CN117455205A - 资源需求预测模型训练方法、系统及资源需求预测方法 - Google Patents

资源需求预测模型训练方法、系统及资源需求预测方法 Download PDF

Info

Publication number
CN117455205A
CN117455205A CN202311787350.2A CN202311787350A CN117455205A CN 117455205 A CN117455205 A CN 117455205A CN 202311787350 A CN202311787350 A CN 202311787350A CN 117455205 A CN117455205 A CN 117455205A
Authority
CN
China
Prior art keywords
resource consumption
resource
network
model
result
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.)
Granted
Application number
CN202311787350.2A
Other languages
English (en)
Other versions
CN117455205B (zh
Inventor
董雪
胡玉其
宋上雷
张延彬
汤燕娟
黄桢
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.)
Zhongyi Shuzhi Technology Co ltd
China Mobile Communications Group Co Ltd
China Mobile Group Design Institute Co Ltd
Original Assignee
Zhongyi Shuzhi Technology Co ltd
China Mobile Communications Group Co Ltd
China Mobile Group Design Institute 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 Zhongyi Shuzhi Technology Co ltd, China Mobile Communications Group Co Ltd, China Mobile Group Design Institute Co Ltd filed Critical Zhongyi Shuzhi Technology Co ltd
Priority to CN202311787350.2A priority Critical patent/CN117455205B/zh
Publication of CN117455205A publication Critical patent/CN117455205A/zh
Application granted granted Critical
Publication of CN117455205B publication Critical patent/CN117455205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，尤其涉及一种资源需求预测模型训练方法、系统及资源需求预测方法。资源需求预测模型训练方法包括：基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；将业务负荷样本、以及每个业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；将训练好的资源消耗子模型和业务负荷预测子模型确定为资源需求预测模型。本方法通过将资源消耗子模型和业务负荷预测子模型有机结合，得到资源需求预测模型，能够较为精准地实现对目标时刻的资源需求预测。

Description

资源需求预测模型训练方法、系统及资源需求预测方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种资源需求预测模型训练方法、系统及资源需求预测方法。
背景技术
网络功能虚拟化（NFV，Network Functions Virtualization），通过将网络功能从专用硬件中分离出来，并将其部署在通用服务器资源池，实现业务的快速自动部署，以提高网络服务的灵活性和成本效益。网元弹性扩缩容是实现NFV灵活部署的重要方式，而准确的网元物理资源需求预测能够更加高效地进行网元弹性扩缩容。
相关技术中的网元资源需求预测方法，通常根据现网资源占用情况预测出下一时刻的资源需求。然而，采用上述预测方法得到的资源需求预测结果不能完全反映出业务负荷需求变化带来的资源需求变化，导致资源需求预测的精确度较低，并且，上述预测方法不能较好地预测多个采样时刻后的资源需求。
发明内容
本发明提供一种资源需求预测模型训练方法、系统及资源需求预测方法，用以解决现有技术中利用网元资源需求预测方法得到的资源需求预测结果不能完全反映出业务负荷需求变化带来的资源需求变化，导致资源需求预测的精确度较低的问题。
本发明提供一种资源需求预测模型训练方法，包括：
基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；
将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；
将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。
可选地，基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型的步骤包括：
对同一时刻负责相同业务的全部网元的所述业务负荷样本进行求和，得到每个时刻对应所述业务的总业务负荷信息；
对负责相同所述业务的全部网元的所述总业务负荷信息，按照预设的预测时间跨度，滑动进行等间隔抽样，得到多个负荷信息抽样集，所述负荷信息抽样集的数量为所述预测时间跨度，所述负荷信息抽样集中所述总业务负荷信息的数量为目标数量，所述目标数量指相同所述业务的所述总业务负荷信息的数量与所述预测时间跨度之间的比值；
将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型。
可选地，将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型的步骤包括：
当基于任一所述负荷信息抽样集，对所述长短期记忆网络进行训练时，将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息，确定为真实总负荷；将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息之前的全部所述总业务负荷信息，确定为训练样本；
基于所述训练样本，进行业务负荷预测，得到业务负荷预测数据；
基于所述业务负荷预测数据和所述真实总负荷之间的差距，对所述长短期记忆网络进行参数更新，得到训练好的所述业务负荷预测子模型。
可选地，将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型的步骤包括：
将所述业务负荷样本输入所述生成对抗网络的资源消耗生成网络，进行资源消耗生成，得到资源消耗生成结果；
将所述资源消耗生成结果、以及所述资源消耗生成结果对应的网元资源消耗信息样本输入所述生成对抗网络的资源消耗判别网络，进行一次判别，得到一次判别结果；
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败的情况下，对所述资源消耗判别网络进行参数更新；基于更新后的所述资源消耗判别网络，重复进行所述一次判别，直至所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功；
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型。
可选地，在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型的步骤包括：
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，基于当前所述资源消耗判别网络，对所述资源消耗生成网络输出的所述资源消耗生成结果、以及对应的所述网元资源消耗信息样本进行二次判别，得到二次判别结果；
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行参数更新；基于更新后的所述资源消耗生成网络，重新进行资源消耗生成，得到新的所述资源消耗生成结果；将新的所述资源消耗生成结果与对应的所述网元资源消耗信息样本输入当前所述资源消耗判别网络，重复进行二次判别，直至所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败；
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败，并且当前的资源消耗子模型训练次数等于预设的训练次数阈值的情况下，将当前所述资源消耗生成网络与所述资源消耗判别网络，确定为训练好的所述资源消耗子模型。
本发明还提供一种资源需求预测模型训练系统，包括：
第一训练模块，用于基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；
第二训练模块，用于将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；
处理模块，用于将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。
本发明还提供一种资源需求预测方法，包括：
将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果；
基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如上述任一项所述的资源需求预测模型训练方法得到。
可选地，基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果的步骤包括：
基于所述业务负荷预测结果和预设的单个网元的容量门限，得到所述业务负荷预测结果所对应的网元需求数、以及单个所述网元的业务负荷预测值；
将所述网元的所述业务负荷预测值输入所述资源消耗子模型，进行资源需求预测，得到所述目标时刻单个所述网元的资源需求；
将所述资源需求与资源利用率之间的比值确定为目标需求值；
将所述目标需求值与所述网元需求数之间的乘积确定为所述资源需求预测结果。
本发明还提供一种资源需求预测系统，包括：
业务负荷预测模块，用于将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果；
资源需求预测模块，用于基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如上述任一项所述的资源需求预测模型训练方法得到。
本发明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资源需求预测模型训练方法，或者如上述任一种所述资源需求预测方法。
本发明的有益效果：本发明提供的资源需求预测模型训练方法、系统及资源需求预测方法，通过基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；将业务负荷样本、以及每个业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到目标时刻的业务负荷预测结果，将业务负荷预测结果输出至资源消耗子模型；资源消耗子模型用于基于业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；将训练好的资源消耗子模型和业务负荷预测子模型确定为资源需求预测模型。本方法中的资源消耗子模型能够直接建立业务负荷与资源消耗之间的关系，并且，本方法中的业务负荷预测子模型能够根据现有的业务负荷预测出未来的业务负荷，通过将资源消耗子模型和业务负荷预测子模型有机结合，得到资源需求预测模型，能够较为精准地实现对目标时刻的资源需求预测，可实施性较强。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明提供的资源需求预测模型训练方法的流程示意图；
图2是本发明提供的资源需求预测模型训练方法中业务负荷预测子模型与资源消耗子模型的数据交互示意图；
图3是本发明提供的资源需求预测模型训练方法中业务负荷预测子模型训练过程示意图；
图4是本发明提供的资源需求预测模型训练方法中资源消耗子模型的训练过程示意图；
图5是本发明提供的资源需求预测模型训练方法的具体实施例一的流程示意图；
图6是本发明提供的资源需求预测模型训练方法的具体实施例二的流程示意图；
图7是本发明提供的资源需求预测模型训练系统的结构示意图；
图8是本发明提供的资源需求预测方法的流程示意图；
图9是本发明提供的资源需求预测系统的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
下面以实施例的方式，结合图1至图10描述本发明提供的资源需求预测模型训练方法、系统及资源需求预测方法。
请参考图1，本实施例提供的资源需求预测模型训练方法，包括：
S110：基于业务负荷样本，对预设的长短期记忆网络（Long Short-Term Memory,LSTM）进行训练，得到训练好的业务负荷预测子模型。
具体地，所述业务负荷样本为预先获取或定义的样本数据。在本实施例中，定义t时刻负责同一业务的第p个网元的业务负荷样本为，/>为/>维向量。可以理解的，在业务处理过程中，一个业务通常由一个或多个网元同时进行处理。每个网元进行业务处理的过程中，会涉及多个业务负荷指标。/>即表示负责相同业务的第p个网元的第一项业务负荷指标，/>表示负责相同业务的第p个网元的第二项业务负荷指标，/>表示负责相同业务的第p个网元的第m项业务负荷指标。m表示业务负荷指标的数量。p=1、2，…，n，其中，n表示负责相同业务的网元的数量。t=1、2，…，T，其中，T表示时刻的数量。 />表示转置。在一个时刻下单个网元的业务负荷样本由多个业务负荷指标组成。其中，业务负荷指标指单用户模型（单用户负荷，如单个5G用户流量负荷为300KB（Kilobyte，千字节））、网元当前承载的用户数（签约用户数、并发用户数等）、或是否激活协议（如激活PDP（Pacaket Data Protocol，分组数据协议）或PDU（Protocol DataUnit，协议数据单元）等）等。用户包括：2G用户、4G用户、5G用户以及VoLTE（Voice overLong-Term Evolution，长期演进语音承载）用户等。
需要说明的是，通过基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型，能够便于后续利用业务负荷预测子模型，进行业务负荷预测，并基于业务负荷预测结果，进行后续的资源需求预测。
S120：将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果。
具体地，在本实施例中，与相对应的网元资源消耗信息样本的数学表达为。其中，/>表示t时刻负责相同业务的第p个网元的网元资源消耗信息样本，/>为/>维向量。/>表示t时刻负责相同业务的第p个网元的第一项网元资源消耗信息，/>表示t时刻负责相同业务的第p个网元的第二项网元资源消耗信息，/>表示t时刻负责相同业务的第p个网元的第m项网元资源消耗信息。另外，/>的获取方式为：/>，其中/>表示t时刻负责相同业务的第p个网元的业务负荷样本/>的配置资源，/>表示/>的利用率。另外，上述公式/>中的“/>”表示矩阵之间相乘，即Hadamard product（哈达玛积）。
需要说明的是，通过将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型，能够直接建立业务负荷和资源消耗之间的关系，便于后续基于业务负荷进行资源需求预测。
另外，本实施例中通过让所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；并且，让所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果。有机结合业务负荷预测子模型和资源消耗子模型，实现在业务负荷预测基础上的资源需求预测，有效提高资源需求预测的精准度。
S130：将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。即将训练好的资源消耗子模型和业务负荷预测子模型整合为资源需求预测模型，实现业务负荷预测与资源需求预测的有机结合。
图2是本实施例提供的资源需求预测模型训练方法中业务负荷预测子模型与资源消耗子模型的数据交互示意图，请参考图2，业务负荷预测子模型在接收到输入的目标时刻的情况下，进行业务负荷预测，得到目标时刻的业务负荷预测结果，将业务负荷预测结果输出至资源消耗子模型；资源消耗子模型基于业务负荷预测结果，进行资源需求预测，得到资源需求预测结果。
在一些实施例中，基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型的步骤包括：
首先，对同一时刻负责相同业务的全部网元的所述业务负荷样本进行求和，得到每个时刻对应所述业务的总业务负荷信息。
具体地，总业务负荷信息的数学表达为，其中，/>表示t时刻负责相同业务的全部网元的业务负荷样本之和。每个时刻对应所述业务的总业务负荷信息的数学表达为：/>、/>，…，/>，/>表示1时刻负责相同业务的全部网元的总业务负荷信息，/>表示2时刻负责相同业务的全部网元的总业务负荷信息，/>表示T时刻负责相同业务的全部网元的总业务负荷信息。
其次，对负责相同所述业务的全部网元的所述总业务负荷信息，按照预设的预测时间跨度，滑动进行等间隔抽样，得到多个负荷信息抽样集，所述负荷信息抽样集的数量为所述预测时间跨度，所述负荷信息抽样集中所述总业务负荷信息的数量为目标数量，所述目标数量指相同所述业务的所述总业务负荷信息的数量与所述预测时间跨度之间的比值。
具体地，假设预测时间跨度为，那么，基于/>，对负责相同业务的全部网元的总业务负荷信息/>、/>，…，/>，滑动进行等间隔抽样，得到/>个大小为/>的负荷信息抽样集，分别为/>、，...，/>，其中，/>表示向上取整，/>表示抽样得到的第一个负荷信息抽样集，/>表示抽样得到的第二个负荷信息抽样集，/>表示抽样得到的第/>个负荷信息抽样集，/>表示变量时刻下负责相同业务的全部网元的总业务负荷信息。将负荷信息抽样集中的前/>个元素作为业务负荷预测模型（长短期记忆网络）的输入数据集/>，即训练样本，其中，i=1、2，…，/>。将负荷信息抽样集中的第/>个元素/>作为真实的总业务负荷，即真实总负荷。需要提及的是，/>，其中，/>表示负荷信息抽样集的大小，即负荷信息抽样集中的数据量，/>表示时刻的数量，此处也可理解为负责相同业务的全部网元的总业务负荷信息的数量。并且，/>。
需要提及的是，通过按照预设的预测时间跨度，滑动进行等间隔抽样，并基于抽样得到的负荷信息抽样集，进行业务负荷预测子模型的训练，使得业务负荷预测子模型能够预测出相应预测时间跨度的业务负荷，即预测出未来多个时刻后的业务负荷，从而有助于后续预测出未来多个时刻后的资源需求。
最后，将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型。
需要说明的是，通过将全部的负荷信息抽样集依次输入长短期记忆网络，能够有助于提高业务负荷预测子模型的精确度。
进一步地，将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型的步骤包括：
当基于任一所述负荷信息抽样集，对所述长短期记忆网络进行训练时，将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息，确定为真实总负荷；将当前负荷信息抽样集中最后一个时刻的总业务负荷信息之前的全部总业务负荷信息，确定为训练样本。
需要说明的是，通过将负荷信息抽样集中最后一个时刻的总业务负荷信息，确定为真实总负荷，并且，将当前负荷信息抽样集中最后一个时刻的总业务负荷信息之前的全部总业务负荷信息，确定为训练样本，能够便于后续对长短期记忆网络进行训练。
基于所述训练样本，进行业务负荷预测，得到业务负荷预测数据。
基于所述业务负荷预测数据和所述真实总负荷之间的差距，对所述长短期记忆网络进行参数更新，得到训练好的所述业务负荷预测子模型。
需要说明的是，所述长短期记忆网络的目标函数的数学表达为：
=/>
其中，表示长短期记忆网络的目标函数，/>表示输入长短期记忆网络的训练样本，/>表示长短期记忆网络的运算。/>表示业务负荷预测数据，表示负荷信息抽样集中最后一个时刻的总业务负荷信息，即真实总负荷。
另外需要说明的是，对于训练好的业务负荷预测子模型，在接收到输入的目标时刻的情况下，基于目标时刻以前的全部样本数据，进行业务负荷预测。通俗来讲，业务负荷预测子模型的训练过程采用负荷信息抽样集中最后一个时刻的总业务负荷信息作为真实总负荷，并且采用最后一个时刻的总业务负荷信息之前的全部总业务负荷信息，作为训练样本。而在后续的实际应用过程中，则需采用全部目标时刻以前的总业务负荷信息，进行业务负荷预测。还有一种情况，即在接收到输入的目标时刻以前的多个样本数据的情况下，基于输入的全部样本数据，进行业务负荷预测，该样本数据为对多个时刻下负责当前业务的全部网元的总业务负荷信息滑动进行等间隔抽样得到的。本实施例中的业务负荷预测子模型，能够实现对未来较长时间之后的业务负荷预测。
图3是本实施例提供的资源需求预测模型训练方法中业务负荷预测子模型训练过程示意图，请参考图3，S310：等间隔抽样，即基于总业务负荷信息，滑动进行等间隔抽样；S320：输入长短期记忆网络，即将负荷信息抽样集输入长短期记忆网络，得到业务负荷预测数据，基于业务负荷预测数据，对长短期记忆网络进行训练，得到训练好的业务负荷预测子模型。
在一些实施例中，将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型的步骤包括：
首先，将所述业务负荷样本输入所述生成对抗网络的资源消耗生成网络，进行资源消耗生成，得到资源消耗生成结果。
其次，将所述资源消耗生成结果、以及所述资源消耗生成结果对应的网元资源消耗信息样本输入所述生成对抗网络的资源消耗判别网络，进行一次判别，得到一次判别结果。
然后，在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败的情况下，对所述资源消耗判别网络进行参数更新；基于更新后的所述资源消耗判别网络，重复进行所述一次判别，直至所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功。
最后，在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型。需要说明的是，通过采用上述实施例中的步骤对生成对抗网络进行训练，能够得到精确度较高的资源消耗子模型。还需要说明的是，资源消耗判别网络在对资源消耗生成结果与网元资源消耗信息样本进行区分时，若资源消耗判别网络准确识别出资源消耗生成结果，则输出第一标签（如1），若准确识别出资源消耗生成结果，则输出第二标签（如0）。从而，基于资源消耗判别网络输出的标签，即可确定当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败或成功。
进一步地，在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型的步骤包括：
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，基于当前所述资源消耗判别网络，对所述资源消耗生成网络输出的所述资源消耗生成结果、以及对应的所述网元资源消耗信息样本进行二次判别，得到二次判别结果。
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行参数更新；基于更新后的所述资源消耗生成网络，重新进行资源消耗生成，得到新的所述资源消耗生成结果；将新的所述资源消耗生成结果与对应的所述网元资源消耗信息样本输入当前所述资源消耗判别网络，重复进行二次判别，直至所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败。
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败，并且当前的资源消耗子模型训练次数等于预设的训练次数阈值的情况下，将当前所述资源消耗生成网络与所述资源消耗判别网络，确定为训练好的所述资源消耗子模型。
图4是本发明提供的资源需求预测模型训练方法中资源消耗子模型的训练过程示意图，请参考图4，将业务负荷样本输入生成对抗网络的资源消耗生成网络，进行资源消耗生成，得到资源消耗生成结果。再将资源消耗生成结果、以及资源消耗生成结果对应的网元资源消耗信息样本输入生成对抗网络的资源消耗判别网络，进行一次判别，得到一次判别结果。基于一次判别结果，对资源消耗判别网络进行训练。在对资源消耗判别网络进行训练的过程中，资源消耗生成网络的参数保持不变。之后，在一次判别结果为当前资源消耗判别网络区分资源消耗生成结果与网元资源消耗信息样本成功的情况下，基于当前的资源消耗判别网络，对资源消耗生成网络输出的资源消耗生成结果、以及对应的网元资源消耗信息样本进行二次判别，得到二次判别结果。基于二次判别结果，对资源消耗生成网络进行训练，从而得到训练好的资源消耗子模型。
需要说明的是，上述实施例中资源消耗生成网络的目标函数的数学表达为：
其中，表示最小值运算，/>表示资源消耗判别网络，/>表示资源消耗生成网络，/>表示资源消耗判别网络对输入的网元资源消耗信息样本的判别结果，/>表示输入资源消耗判别网络的网元资源消耗信息样本，/>表示对数运算，/>表示对括号内的变量的数学期望，/>表示资源消耗生成网络输出的资源消耗生成结果，表示资源消耗判别网络对资源消耗生成结果的判别结果。
还需要说明的是，上述实施例中资源消耗判别网络的目标函数的数学表达为：
其中，表示最大值运算。
需要提及的是，在训练资源消耗子模型前，可以先对真实资源消耗数据，即网元资源消耗信息样本进行滤波操作，再进行资源消耗子模型训练。资源消耗数据受影响因素比较多，比如机房温度，服务器故障，软件BUG，紧急突发业务等，通过滤波可以减少数据噪声影响，提高网元资源消耗信息样本的准确性。
下面以一个具体的示例性实施例，对上述实施例中业务负荷预测子模型的训练步骤进行进一步解释说明。
请参考图5，S510：对负责相同业务的全部网元的总业务负荷信息，按照预设的预测时间跨度，滑动进行等间隔抽样，得到多个负荷信息抽样集。
S520：将当前负荷信息抽样集中最后一个时刻的总业务负荷信息，确定为真实总负荷；将当前负荷信息抽样集中最后一个时刻的总业务负荷信息之前的全部总业务负荷信息，确定为训练样本。
S530：根据真实总负荷和训练样本，对长短期记忆网络进行训练，得到训练好的业务负荷预测子模型。
下面以一个具体的示例性实施例，对上述实施例中资源消耗子模型的训练步骤进行进一步解释说明。
请参考图6，S610：获取业务负荷样本、以及每个业务负荷样本各自对应的网元资源消耗信息样本。
S620：将业务负荷样本输入资源消耗生成网络，进行资源消耗生成，得到资源消耗生成结果，并将资源消耗子模型训练次数设置为1。
S630：一次判断，即判断资源消耗判别网络是否能够区分资源消耗生成结果与网元资源消耗信息样本。
S630a：更新资源消耗判别网络的参数。在更新完成的情况下，再次执行步骤S630。
S640：二次判断，即在一次判断结果为当前资源消耗判别网络区分资源消耗生成结果与网元资源消耗信息样本成功的情况下，判断资源消耗判别网络是否能够区分资源消耗生成结果与网元资源消耗信息样本。
S640a：更新资源消耗生成网络的参数。即在二次判断结果为当前资源消耗判别网络区分资源消耗生成结果与网元资源消耗信息样本成功的情况下，更新资源消耗生成网络的参数。
S650：资源消耗子模型训练次数加1。
S660：判断当前的资源消耗子模型训练次数是否等于预设的训练次数阈值。若当前的资源消耗子模型训练次数等于训练次数阈值，则执行步骤S670，若当前的资源消耗子模型训练次数大于训练次数阈值，则执行步骤S630a。所述训练次数阈值可以根据实际情况进行设置，如1000次等，此处不再赘述。
S670：将当前的资源消耗生成网络与资源消耗判别网络，确定为训练好的资源消耗子模型。
下面对本发明提供的资源需求预测模型训练系统进行描述，下文描述的资源需求预测模型训练系统与上文描述的资源需求预测模型训练方法可相互对应参照。
请参考图7，本实施例提供的资源需求预测模型训练系统，包括：
第一训练模块710，用于基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；
第二训练模块720，用于将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；
处理模块730，用于将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。本实施例中的资源需求预测模型训练系统能够较为精准地实现对目标时刻的资源需求预测，可实施性较强，成本较低。
在一些实施例中，所述第一训练模块710具体用于对同一时刻负责相同业务的全部网元的所述业务负荷样本进行求和，得到每个时刻对应所述业务的总业务负荷信息；
对负责相同所述业务的全部网元的所述总业务负荷信息，按照预设的预测时间跨度，滑动进行等间隔抽样，得到多个负荷信息抽样集，所述负荷信息抽样集的数量为所述预测时间跨度，所述负荷信息抽样集中所述总业务负荷信息的数量为目标数量，所述目标数量指相同所述业务的所述总业务负荷信息的数量与所述预测时间跨度之间的比值；
将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型。
在一些实施例中，所述第一训练模块710还具体用于当基于任一所述负荷信息抽样集，对所述长短期记忆网络进行训练时，将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息，确定为真实总负荷；将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息之前的全部所述总业务负荷信息，确定为训练样本；
基于所述训练样本，进行业务负荷预测，得到业务负荷预测数据；
基于所述业务负荷预测数据和所述真实总负荷之间的差距，对所述长短期记忆网络进行参数更新，得到训练好的所述业务负荷预测子模型。
在一些实施例中，所述第二训练模块720具体用于将所述业务负荷样本输入所述生成对抗网络的资源消耗生成网络，进行资源消耗生成，得到资源消耗生成结果；
将所述资源消耗生成结果、以及所述资源消耗生成结果对应的网元资源消耗信息样本输入所述生成对抗网络的资源消耗判别网络，进行一次判别，得到一次判别结果；
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败的情况下，对所述资源消耗判别网络进行参数更新；基于更新后的所述资源消耗判别网络，重复进行所述一次判别，直至所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功；
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型。
在一些实施例中，所述第二训练模块720还具体用于在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，基于当前所述资源消耗判别网络，对所述资源消耗生成网络输出的所述资源消耗生成结果、以及对应的所述网元资源消耗信息样本进行二次判别，得到二次判别结果；
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行参数更新；基于更新后的所述资源消耗生成网络，重新进行资源消耗生成，得到新的所述资源消耗生成结果；将新的所述资源消耗生成结果与对应的所述网元资源消耗信息样本输入当前所述资源消耗判别网络，重复进行二次判别，直至所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败；
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败，并且当前的资源消耗子模型训练次数等于预设的训练次数阈值的情况下，将当前所述资源消耗生成网络与所述资源消耗判别网络，确定为训练好的所述资源消耗子模型。
请参考图8，本实施例还提供一种资源需求预测方法，包括：
S810：将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果。
S820：基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如上述任一项所述的资源需求预测模型训练方法得到。本实施例中的资源需求预测方法，能够结合业务负荷，得到精确度较好地资源需求预测结果，成本较低，可行性较高。
在一些实施例中，基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果的步骤包括：
S8201：基于所述业务负荷预测结果和预设的单个网元的容量门限，得到所述业务负荷预测结果所对应的网元需求数、以及单个所述网元的业务负荷预测值。
具体地，考虑到网元部署时会设置单台网元设备的容量门限，当业务负荷超过单台网元设备的容量门限时，网元会进行分裂。其中，/>表示容量门限，表示容量门限中的第一项门限值，/>表示容量门限中的第二项门限值，/>表示容量门限中的第m项门限值。根据业务负荷预测结果/> ，判断/>是否大于。其中，/>表示目标时刻以前的全部样本数据，该样本数据为对多个时刻下负责当前业务的全部网元的总业务负荷信息滑动进行等间隔抽样得到的。若/>大于/>，则业务负荷预测结果/>由/>个负责相同业务的网元负责，每个网元的业务负荷预测值为/>//>。/>表示对括号内的变量进行最大值取整运算。若/>小于或等于/>，则业务负荷预测结果/>由/>个网元负责，其业务负荷预测值为/>。通过设置容量门限，更加符合现网网元部署方式。
S8202：将所述网元的所述业务负荷预测值输入所述资源消耗子模型，进行资源需求预测，得到所述目标时刻单个所述网元的资源需求。
具体地，将//>或/>输入资源消耗子模型，进行资源需求预测，得到所述目标时刻单个所述网元的资源需求，即/>//>或/>。
S8203：将所述资源需求与资源利用率之间的比值确定为目标需求值。即将//>或/>，其中，/>表示资源利用率。需要说明的是，考虑到网元实际部署通过设置资源利用率冗余资源，因此，通过将资源需求与资源利用率之间的比值确定为目标需求值，有助于提高最终得到的资源需求预测结果的精准度。所述资源利用率可以根据实际情况进行设置，如90%等，此处不再赘述。
S8204：将所述目标需求值与所述网元需求数之间的乘积确定为所述资源需求预测结果。即//>或/>。
下面对本发明提供的资源需求预测系统进行描述，下文描述的资源需求预测系统与上文描述的资源需求预测方法可相互对应参照。
请参考图9，本实施例提供的资源需求预测系统，包括：
业务负荷预测模块910，用于将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果；
资源需求预测模块920，用于基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如上述任一项所述的资源需求预测模型训练方法得到。
在一些实施例中，所述资源需求预测模块920具体用于基于所述业务负荷预测结果和预设的单个网元的容量门限，得到所述业务负荷预测结果所对应的网元需求数、以及单个所述网元的业务负荷预测值；
将所述业务负荷预测值输入所述资源消耗子模型，进行资源需求预测，得到所述目标时刻单个所述网元的资源需求；
将所述资源需求与资源利用率之间的比值确定为目标需求值；
将所述目标需求值与所述网元需求数之间的乘积确定为所述资源需求预测结果。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行资源需求预测方法，该方法包括：基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；将业务负荷样本、以及每个业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到目标时刻的业务负荷预测结果，将业务负荷预测结果输出至资源消耗子模型；资源消耗子模型用于基于业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；将训练好的资源消耗子模型和业务负荷预测子模型确定为资源需求预测模型。或执行资源需求预测方法，该方法包括：将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到目标时刻的业务负荷预测结果；基于业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的业务负荷预测子模型和资源消耗子模型均通过如上述任一项的资源需求预测模型训练方法得到。
此外，上述的存储器1030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（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。
以上所描述的系统或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发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种资源需求预测模型训练方法，其特征在于，包括：
基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；
将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；
将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。
2.根据权利要求1所述的资源需求预测模型训练方法，其特征在于，基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型的步骤包括：
对同一时刻负责相同业务的全部网元的所述业务负荷样本进行求和，得到每个时刻对应所述业务的总业务负荷信息；
对负责相同所述业务的全部网元的所述总业务负荷信息，按照预设的预测时间跨度，滑动进行等间隔抽样，得到多个负荷信息抽样集，所述负荷信息抽样集的数量为所述预测时间跨度，所述负荷信息抽样集中所述总业务负荷信息的数量为目标数量，所述目标数量指相同所述业务的所述总业务负荷信息的数量与所述预测时间跨度之间的比值；
将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型。
3.根据权利要求2所述的资源需求预测模型训练方法，其特征在于，将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型的步骤包括：
当基于任一所述负荷信息抽样集，对所述长短期记忆网络进行训练时，将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息，确定为真实总负荷；将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息之前的全部所述总业务负荷信息，确定为训练样本；
基于所述训练样本，进行业务负荷预测，得到业务负荷预测数据；
基于所述业务负荷预测数据和所述真实总负荷之间的差距，对所述长短期记忆网络进行参数更新，得到训练好的所述业务负荷预测子模型。
4.根据权利要求1所述的资源需求预测模型训练方法，其特征在于，将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型的步骤包括：
将所述业务负荷样本输入所述生成对抗网络的资源消耗生成网络，进行资源消耗生成，得到资源消耗生成结果；
将所述资源消耗生成结果、以及所述资源消耗生成结果对应的网元资源消耗信息样本输入所述生成对抗网络的资源消耗判别网络，进行一次判别，得到一次判别结果；
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败的情况下，对所述资源消耗判别网络进行参数更新；基于更新后的所述资源消耗判别网络，重复进行所述一次判别，直至所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功；
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型。
5.根据权利要求4所述的资源需求预测模型训练方法，其特征在于，在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型的步骤包括：
在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，基于当前所述资源消耗判别网络，对所述资源消耗生成网络输出的所述资源消耗生成结果、以及对应的所述网元资源消耗信息样本进行二次判别，得到二次判别结果；
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行参数更新；基于更新后的所述资源消耗生成网络，重新进行资源消耗生成，得到新的所述资源消耗生成结果；将新的所述资源消耗生成结果与对应的所述网元资源消耗信息样本输入当前所述资源消耗判别网络，重复进行二次判别，直至所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败；
在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败，并且当前的资源消耗子模型训练次数等于预设的训练次数阈值的情况下，将当前所述资源消耗生成网络与所述资源消耗判别网络，确定为训练好的所述资源消耗子模型。
6.一种资源需求预测模型训练系统，其特征在于，包括：
第一训练模块，用于基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；
第二训练模块，用于将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；
处理模块，用于将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。
7.一种资源需求预测方法，其特征在于，包括：
将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果；
基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如权利要求1至5中任一项所述的资源需求预测模型训练方法得到。
8.根据权利要求7所述的资源需求预测方法，其特征在于，基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果的步骤包括：
基于所述业务负荷预测结果和预设的单个网元的容量门限，得到所述业务负荷预测结果所对应的网元需求数、以及单个所述网元的业务负荷预测值；
将所述网元的所述业务负荷预测值输入所述资源消耗子模型，进行资源需求预测，得到所述目标时刻单个所述网元的资源需求；
将所述资源需求与资源利用率之间的比值确定为目标需求值；
将所述目标需求值与所述网元需求数之间的乘积确定为所述资源需求预测结果。
9.一种资源需求预测系统，其特征在于，包括：
业务负荷预测模块，用于将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果；
资源需求预测模块，用于基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如权利要求1至5中任一项所述的资源需求预测模型训练方法得到。
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5中任一项所述资源需求预测模型训练方法，或者，如权利要求7或8所述的资源需求预测方法。
CN202311787350.2A 2023-12-25 2023-12-25 资源需求预测模型训练方法、系统及资源需求预测方法 Active CN117455205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311787350.2A CN117455205B (zh) 2023-12-25 2023-12-25 资源需求预测模型训练方法、系统及资源需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311787350.2A CN117455205B (zh) 2023-12-25 2023-12-25 资源需求预测模型训练方法、系统及资源需求预测方法

Publications (2)

Publication Number Publication Date
CN117455205A true CN117455205A (zh) 2024-01-26
CN117455205B CN117455205B (zh) 2024-04-19

Family

ID=89591449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311787350.2A Active CN117455205B (zh) 2023-12-25 2023-12-25 资源需求预测模型训练方法、系统及资源需求预测方法

Country Status (1)

Country Link
CN (1) CN117455205B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190132256A1 (en) * 2017-10-30 2019-05-02 Hitachi, Ltd. Resource allocation optimizing system and method
US20200167610A1 (en) * 2018-11-23 2020-05-28 POSTECH Research and Business Development Foundation Method of predicting demand of virtual network function resources to which machine learning is applied
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법
US20200380351A1 (en) * 2019-05-28 2020-12-03 Sap Se Automated Scaling Of Resources Based On Long Short-Term Memory Recurrent Neural Networks And Attention Mechanisms
CN112104469A (zh) * 2019-06-17 2020-12-18 华为技术有限公司 数据处理方法及装置
WO2021197364A1 (zh) * 2020-03-31 2021-10-07 华为技术有限公司 一种用于服务的扩缩容的方法及相关设备
CN114172819A (zh) * 2021-12-07 2022-03-11 中国电信股份有限公司 Nfv网元的需求资源预测方法、系统、电子设备和存储介质
CN116627630A (zh) * 2023-03-31 2023-08-22 阿里巴巴（中国）有限公司 资源需求预测模型训练、需求预测和资源调度方法及系统
CN117201310A (zh) * 2023-10-26 2023-12-08 中国电信股份有限公司技术创新中心 网元扩容方法、装置、电子设备及存储介质
CN117273233A (zh) * 2023-10-07 2023-12-22 国网河南省电力公司信息通信分公司 一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190132256A1 (en) * 2017-10-30 2019-05-02 Hitachi, Ltd. Resource allocation optimizing system and method
US20200167610A1 (en) * 2018-11-23 2020-05-28 POSTECH Research and Business Development Foundation Method of predicting demand of virtual network function resources to which machine learning is applied
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법
US20200380351A1 (en) * 2019-05-28 2020-12-03 Sap Se Automated Scaling Of Resources Based On Long Short-Term Memory Recurrent Neural Networks And Attention Mechanisms
CN112104469A (zh) * 2019-06-17 2020-12-18 华为技术有限公司 数据处理方法及装置
WO2021197364A1 (zh) * 2020-03-31 2021-10-07 华为技术有限公司 一种用于服务的扩缩容的方法及相关设备
CN114172819A (zh) * 2021-12-07 2022-03-11 中国电信股份有限公司 Nfv网元的需求资源预测方法、系统、电子设备和存储介质
CN116627630A (zh) * 2023-03-31 2023-08-22 阿里巴巴（中国）有限公司 资源需求预测模型训练、需求预测和资源调度方法及系统
CN117273233A (zh) * 2023-10-07 2023-12-22 国网河南省电力公司信息通信分公司 一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法
CN117201310A (zh) * 2023-10-26 2023-12-08 中国电信股份有限公司技术创新中心 网元扩容方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN117455205B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN107133118B (zh) 一种故障诊断模型训练方法、故障诊断方法及相关装置
JP6355683B2 (ja) リスク早期警報方法、装置、記憶媒体およびコンピュータプログラム
US10395646B2 (en) Two-stage training of a spoken dialogue system
CN112509562B (zh) 用于文本后处理的方法、装置、电子设备和介质
CN111104954A (zh) 一种对象分类的方法与装置
CN115470936B (zh) 一种基于nwdaf的机器学习模型更新方法及装置
CN115759444B (zh) 电力设备分配方法、装置、电子设备和计算机可读介质
US20220343163A1 (en) Learning system, learning device, and learning method
CN117455205B (zh) 资源需求预测模型训练方法、系统及资源需求预测方法
US20240086296A1 (en) Dynamic allocation and use of ims processing resources
CN114020469A (zh) 基于边缘节点的多任务学习方法、装置、介质与设备
CN111385150A (zh) 用于获取信息的方法及装置
CN116432069A (zh) 信息处理方法、服务提供方法、装置、设备及介质
CN115292037A (zh) 边缘网络下的任务可靠性保证方法及系统
CN114611698A (zh) 模型的部署方法、装置、电子设备及存储介质
CN117278379A (zh) 告警处理方法、装置、设备及存储介质
CN116933189A (zh) 一种数据检测方法和装置
CN112905457A (zh) 软件测试方法及装置
JP6930408B2 (ja) 推定装置、推定方法および推定プログラム
CN112766350A (zh) 二分类模型构建方法、装置、设备及计算机可读存储介质
CN117076131B (zh) 一种任务分配方法、装置、电子设备及存储介质
CN111143050A (zh) 一种容器集群调度的方法和设备
CN114822496B (zh) 一种音色切换方法、装置、设备及介质
CN116776926B (zh) 一种对话模型的优化部署方法、装置、设备及介质
CN118316190B (zh) 基于物联网的电力系统监测系统

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
GR01 Patent grant
GR01 Patent grant