时间段内目标设备所消耗的目标流量的预测准确度。
为了清楚描述本申请所提供的流量预测方法,下文将对上述步骤S11以及S12进行详细说明:
在步骤S11中,待预测时间段可以是未来的某一段时间,也可以是历史的某一段时间。其中,对于待预测时间段为历史的某一段时间段的情形,可以是利用初始预测模型对历史某一段时间的流量进行预测,然后根据待预测时间段的实际流量消耗情况与预测结果之间的差异对初始预测模型进行训练,以提高初始预测模型的预测准确度。
待预测时间段可以是用户通过交互界面输入的目标时间段,比如,用户需要预测10月1日至10月7日的目标流量,用户可通过交互界面直接输入待预测时间段为10月1日-10月7日。待预测时间段也可以是根据预设周期确定得到的目标时间段,示例性的,假设预设周期为一周,可直接确定十月第一周10月1日至10月7日为待预测时间段。
在一种可能的情形中,目标时间段内的时段特征可以根据客观事实确定得到。示例性的,可以预先根据官方发布的法定节假日放假安排,确定出10月1日至10月7日这一时间段内存在法定节假日这一时段特征。
在另一种可能的情形中,目标时间段内的时段特征可以根据用户的经验确定得到。比如根据某公司的日程安排,该公司将于国庆节期间10月6日开新品发布会,而根据用户经验新品发布会往往会对流量产生影响,由此可确定出10月1日至10月7日的这一时间段内存在开新品发布会这一时段特征。
在另一种可能的情形中,目标时间段内的时段特征可根据目标时间段内流量的变化程度确定得到,其中,目标时间段内流量的变化程度可根据历史流量数据分析得到。此种情形下,目标时间段内的时段特征具体可以通过如下步骤实现:
步骤1:统计历史时间段的历史流量,得到统计流量;
步骤2:获取处于预设异常取值区间的历史流量,作为异常历史流量;
步骤3:确定异常历史流量所属时间段的时段特征,作为异常时段特征。
其中,步骤2中的预设异常取值区间可以根据实际经验设置得到,预设异常取值区间也可以根据历史数据变化量确定得到,异常取值区间的设置方式本申请不作具体限定。其中,在一种可能的情形中,预设异常取值区间根据历史数据变化量确定得到可参考:假设目标设备历史消耗流量统计结果中,该目标设备的平均消耗流量为20GB,各月消耗流量的变化幅度在±2%以内,即历史消耗流量在16GB~24GB之间。根据统计结果,对于该目标设备,预设异常取值区间可以为:流量消耗量大于24GB,或者流量消耗量小于16GB。
当目标设备在历史时间段内所消耗的流量处于预设异常取值区间,则可确定目标设备在该历史时间段内所消耗的流量存在异常。进一步的,可对处于异常取值区间的统计流量进行标记,将该统计流量标记为异常历史流量。反之,若目标设备在历史时间段内所消耗的流量不处于预设异常取值区间,则可确定该目标设备在该历史时间段内所消耗的流量无异常,进一步的,可以对正常流量采用不同于异常流量的标记进行标记,以将正常流量与异常流量进行区分。
在一种可能的情形中,步骤3可结合热点事件,通过对目标时间段进行解析,确定出该目标时间段内发生的热点事件,根据热点事件的类型确定出异常流量所属时间段内的时段特征。
示例性的,通过历史流量数据分析,可以分析得到11月11日凌晨0点至凌晨1点目标设备对流量的消耗量发生陡增,由此可确定出11月11日凌晨0点至凌晨1点这一时段的流量存在异常。结合热点事件,可根据11月11日凌晨0点至凌晨1点电商成交量,故可确定出11月11日凌晨0点至晚23:59:59这一待预测时间段内存在营销事件这一时段特征。
在另一种可能的情形中,上述步骤S11还可以根据预设时段特征类别,确定目标时间段内是否存在符合预设时段特征类别的时段特征。其中,预设时段特征类别包括以下时段特征中的任意一种或任意多种的组合:
用于表示流量变化趋势的趋势特征、用于表示时间段内的节假日的节假日特征、用于表示时间段内发生周期性事件的周期事件特征、用于表示时间段内发生非周期性事件的非周期事件特征。
其中,用于表示流量变化趋势的趋势特征可以理解为:流量在历史时间段内随时间的变化而发生变化的规律。示例性的,流量在一年时间内,寒假(1月-2月)和暑假(7月-8月)期间会相比其他月份较高,基于此,用于表示流量变化趋势的趋势特征可以为季节性特征。
用于表示时间段内发生周期性事件的周期事件特征可以理解为:流量在历史时间段内因周期性事件的发生而发生变化的特征。示例性的,校园流量在一年时间内,每年3月第一周以及每年9月第一周会因开学这一周期性事件的发生而发生变化,基于此,用于表示时间段内发生周期性事件的特征可以为开学这一周期性事件特征。
采用步骤S11可从历史时间段段中,确定出历史目标时间段内的时段特征。基于此,可根据历史目标时间段内的时段特征与目标设备在该时段特征发生时间区间内所消耗的历史流量,可确定出时段特征与流量之间的对应关系。
具体的,可以根据时段特征具体发生的时间区间,查询目标设备在该时间区间内所消耗的历史流量,然后根据构建时段特征与历史流量之间的函数关系,以此得到预设的时段特征与流量之间的对应关系。或者,根据时段特征具体发生的时间区间,查询目标设备在该时间区间内所消耗的历史流量,然后构建时段特征与历史流量之间的映射关系表,以得到预设的时段特征与流量之间的对应关系。
在此基础上,上述步骤S12可根据该预设的时段特征与流量之间的对应关系,确定出待预测时间段内的时段特征所对应的流量,所确定出的流量即为待预测时间段内的目标流量。在一种可能的情形中,可直接将该预设的时段特征输入至时段特征与流量之间的函数关系,确定出目标时段特征对应的流量。在另一种可能的情形中,可直接根据预设的时段特征在时段特征与历史流量之间的映射关系表中查询对目标时段特征对应的流量。在又一种可能的情形中,可根据预先训练得到的神经网络模型确定出目标时段特征对应的流量,其中该预先训练得到的神经网络模型是预先根据各目标时间段内的时段特征以及流量作为输入,对初始网络模型训练得到的。
在一种可能的实施例中,统计历史时间段的历史流量得到统计流量,步骤S12可以通过如下步骤实现:
若统计流量处于预设异常取值区间,根据预设的时段特征与流量之间的对应关系,确定目标时段特征对应的流量为待预测时间段内的预测流量。
或者,若统计流量不处于预设异常取值区间,则将统计流量确定为待预测时间段内的目标流量。
其中,预设异常取值区间可参考上述步骤2有关预设异常取值区间的相关描述,此处不再赘述。
在本实施例中,若统计流量处于预设异常取值区间,则表明历史时间段内流量存在异常变化,即历史时间段内存在异常时段特征,此异常时段特征对流量的变化影响程度较大。若忽视异常时段特征对流量的影响,取历史时间段内除异常时段特征发生时间区间以外的其他时间段所消耗的流量作为预测数据的基准,会使得导致所预测的流量结果存在较大误差。
这种情形下,可将异常时段特征视作引发目标设备所消耗的流量发生骤变的因素,将该异常时段特征所对应的流量视作待预测时间段内的预测流量,能够更为准确地表示目标设备在待预测时间段内存在异常时段特征时所消耗的流量情况。
若统计流量不处于预设异常取值区间,则表明历史时间段内流量是正常变化的,即统计流量具有很好的可参考性。如此,可直接将统计流量确定为待预测时间段内的目标流量。
为了便于理解本申请所提供的流量预测方法,特结合广告流量这一应用场景进行说明,在此场景下,本申请所提供的流量预测方法可包含如下几个步骤,流程示例图如图2所示:
S21、检测历史流量,大于某个阈值的流量标记为异常流量;
S22、对异常流量进行分类;
S23、根据异常流量及特征进行训练,得到神经网络模型;
S24、先根据历史流量进行预测,确定是否需要流量进行修正,若需要修正,利用神经网络模型对其进行修正,以得到修正后的预测流量。
其中,步骤S21可以通过爬虫或者流量解析的方式,获取目标设备、目标区域、目标时间段的历史数据流量数据,然后检测目标设备在目标时间段内所消耗的流量是否处于预设异常取值区间,若历史流量大于某个阈值,则表明该流量为异常流量,可将该流量标记为异常流量。
步骤S22对携带标记的异常流量进行分类,具体可以是根据异常流量发生的时间段,结合互联网用户日志或者客观事实,确定出该异常流量发生的时间段时段特征,以得到异常时段特征,比如节假日、季节性、周期性营销事件和热门事件等等时段特征。
步骤S23中,根据异常流量以及异常流量对应的时段特征进行训练,得到神经网络模型。具体可以为根据异常流量以及异常流量的时段特征对初始模型进行训练,以使得后期利用训练得到的神经网络模型能够确定出时段特征与流量之间的对应关系。具体的,后期可以将时段特征输入至神经网络模型中,得到时段特征对应的流量,或者可以将流量输入至神经网络模型,得到流量对应的时段特征。
在一种可能的情形中,步骤S24中,先根据历史流量对待预测时间段内的流量进行预测,得到预测流量,然后对预测流量进行分析,判断预测流量是否处于预设异常取值区间,继而确定是否需要对预测结果进行修正。
若预测流量处于预设异常取值区间,则表明所预测到的流量会受到异常时段特征的影响,此时需要采用神经网络模型对该预测结果进行修正,以准确确定出异常时段特征对流量的影响程度。
示例性的,以去年10月1日至10月7日的历史流量对今年10月1日至10月7日的流量进行预测,预测出来结果显示今年10月1日至10月7日的流量将出现陡增,陡增幅度为10%,已经大于预设的5%的异常阈值。继而需要对预测结果进行修正,此时利用神经网络模型,确定出历史数据各年份的10月1日至10月7日时间段中存在的时段特征,可以确定出用于表征节假日的节假日特征,然后以此节假日特征为输入,将节假日特征输入至神经网络模型中,确定出各节假日特征对应的历史流量,然后根据各节假日特征对应的历史流量确定出修正后的预测流量。其中,根据各节假日特征对应的历史流量确定出修正后的预测流量,可以是对各节假日特征对应的历史流量进行加权求和,或者求方差等等,确定出一个能够准确表征节假日内目标设备可能消耗的流量数据量,继而以此流量数据量对预测结果进行修正。以此后续能够根据修正后的流量对待预测时间段的流量进行流量分配,以提供更好的流量服务。
另一方面,本申请提供了一种流量预测装置,如图3所示,该流量预测装置包括:
第一确定模块31、用于确定待预测时间段内的时段特征,作为目标时段特征;
第二确定模块32、,用于根据预设的时段特征与流量之间的对应关系,确定目标时段特征对应的流量,作为待预测时间段内的目标流量,其中,对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的。
在一种可能的实施例中,本申请所提供的流量预测装置还包括:
统计模块33,用于统计历史时间段的历史流量,得到统计流量;
第二确定模块32,具体用于若统计流量处于预设异常取值区间,根据预设的时段特征与流量之间的对应关系,确定目标时段特征对应的流量,作为待预测时间段内的预测流量。
在一种可能的实施例中,第二确定模块32,还用于若统计流量不处于处于预设异常取值区间,则将统计流量确定为待预测时间段内的目标流量。
在一种可能的实施例中,预设的时段特征与流量之间的对应关系预先通过以下方式确定得到,包括:
获取处于预设异常取值区间的历史流量,作为异常历史流量;
确定异常历史流量所属时间段的时段特征,作为异常时段特征;
建立异常历史流量与异常时段特征之间的对应关系。
在一种可能的实施例中,前述的时段特征,可以包括以下特征中任意一种或任意多种的组合:
用于表示流量变化趋势的趋势特征、用于表示时间段内的节假日的节假日特征、用于表示时间段内发生的周期性事件的周期事件特征、用于表示时间段内发生的非周期性事件的非周期事件特征。
另一方面,本申请提供了一种流量预测系统,可参考图4,该流量预测系统包括:
平台服务器41和流量预测模型服务器42。
其中,流量预测模型服务器42中预先存储有时段特征与流量之间的对应关系,该对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的。
平台服务器41用于响应于流量分配任务,向流量预测模型服务器42发送流量预测请求。
流量预测模型服务器42用于响应于流量预测请求,确定待预测时间段内的时段特征作为目标时段特征;根据预先存储的时段特征与流量之间的对应关系,确定目标时段对应的流量,作为待预测时间段内的目标流量;并将目标流量发送至平台服务器41。
平台服务器41,还用于根据目标流量为流量分配任务分配待预测时间段的流量。
在一种可能的实施例中,平台服务器41还用于统计历史时间段的历史流量,得到统计流量;其中,平台服务器41向流量预测模型服务器42发送流量预测请求,包括:
若统计流量处于预设异常取值区间,则向流量预测模型服务器42发送流量预测请求;
平台服务器41根据目标流量,为流量分配任务分配待预测时间段的流量,包括:
若统计流量处于预设异常取值区间,则平台服务器41根据目标流量,为流量分配任务分配待预测时间段的流量。
在一种可能的实施例中,平台服务器41还用于若统计流量不处于预设异常取值区间,平台服务器41根据统计流量,为流量分配任务分配预测时间段的流量。
为了清楚阐述本申请所提供的流量预测系统,可参考图5所示的处理流程进行理解。
其中,用户向平台服务器41发送流量分配任务请求,平台服务器根据用户发送的流量分配任务请求中携带的目标时间段,统计各历史时间段的历史流量,并初步对待预测时间段进行预测,即预测未来一段时间的流量。然后判断所预测的流量是否大于阈值,若是,向流量预测模型服务器42发送模型服务请求,以请求对大于阈值的流量进行修正。
流量预测模型服务器42响应于平台服务器发送的模型服务请求,对大于阈值的流量进行修正,并向平台服务器41返回修正后的流量。
平台服务器41根据接收到的修正后的流量预测分配流量,并向用户返回流量分配任务所需的预测时间段的流量。
本申请实施例中,“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”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示: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。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,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发明的范围。
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,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。
在本发明所提供的几个实施例中,任一功能如果以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,本发明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)执行本发明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(read-only memory,简称ROM)、随机存取存储器(random access memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种流量预测方法,其特征在于,所述方法包括:
确定待预测时间段内的时段特征,作为目标时段特征;
根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的目标流量,其中,所述对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
统计历史时间段的历史流量,得到统计流量;
所述根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的预测流量,包括:
若所述统计流量处于预设异常取值区间,根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的预测流量。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述统计流量不处于处于所述预设异常取值区间,则将所述统计流量确定为所述待预测时间段内的目标流量。
4.根据权利要求2-3任一所述的方法,其特征在于,所述对应关系预先通过以下方式确定得到,包括:
获取处于所述预设异常取值区间的历史流量,作为异常历史流量;
确定所述异常历史流量所属时间段的时段特征,作为异常时段特征;
建立所述异常历史流量与所述异常时段特征之间的对应关系。
5.根据权利要求1所述的方法,其特征在于,所述时段特征,包括以下特征中任意一种或任意多种的组合:
用于表示流量变化趋势的趋势特征、用于表示时间段内的节假日的节假日特征、用于表示时间段内发生的周期性事件的周期事件特征、用于表示时间段内发生的非周期性事件的非周期事件特征。
6.一种流量预测装置,其特征在于,所述装置包括:
第一确定模块,用于确定待预测时间段内的时段特征,作为目标时段特征;
第二确定模块,用于根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的目标流量,其中,所述对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
统计模块,用于统计历史时间段的历史流量,得到统计流量;
所述第二确定模块,具体用于若所述统计流量处于预设异常取值区间,根据预设的时段特征与流量之间的对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的预测流量。
8.根据权利要求7所述的装置,其特征在于,所述第二确定模块还用于:
若所述统计流量不处于处于所述预设异常取值区间,则将所述统计流量确定为所述待预测时间段内的目标流量。
9.根据权利要求7-8任一所述的装置,其特征在于,所述对应关系预先通过以下方式确定得到,包括:
获取处于所述预设异常取值区间的历史流量,作为异常历史流量;
确定所述异常历史流量所属时间段的时段特征,作为异常时段特征;
建立所述异常历史流量与所述异常时段特征之间的对应关系。
10.根据权利要求6所述的装置,其特征在于,所述时段特征,包括以下特征中任意一种或任意多种的组合:
用于表示流量变化趋势的趋势特征、用于表示时间段内的节假日的节假日特征、用于表示时间段内发生的周期性事件的周期事件特征、用于表示时间段内发生的非周期性事件的非周期事件特征。
11.一种流量预测系统,其特征在于,所述流量系统包括:平台服务器和流量预测模型服务器,所述流量预测模型服务器中预先存储有时段特征与流量之间的对应关系,所述对应关系为预先基于各历史时间段的时段特征和历史流量确定得到的;
所述平台服务器,用于响应于流量分配任务,向所述预测模型服务器发送流量预测请求;
所述流量预测模型服务器,用于响应于所述流量预测请求,确定待预测时间段内的时段特征,作为目标时段特征;根据所述对应关系,确定所述目标时段特征对应的流量,作为所述待预测时间段内的目标流量;并将所述目标流量发送至所述平台服务器;
所述平台服务器,还用于根据所述目标流量,为所述流量分配任务分配所述待预测时间段的流量。
12.根据权利要求11所述的系统,其特征在于,所述平台服务器还用于统计历史时间段的历史流量,得到统计流量;
所述平台服务器向所述预测模型服务器发送流量预测请求,包括:
若所述统计流量处于预设异常取值区间,则向所述预测模型服务器发送流量预测请求;
所述平台服务器根据所述目标流量,为所述流量分配任务分配所述待预测时间段的流量,包括:
若所述统计流量处于预设异常取值区间,则所述平台服务器根据所述目标流量,为所述流量分配任务分配所述待预测时间段的流量。
13.根据权利要求12所述的系统,其特征在于,所述平台服务器,还用于若所述统计流量不处于预设异常取值区间,所述平台服务器根据所述统计流量,为所述流量分配任务分配所述待预测时间段的流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211098223.7A CN116709356A (zh) | 2022-09-05 | 2022-09-05 | 一种流量预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211098223.7A CN116709356A (zh) | 2022-09-05 | 2022-09-05 | 一种流量预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116709356A true CN116709356A (zh) | 2023-09-05 |
Family
ID=87843949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211098223.7A Pending CN116709356A (zh) | 2022-09-05 | 2022-09-05 | 一种流量预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116709356A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821933A (zh) * | 2021-09-29 | 2021-12-21 | 中国平安人寿保险股份有限公司 | App流量预测方法、装置、计算机设备及存储介质 |
CN114077912A (zh) * | 2020-08-14 | 2022-02-22 | 华为技术有限公司 | 数据预测方法以及数据预测装置 |
CN114282648A (zh) * | 2021-12-10 | 2022-04-05 | 中国联合网络通信集团有限公司 | 一种流量预测方法、装置及存储介质 |
CN114581119A (zh) * | 2022-02-17 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 流量预测方法以及装置 |
CN114726745A (zh) * | 2021-01-05 | 2022-07-08 | 中国移动通信有限公司研究院 | 网络流量预测方法、装置及计算机可读存储介质 |
-
2022
- 2022-09-05 CN CN202211098223.7A patent/CN116709356A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077912A (zh) * | 2020-08-14 | 2022-02-22 | 华为技术有限公司 | 数据预测方法以及数据预测装置 |
CN114726745A (zh) * | 2021-01-05 | 2022-07-08 | 中国移动通信有限公司研究院 | 网络流量预测方法、装置及计算机可读存储介质 |
CN113821933A (zh) * | 2021-09-29 | 2021-12-21 | 中国平安人寿保险股份有限公司 | App流量预测方法、装置、计算机设备及存储介质 |
CN114282648A (zh) * | 2021-12-10 | 2022-04-05 | 中国联合网络通信集团有限公司 | 一种流量预测方法、装置及存储介质 |
CN114581119A (zh) * | 2022-02-17 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 流量预测方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113163435B (zh) | 确定回退功率的方法和调整发射功率的方法 | |
CN111132234B (zh) | 一种数据传输方法及对应的终端 | |
US20230042397A1 (en) | Machine learning model search method, related apparatus, and device | |
CN112988282B (zh) | 应用保活方法和终端设备 | |
CN112566152B (zh) | 一种卡顿预测的方法、数据处理的方法以及相关装置 | |
CN110913424B (zh) | 网络连接控制方法和装置、终端、计算机存储介质 | |
CN113436576B (zh) | 应用于二维码扫描的oled显示屏调光方法及装置 | |
CN111078376A (zh) | 一种进程管理方法及设备 | |
CN115333941B (zh) | 获取应用运行情况的方法及相关设备 | |
CN113747346B (zh) | 终端设备的待机方法和终端设备 | |
CN114205336A (zh) | 跨设备音频播放方法、移动终端、电子设备及存储介质 | |
CN113596919A (zh) | 数据下载方法、装置和终端设备 | |
CN116709356A (zh) | 一种流量预测方法、装置及系统 | |
CN110971822A (zh) | 图片处理方法、装置、终端设备及计算机可读存储介质 | |
CN114999535A (zh) | 在线翻译过程中的语音数据处理方法及装置 | |
WO2021077344A1 (zh) | 天线切换方法及装置 | |
CN115841098B (zh) | 基于数据识别的交互式批量填充方法与系统 | |
CN113469438B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN115729653A (zh) | 参数调节方法和终端设备 | |
CN117130765B (zh) | 计算资源的配置方法和电子设备 | |
CN115734323B (zh) | 功耗优化方法和装置 | |
CN117714893A (zh) | 一种图像虚化处理方法、装置、电子设备及存储介质 | |
CN116993619B (zh) | 图像处理方法及相关设备 | |
CN113950037B (zh) | 一种音频播放方法及终端设备 | |
WO2024027718A1 (zh) | 一种多窗口投屏方法、电子设备及系统 |
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 |