JP2020017952A - 警告するための方法と装置 - Google Patents

Abstract

【課題】警告するための方法と装置が開示されている。【解決手段】当該方法の１つの具体的な実施形態では、リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータが得られ、前記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するためのものであり、前記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発する。当該実施形態は、リアルタイムで採集されたトラフィックデータに基づいて、正確な予測トラフィックデータを取得することができ、警告の正確性を向上させることができる。【選択図】図２

Description

本発明の実施例は、ネットワーク技術の分野に関し、具体的には警告するための方法と装置に関する。

科学技術の発展に伴って、情報の伝達がますます頻繁になっている。人々はインターネットを通じて様々な知能設備をデータ接続し、情報の相互伝達を実現し、人々の仕事と生活の情報化レベルを向上させることができる。

ネットワークトラフィックは情報伝達の状態を反映している。ユーザーに安定かつ効果的なサービスを提供するために、技術者は情報伝達時のネットワークトラフィックを効果的に監視する必要がある。現在のトラフィック監視は、ほとんど一定のトラフィック閾値を設定し、トラフィック閾値を超えた場合に警告し、技術者が適時にネットワークを維持する。

本発明の実施例は、警告するための方法と装置を提案する。

第１側面において、本発明の実施例は、リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るステップであって、ここで、上記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するためのものであるステップと、上記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発するステップとを含む警告するための方法に関する。

いくつかの実施例において、上記トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含む。

いくつかの実施例において、上記リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るステップは、上記リアルタイムで採集されたトラフィックデータシーケンスを上記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを得るステップであって、ここで、上記畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すためのものであるステップと、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを上記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルを得るステップであって、ここで、上記残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すためのものであるステップと、融合特徴ベクトルを前記完全接続層に入力して、上記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータが得るステップであって、ここで、上記完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すためのものであるステップとを含む。

いくつかの実施例において、上記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含み、ここで、上記深層特性抽出ネットワークは少なくとも２つの畳み込み層を含み、上記少なくとも２つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる。

いくつかの実施例において、上記トラフィック予測モデルは、履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットを得るステップと、ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであり、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれるステップと、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力として訓練することによりトラフィック予測モデルを得るステップと、によって訓練され得られる。

いくつかの実施例において、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力として訓練することによりトラフィック予測モデルを得るステップは、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得る訓練ステップと、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、上記初期トラフィック予測モデルの予測正確率を得る訓練ステップと、上記予測正確率が予め設定された正確率閾値より大きいかどうかを確認する訓練ステップと、上記設定された正確率閾値より大きい場合、上記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする訓練ステップとを実行するステップを含む。

いくつかの実施例において、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力として訓練することによりトラフィック予測モデルを得るステップは、上記設定された正確率閾値より大きくないことに応答して、上記初期トラフィック予測モデルのパラメータを調整し、上記訓練ステップを実行し続けるステップをさらに含む。

いくつかの実施例において、上記上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得るステップは、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するＮ個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、上記Ｎ個のサンプルトラフィックデータに対応する初期予測トラフィックデータを得るステップを含む。

いくつかの実施例において、上記上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、上記初期トラフィック予測モデルの予測正確率を得るステップは、サンプルトラフィックデータシーケンスにおけるＮ＋１番目のサンプルトラフィックデータをサンプル予測トラフィックデータとすることと、初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングするステップと、初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率が得られるステップとを含む。

第２側面において、本発明の実施例は、リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るように構成された予測トラフィックデータ取得ユニットであって、ここで、上記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するためのものである予測トラフィックデータ取得ユニットと、上記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発するように構成された警告ユニットとを含む警告するための装置に関する。

いくつかの実施例において、上記トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含む。

いくつかの実施例において、上記予測トラフィックデータ取得ユニットは、上記リアルタイムで採集されたトラフィックデータシーケンスを上記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを得るように構成された第１の特徴ベクトル取得サブユニットであって、ここで、上記畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すためのものである第１の特徴ベクトル取得サブユニットと、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを前記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルを得るように構成された第２の特徴ベクトル取得サブユニットであって、ここで、上記残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すためのものである第２の特徴ベクトル取得サブユニットと、融合特徴ベクトルを上記完全接続層に入力して、上記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータを得るように構成された予測トラフィックデータ取得サブユニットであって、ここで、上記完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すためのものである予測トラフィックデータ取得サブユニットとを含む。

いくつかの実施例において、上記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含み、ここで、上記深層特性抽出ネットワークは少なくとも２つの畳み込み層を含み、上記少なくとも２つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる。

いくつかの実施例において、トラフィック予測モデルを訓練するように構成されたトラフィック予測モデル訓練ユニットを含み、上記トラフィック予測モデル訓練ユニットは、履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットを得るように構成されたサンプル取得サブユニットであって、ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであり、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれるように構成されたサンプル取得サブユニットと、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力として訓練することによりトラフィック予測モデルを得るように構成されたトラフィック予測モデル訓練サブユニットとを含む。

いくつかの実施例において、上記トラフィック予測モデル訓練サブユニットは、前記トラフィック予測モデル訓練モジュールを含み、トラフィック予測モデル訓練モジュールは、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、上記初期トラフィック予測モデルの予測正確率を得、上記予測正確率が予め設定された正確率閾値より大きいかどうかを確認し、上記設定された正確率閾値より大きい場合、上記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとするように構成された。

いくつかの実施例において、上記トラフィック予測モデル訓練サブユニットは、上記設定された正確率閾値より大きくないことに応答して、上記初期トラフィック予測モデルのパラメータを調整し、上記訓練ステップを実行し続けるように構成されたパラメータ調整モジュールをさらに含む。

いくつかの実施例において、上記トラフィック予測モデル訓練モジュールは、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するＮ個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、上記Ｎ個のサンプルトラフィックデータに対応する初期予測トラフィックデータを得るように構成された初期予測トラフィックデータ取得サブモジュールを含む。

いくつかの実施例において、上記トラフィック予測モデル訓練モジュールは、サンプルトラフィックデータシーケンスにおけるＮ＋１番目のサンプルトラフィックデータをサンプル予測トラフィックデータとするように構成されたサンプル予測トラフィックデータ設定サブモジュールと、初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングするように構成されたマーキングサブモジュールと、初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率を得るように構成された予測正確率取得サブモジュールとを含む。

第３側面において、本発明の実施例は、１つ以上のプロセッサと、１つ以上のプログラムが記憶された記憶装置とを含み、上記１つ以上のプログラムが上記１つ以上のプロセッサによって実行されるとき、上記第１側面に記載の警告するための方法を上記１つ以上のプロセッサに実行させるサーバーに関する。

第４側面において、本発明の実施例は、コンピュータプログラムが記憶されたコンピュータ可読媒体であって、当該コンピュータプログラムがプロセッサによって実行されるとき、上記第１側面に記載の警告するための方法を実現することを特徴とするコンピュータ可読媒体に関する。

本発明の実施例に係る警告するための方法と装置は、まずリアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得、前記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きい場合、警告信号を発する。本発明は、リアルタイムで採集されたトラフィックデータに基づいて、正確な予測トラフィックデータを取得することができ、警告の正確性を向上させることができる。

本発明のその他の特徴、目的および利点をより明確にするために、以下の図面を参照してなされた非限定的な実施例の詳細な説明を参照する。
本発明の一実施例が適用され得る例示的なシステムアーキテクチャ図である。 本発明に係る警告するための方法の一実施例のフローチャートである。 本発明に係る警告するための方法の別の実施例のフローチャートである。 本発明に係るトラフィック予測モデル訓練方法の一実施例のフローチャートである。 本発明に係る警告するための装置の一実施例の概略構造図である。 本発明の実施例を実現するためのサーバーのコンピュータシステムの概略構造図である。

以下、図面及び実施例を参照して本発明についてより詳細に説明する。ここで説明された具体的な実施例は、関連する発明を説明するためだけのものであり、この発明を制限するものではないことを理解できる。なお、説明を容易にするために、図面には関連する発明に関連する部分のみを示している。

なお、矛盾しない場合には、本発明の実施例及び実施例における特徴が互いに組み合わせることができる。以下、図面を参照して、実施例に合わせて本発明を詳細に説明する。

図１には、本発明の実施例が適用され得る、警告するための方法又は警告するための装置の例示的なシステムアーキテクチャ１００が示されている。

図１に示すように、システムアーキテクチャ１００は、端末機器１０１、１０２、１０３、ネットワーク１０４およびサーバー１０５を含むことができる。ネットワーク１０４は、端末機器１０１、１０２、１０３とサーバー１０５との間に通信リンクの媒体を提供するために使用される。ネットワーク１０４は、例えば有線、無線通信リンク、または光ファイバケーブルなどの様々な接続タイプを含むことができる。

ユーザは、端末機器１０１、１０２、１０３を使用してネットワーク１０４を介してサーバー１０５とインタラクティブすることにより、サーバー１０５が端末機器１０１、１０２、１０３のネットワークトラフィックを監視する。端末１０１、１０２、１０３には、例えばウェブブラウザアプリケーション、ショッピングアプリケーション、検索アプリケーション、即時通信ツール、メールクライアント、社交プラットフォームソフトウェアなどの様々な通信クライアントアプリケーションがインストールされることができる。

端末機器１０１、１０２、１０３は、ハードウェアでもソフトウェアでもよい。端末機器１０１、１０２、１０３がハードウェアである場合、ネットワークアプリケーションを有し、ネットワークデータ処理をサポートする様々な電子機器であってもよく、スマートフォン、タブレット、電子書籍リーダー、ラップトップパソコン、デスクトップコンピュータなどを含むがこれらに限定されない。端末機器１０１、１０２、１０３がソフトウェアである場合、上記に挙げられた電子機器にインストールされることができる。それは、複数のソフトウェアまたはソフトウェアモジュール（例えば分散型サービスを提供する）として実現されてもよく、単一のソフトウェアまたはソフトウェアモジュールとして実現されてもよい。ここで、具体的に限定しない。

サーバー１０５は、様々なサービスを提供するサーバーであってもよく、例えば、端末機器１０１、１０２、１０３がネットワーク１０４に接続されている時のネットワークトラフィックを監視するサーバーであってもよい。サーバーは、端末機器１０１、１０２、１０３がネットワークに接続されている時のトラフィックを監視し、トラフィック異常時に警告信号を発することができる。

なお、本発明の実施例に係る警告するための方法は、一般的に、サーバー１０５によって実行される。それに対応して、警告するための装置は、一般的に、サーバー１０５に配置される。

なお、サーバーは、ハードウェアでもソフトウェアでもよい。サーバーがハードウェアである場合、複数のサーバーからなる分散型サーバークラスターとして実現されてもよく、単一のサーバーとして実現されてもよい。サーバーがソフトウェアである場合、複数のソフトウェアまたはソフトウェアモジュール（例えば分散型サービスを提供する）として実現されてもよく、単一のソフトウェアまたはソフトウェアモジュールとして実現されてもよい。ここで、具体的に限定しない

図１の端末機器、ネットワーク、およびサーバーの数は単なる例示であることを理解すべきである。必要に応じて、任意の数の端末機器、ネットワーク、およびサーバーを備えることができる。

続けて図２を参照すると、本発明による警告するための方法の一実施例のプロセス２００が示されている。当該警告するための方法は、以下のステップを含む。

ステップ２０１において、リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータが得られる。

本実施例において、警告するための方法の実行主体（例えば、図１に示すサーバー１０５）は、有線接続または無線接続により、ユーザがこれを利用してネットワークデータ処理を行う端末機器１０１、１０２、１０３から端末機器１０１、１０２、１０３のトラフィックデータ（すなわちネットワークトラフィックデータ）を採集し、トラフィックデータからトラフィックデータシーケンスを取得する。ここで、トラフィックデータシーケンスは、決められた時間の間隔を置くことなどにより、トラフィックデータから抽出されることができる。上記の無線接続方式は、３Ｇ ／ ４Ｇ接続、ＷｉＦｉ接続、Ｂｌｕｅｔｏｏｔｈ（登録商標）接続、ＷｉＭＡＸ接続、Ｚｉｇｂｅｅ接続、ＵＷＢ(ultra wideband)接続、および現在知られているまたは将来開発された他の無線接続を含むが、これらに限定されない。

従来のトラフィック警告の方法では、通常は一定のトラフィック閾値を設定し、トラフィック閾値を超えた場合に警告を行う。しかし、ユーザがネットワークを利用する時間、ユーザが利用するアプリケーションのネットワークトラフィックなどの要因によって、実際のネットワークトラフィックは独自の規則性を持っている。ある時間に、ユーザによって消費されるネットワークトラフィックは非常に低く(例えば、夜の休憩時間であってもよい)、ある時間に、ユーザによって消費されるネットワークトラフィックは非常に高い(例えば、勤務時間または退勤時間であってもよい)。したがって、一定の流量閾値を設定すると、誤警告が発生する場合がよくある。また、正常な、消費されたネットワークトラフィックが非常に低い、または消費されたネットワークトラフィックが非常に高いネットワークトラフィック異常を適時に発見できず、ひいては誤警告が発生する場合がある。

このため、本発明の実行主体は、まず、リアルタイムに端末機器１０１、１０２、１０３のトラフィックデータを取得する。この後、実行主体は、トラフィックデータからトラフィックデータシーケンスを抽出する。トラフィックデータシーケンスにおけるトラフィックデータは、時間的な優先順位があり、時間に伴うトラフィックの変化を表すことができる。例えば、トラフィックデータシーケンスは、（ｔ１、ＸＸ）、（ｔ２、ＸＸ）、（ｔ３、ＸＸ）、（ｔ４、ＸＸ）、（ｔ５、ＸＸ）であってもよい。ここで、ｔは時刻であり、ＸＸは時刻ｔにおけるフトラフィックデータ値である。この後、実行主体は、トラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、当該トラフィックデータシーケンスに対応する予測トラフィックデータを得ることができる。ここで、トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するために使用されてもよい。

本実施例において、トラフィック予測モデルは、人工ニューラルネットワークであってもよく、情報処理の角度から人間の脳の神経細胞ネットワークを抽象化し、ある簡単なモデルを作り、異なる接続方式で異なるネットワークを構成する。人工ニューラルネットワークは、大量のノード（またはニューロン）間の相互接続によって構成され、各ノードは、励起関数と呼ばれる特定の出力関数を表す。２つのノード間の接続は、重み（パラメータとも呼ばれる）と呼ばれる当該接続を通過する信号に対する重み付け値を表し、ネットワークの出力は、ネットワークの接続方式、重み値および励振関数によって異なる。トラフィック予測モデルは通常、複数の層を含み、各層は複数のノードを含む。一般的に、同じ層のノードの重みは同じであり、異なる層のノードの重みは異なるので、トラフィック予測モデルの複数の層のパラメータも異なってもよい。ここで、実行主体は、トラフィックデータシーケンスをトラフィック予測モデルの入力側から入力し、トラフィック予測モデルの各層のパラメータの処理（例えば積、畳み込み等）を順次経て、トラフィック予測モデルの出力側から出力してもよく、出力側から出力される情報は、トラフィックデータシーケンスに対応する予測トラフィックデータである。

本実施例において、トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するために使用されてもよい。実行主体は、リアルタイムで採集できる流量データ系列に基づいて予測される流量データを計算できるように複数の方法で訓練することができる。実行主体は、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出することができるトラフィック予測モデルを複数の方法で訓練することができる。

例として、実行主体は、大量のサンプルトラフィックデータシーケンスとサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを統計することにより、サンプルトラフィックデータシーケンスとサンプル予測トラフィックデータとの対応関係が複数記録された対応関係テーブルを生成し、かつ、当該対応関係テーブルをトラフィック予測モデルとすることができる。このようにして、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスを、当該対応関係テーブルにおける複数のサンプルトラフィックデータシーケンスと順次比較することができ、当該対応関係テーブルにおける１つのサンプルトラフィックデータシーケンスがリアルタイムで採集されたトラフィックデータシーケンスと同じまたは類似している場合、当該対応関係テーブルにおける当該サンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータをリアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータとする。

別の例として、実行主体は、まず複数のサンプルトラフィックデータシーケンスと複数のサンプルトラフィックデータシーケンスにおける各サンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを取得し、この後、複数のサンプルトラフィックデータシーケンスにおける各サンプルトラフィックデータシーケンスを入力として、複数のサンプルトラフィックデータシーケンスにおける各サンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力とすることによって、訓練して流量予測モデルを得た。ここで、実行主体は、複数のサンプルトラフィックデータシーケンスを取得し、当業者に示すことができ、当業者は、複数のサンプルトラフィックデータシーケンスにおける各サンプルトラフィックデータシーケンスを経験に基づいて計算することにより、サンプル予測トラフィックデータを得ることができる。実行主体によって訓練されたのは初期トラフィック予測モデルであってもよく、初期トラフィック予測モデルは訓練されていないトラフィック予測モデルまたは訓練が完了していないトラフィック予測モデルであってもよく、初期トラフィック予測モデルの各層に対し初期パラメータを設定してもよい。パラメータは、初期トラフィック予測モデルの訓練中に継続的に調整されることができる。初期トラフィック予測モデルは、様々なタイプの訓練されていないまたは訓練が完了していない人工ニューラルネットワークであってもよく、あるいは複数の種類の訓練されていないまたは訓練が完了していない人工ニューラルネットワークを組み合わせることにより得られたモデルであってもよい。例えば、初期トラフィック予測モデルは、訓練されていない畳み込みニューラルネットワークであってもよく、訓練されていない残差ネットワークであってもよく、訓練されていない畳み込みニューラルネットワーク、訓練されていない残差ネットワーク、訓練されていない完全接続層を組み合わせることにより得られたモデルであってもよい。このようにして、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスをトラフィック予測モデルの入力側から入力し、トラフィック予測モデルの各層のパラメータの処理を順次経て、トラフィック予測モデルの出力側から出力することができ、出力側から出力される情報は、リアルタイムで採集されたトラフィックデータシーケンスに対応する予測トラフィックデータである。

ステップ２０２において、上記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発する。

予測トラフィックデータが得られた後、実行主体は予測トラフィックデータを時間的に対応する実際のトラフィックデータと比較することができる。予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きい場合、警告信号を発する。例えば、リアルタイムで採集されたトラフィックデータシーケンスは、１０個のトラフィックデータ点を含み、各トラフィックデータ点は時刻１〜１０に対応する。この１０個のトラフィックデータ点をトラフィック予測モデルに入力して得られた予測トラフィックデータは、時刻１１に対応することができる。予測トラフィックデータと実際の対応する時刻１１のトラフィックデータとの差が設定閾値より大きい場合、このときの実際のトラフィックデータが異常であると考えられ、実行主体は警告信号を発することができる。上記の説明から分かるように、本発明の方法は、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを得てから、予測トラフィックデータと実際のトラフィックデータとを比較することによりトラフィックデータが異常であるかどうかを判定して、警告信号を発する。予測トラフィックデータは実際のリアルタイムで採集されたトラフィックデータに基づいて得られるので、実際のトラフィックデータの変化傾向を実際かつ正確に反映して、警告の正確性を向上させることができる。

さらに図３を参照し、本発明に係る警告するための方法の別の実施例のプロセス３００が示されている。当該実施例において、トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含んでもよい。当該警告するための方法のプロセス３００は、以下のステップを含む。

ステップ３０１において、上記リアルタイムで採集されたトラフィックデータシーケンスを上記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルが得られる。

本実施例において、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスを畳み込みニューラルネットワークに入力することにより、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを得ることができる。ここで、トラフィックデータシーケンスは、複数の時刻に対応するトラフィックデータを含む。リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルは、例えば単位時間内のトラフィックデータの差分などのような時間に伴うトラフィックの変化の特徴を表すために使用されることができる。

本実施例において、畳み込みニューラルネットワークは、フィードフォワードニューラルネットワークとすることができ、その人工ニューロンは、覆われた範囲内の周辺のセルの一部に応答し、大型画像の処理に優れている。一般に、畳み込みニューラルネットワークの基本構造は２つの層を含み、そのうちの１つは特徴抽出層であり、各ニューロンの入力は前の層の局所的受容領域に接続され、局所的特徴を抽出する。この局所的特徴が抽出されると、他の特徴との位置関係も決定される。第二は、特徴マップ層であり、ネットワークの各計算層は複数の特徴マップから構成され、各特徴マップは一つの平面であり、平面上のすべてのニューロンの重み値は等しくなっている。実行主体は、リアルタイムで採集されたトラフィックデータシーケンスを畳み込みニューラルネットワークの入力側から入力し、畳み込みニューラルネットワークにおける各層のパラメータの処理を順次経て、畳み込みニューラルネットワークの出力側から出力してもよく、出力側から出力される情報は、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルである。

本実施例において、畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すために使用されることができる。実行主体は、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すことができる畳み込みニューラルネットワークを複数の方法で訓練することができる。

例として、実行主体は、大量のサンプルトラフィックデータシーケンスとトラフィックデータシーケンスの特徴ベクトルを統計することにより、トラフィックデータシーケンスとトラフィックデータシーケンスの特徴ベクトルとの対応関係が複数記憶された対応関係テーブルを生成して、かつ、当該対応関係テーブルを畳み込みニューラルネットワークとすることができる。このようにして、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスを、当該対応関係テーブルにおける複数のトラフィックデータシーケンスと順次比較することができ、当該対応関係テーブルにおける１つのトラフィックデータシーケンスがリアルタイムで採集されたトラフィックデータシーケンスと同じまたは類似している場合、当該対応関係テーブルにおける当該トラフィックデータシーケンスの特徴ベクトルをリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとする。

別の例として、実行主体は、まずサンプルトラフィックデータシーケンスとサンプルトラフィックデータシーケンスの特徴ベクトルを取得し、この後、サンプルトラフィックデータシーケンスを入力として、サンプルトラフィックデータシーケンスの特徴ベクトルを出力とすることによって、訓練してトラフィックデータシーケンスとトラフィックデータシーケンスに対応する特徴ベクトルとの対応関係を表すことができる畳み込みニューラルネットワークを得た。このようにして、実行主体は、トラフィックデータシーケンスを畳み込みニューラルネットワークの入力側から入力し、畳み込みニューラルネットワークにおける各層のパラメータの処理を順次経て、畳み込みニューラルネットワークの出力側から出力することができ、出力側から出力される情報は、トラフィックデータシーケンスの特徴ベクトルである。

ステップ３０２において、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを上記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルが得られる。

本実施例において、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを残差ネットワークに入力することにより、融合特徴ベクトルを得ることができる。ここで、融合特徴ベクトルは、トラフィックデータシーケンスの特徴ベクトルの深層特性と表層特性との融合を表すために使用されることができる。

本実施例において、残差ネットワークは、ネットワーク内の各層の入力に応じて残差関数を生成し、残差ネットワークをより最適化しやすく、ネットワークの層の数を大幅に増大させることができる。

本実施例において、残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すために使用されることができる。実行主体は、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すことができる循環ニューラルネットワークを複数の方法で訓練することができる。

例として、実行主体は、大量のトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルを統計することにより、トラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係が複数記憶された対応関係テーブルを生成して、かつ、当該対応関係テーブルを残差ネットワークとすることができる。このようにして、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと当該対応関係テーブルにおける複数のトラフィックデータシーケンスの特徴ベクトルとの間のユークリッド距離を算出することができ、当該対応関係テーブルにおける１つのトラフィックデータシーケンスの特徴ベクトルとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの間のユークリッドが予め設定された距離閾値より小さい場合、当該対応関係テーブルにおける、当該トラフィックデータシーケンスの特徴ベクトルに対応する融合特徴ベクトルをリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルとする。

別の例として、実行主体は、まずサンプルトラフィックデータシーケンスの特徴ベクトルとサンプル融合特徴ベクトルを取得し、この後、サンプルトラフィックデータシーケンスの特徴ベクトルを入力として、サンプル融合特徴ベクトルを出力とすることによって、訓練してリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すことができる残差ネットワークを得た。このようにして、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを残差ネットワークの入力側から入力し、残差ネットワークにおける各層のパラメータの処理を順次経て、残差ネットワークの出力側から出力することができ、出力側から出力される情報は、融合特徴ベクトルである。

本実施例のいくつかの選択可能な実施形態において、上記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含むことができる。

トラフィックデータの特性を正確に判定するために、本実施形態の残差ネットワークは、２つの比較的独立したネットワーク、すなわち深層特性抽出ネットワークと表層特性抽出ネットワークをさらに含んでもよい。つまり、残差ネットワーク内では、深層特性抽出ネットワークと表層特性抽出ネットワークの入力は、いずれもリアルタイムで収集されたトラフィックデータシーケンスの特徴ベクトルである。深層特性抽出ネットワークと表層特性抽出ネットワークは、それぞれリアルタイムで収集されたトラフィックデータシーケンスの特徴ベクトルをデータ処理して、深層特徴ベクトルと表層特徴ベクトルをそれぞれ得る。ここで、上記深層特性抽出ネットワークは、トラフィックデータの深層特徴ベクトルを抽出するための少なくとも２つの畳み込み層を含んでもよい。上記少なくとも２つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる。表層特性抽出ネットワークは、トラフィックデータの表層特徴ベクトル（表層特徴は、トラフィックデータの変化傾向の情報などとされることができる）を抽出するための一つの畳み込み層のみを含んでもよい。残差ネットワークは、深層特徴ベクトルと表層特徴ベクトルを融合させて融合特徴ベクトルを得るための畳み込み層をさらに含むことができる。融合特徴ベクトルは、深層特徴ベクトルと表層特徴ベクトルとを加算することによって得られ、または深層特徴ベクトルと表層特徴ベクトルにそれぞれ異なる重み値を付与してから加算することによって得られることができ、具体的には実際のニーズに応じて決める。

ステップ３０３において、融合特徴ベクトルを上記完全接続層に入力して、上記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータが得られる。

本実施例において、実行主体は、融合特徴ベクトルを完全接続層に入力することにより、リアルタイムで採集されたトラフィックデータの予測トラフィックデータを得ることができる。ここで、予測トラフィックデータはリアルタイムで採集されたトラフィックデータシーケンスの次の（複数の）時刻に対応するトラフィックデータであってもよい。例えば、トラフィックデータシーケンスは、１０個の時刻に対応するトラフィックデータを含み、予測トラフィックデータは、１１番目の時刻(１２番目の時刻、１３番目の時刻など)に対応するトラフィックデータに対して予測して得られたものであってもよい。

本実施例において、完全接続層の各ノードはいずれも循環ニューラルネットワークの出力層のすべてのノードに接続され、残差ネットワークの出力層の出力の融合特徴ベクトルを統合するために使用される。その完全接続の特性のため、一般的に完全接続層のパラメータも一番多い。同時に，完全接続層のパラメータを用いて融合特徴ベクトルを線形変換した後，非線形励起関数を加えて線形変換の結果を変換し，これにより非線形因子を導入して，トラフィック予測モデルの表現能力を増強することができる。ここで、励起関数は、ソフトマックス関数であってもよく、ソフトマックス関数は、人工ニューラルネットワークにおいてよく見られる励起関数であり、ここでは詳細に説明しない。

本実施例において、完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すために使用されることができ、実行主体は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すことができる完全接続層を複数の方法で訓練することができる。

例として、実行主体は、大量の融合特徴ベクトルと予測トラフィックデータを統計することにより、融合特徴ベクトルと予測トラフィックデータとの対応関係が複数記憶された対応関係テーブルを生成して、かつ、当該対応関係テーブルを完全接続層とすることができる。このようにして、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスに対応する融合特徴ベクトルと当該対応関係テーブルにおける複数の融合特徴ベクトルとの間のユークリッド距離を算出することができ、当該対応関係テーブルにおける１つの融合特徴ベクトルとリアルタイムで採集されたトラフィックデータシーケンスに対応する融合特徴ベクトルとの間のユークリッドが予め設定された距離閾値より小さい場合、当該対応関係テーブルにおける当該融合特徴ベクトルに対応する予測トラフィックデータをリアルタイムで採集されたトラフィックデータシーケンスに対応する予測トラフィックデータとする。

別の例として、実行主体は、まずサンプル融合特徴ベクトルとサンプル融合特徴ベクトルに対応するサンプル予測トラフィックデータを取得し、この後、サンプル融合特徴ベクトルを入力として、サンプル融合特徴ベクトルに対応するサンプル予測トラフィックデータを出力とすることによって、訓練して融合特徴ベクトルと予測トラフィックデータとの対応関係を表すことができる完全接続層を得た。このようにして、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスに対応する融合特徴ベクトルを完全接続層の入力側から入力し、完全接続層のパラメータと励起関数の処理を経て、完全接続層の出力側から出力することができ、出力側から出力される情報は、リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータである。

ステップ３０４において、上記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発する。

ステップ３０４はステップ２０２と同じであり、ここで繰り返して説明しない。

図３から分かるように、図２に対応する実施例と比較して、本実施例における情報出力方法のプロセス３００は、トラフィック予測モデルの構造および各構造の作動原理を強調している。したがって、本実施例で説明された技術案は、トラフィックデータ特徴を取得する正確性を向上させることができ、さらにトラフィックデータの異常に対する正確な警報を実現することができる。

さらに図４を参考し、本発明に係るトラフィック予測モデル訓練方法の一実施例のフローチャートが示されている。当該トラフィック予測モデル訓練方法のプロセス４００は、以下のステップを含む。

ステップ４０１において、履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットが得られる。

本実施例において、実行主体（例えば、図１に示されるサーバー１０５）でトラフィック予測モデル訓練方法を実行し、履歴データからサンプルトラフィックデータシーケンスを抽出することができる。

本実施例において、履歴データには、障害なし（トラフィックデータ正常）や障害（トラフィックデータ異常）などの場合のトラフィックデータの変化特徴が保存されている。本実施例の実行主体は、履歴データから、トラフィックデータが障害なしの場合のサンプルトラフィックデータシーケンスを抽出し、サンプルトラフィックデータシーケンスからサンプルトラフィックデータシーケンスセットを作成することができる。ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであって、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれる。

ステップ４０２において、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータが得られる。

本実施例において、実行主体は、ステップ４０１で取得されたサンプルトラフィックデータシーケンスセットに基づいて、サンプルトラフィックデータシーケンスセットにおける各サンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに入力することにより、サンプルトラフィックデータシーケンスセットにおける各サンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得ることができる。ここで、実行主体は、各サンプルトラフィックデータシーケンスを初期トラフィック予測モデルの入力側から入力し、初期トラフィック予測モデルにおける各層のパラメータの処理を順次に経て、初期トラフィック予測モデルの出力側から出力することができ、出力側から出力される情報は、当該サンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータである。ここで、初期トラフィック予測モデルは訓練されていないトラフィック予測モデルまたは訓練が完了していないトラフィック予測モデルであってもよく、初期トラフィック予測モデルの各層に対し初期パラメータを設定してもよい。初期パラメータは、初期トラフィック予測モデルの訓練中に継続的に調整されることができる。

本実施例のいくつかの選択可能な実施形態において、上記上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータが得られることは、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するＮ個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、上記Ｎ個のサンプルトラフィックデータに対応する初期予測トラフィックデータが得られることを含む。ただし、Ｎは、正の整数である。

実行主体は、サンプルトラフィックデータシーケンス内の連続するＮ個のサンプルトラフィックデータを初期トラフィック予測モデルの入力として、Ｎ個のサンプルトラフィックデータの初期予測トラフィックデータを得ることができる。

ステップ４０３において、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、上記初期トラフィック予測モデルの予測正確率が得られる。

本実施例において、実行主体は、ステップ４０２で取得されたサンプルトラフィックデータシーケンスセットにおける各サンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータに基づいて、サンプルトラフィックデータシーケンスセットにおける各サンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較することにより、初期トラフィック予測モデルの予測正確率を得ることができる。具体的に、サンプルトラフィックデータシーケンスの初期予測トラフィックデータがサンプル予測トラフィックデータと同じまたは近い場合、初期トラフィック予測モデルの予測が正しく、サンプルトラフィックデータシーケンスの初期予測トラフィックデータがサンプル予測トラフィックデータと異なっているか、または近くない場合、初期トラフィック予測モデルの予測が正しくない。ここで、実行主体は、正しく予測された数とサンプル総数との比を計算し、その比を初期トラフィック予測モデルの予測正確率とすることができる。

本実施例のいくつかの選択可能な実施形態において、上記上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、上記初期トラフィック予測モデルの予測正確率が得られることは、以下のステップを含む。

第一ステップにおいて、サンプルトラフィックデータシーケンスにおけるＮ＋１番目のサンプルトラフィックデータをサンプル予測トラフィックデータとする。

実際には、予測の正確性のために、実行主体は、サンプルトラフィックデータシーケンスにおけるＮ＋１番目のサンプルトラフィックデータをサンプル予測トラフィックデータとすることができる。

第二ステップにおいて、初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングする。

サンプルトラフィックデータシーケンスにおけるＮ番目のサンプルトラフィックデータの初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さい場合、初期トラフィック予測モデルの予測が正確であると説明する。このとき、この初期予測トラフィックデータが正しいとマーキングすることができる。そうでなければ、この初期予測トラフィックデータが正しくないとマークすることができる。

第三ステップにおいて、初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率が得られる。

実行主体は、初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計することにより、初期トラフィック予測モデルの予測正確率が得られる。

ステップ４０４において、上記予測正確率が予め設定された正確率閾値より大きいかどうかを確認する。

本実施例において、実行主体は、ステップ４０３で取得された初期トラフィック予測モデルの予測正確率に基づいて、初期トラフィック予測モデルの予測正確率と予め設定された正確率閾値とを比較することができる。予め設定された正確率閾値より大きい場合、ステップ４０５を実行し、予め設定された正確率閾値より大きくない場合、ステップ４０６を実行する。

ステップ４０５において、上記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする。

本実施例において、初期トラフィック予測モデルの予測正確率が予め設定された正確率閾値より大きい場合、当該トラフィック予測モデルの訓練が完了したと説明する。このとき、実行主体は、初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする。

ステップ４０６において、上記初期トラフィック予測モデルのパラメータを調整する。

本実施例において、初期トラフィック予測モデルの予測正確率が予め設定された正確率閾値より大きくない場合、実行主体は、リアルタイムで採集されたトラフィックデータシーケンスから予測トラフィックデータを算出できるトラフィック予測モデルが訓練されたまで、初期トラフィック予測モデルのパラメータを調整し、ステップ４０２に戻って実行することができる。

さらに、図５を参照し、本実施例の警告するための装置５００は予測トラフィックデータ取得ユニット５０１と警告ユニット５０２とを含む。ここで、予測トラフィックデータ取得ユニット５０１は、リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータが得られるように構成され、上記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するために使用されている。警告ユニット５０２は、上記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発するように構成された。

本実施例のいくつかの選択可能な実施形態において、上記トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含んでもよい。

本実施例のいくつかの選択可能な実施形態において、上記予測トラフィックデータ取得ユニットは、第１の特徴ベクトル取得サブユニット（未図示）と、第２の特徴ベクトル取得サブユニット（未図示）と、予測トラフィックデータ取得サブユニット（未図示）とを含んでもよい。ここで、第１の特徴ベクトル取得サブユニット（未図示）は、上記リアルタイムで採集されたトラフィックデータシーケンスを上記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルが得られるように構成され、ここで、上記畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すために使用されている。第２の特徴ベクトル取得サブユニットは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを上記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルが得られるように構成され、ここで、上記残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すために使用されている。予測トラフィックデータ取得サブユニットは、融合特徴ベクトルを上記完全接続層に入力して、上記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータが得られるように構成され、ここで、上記完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すために使用されている。

本実施例のいくつかの選択可能な実施形態において、上記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含んでもよく、ここで、上記深層特性抽出ネットワークは少なくとも２つの畳み込み層を含み、上記少なくとも２つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる。

本実施例のいくつかの選択可能な実施形態において、警告するための装置５００は、トラフィック予測モデルを訓練するように構成されたトラフィック予測モデル訓練ユニット（未図示）を含み、上記トラフィック予測モデル訓練ユニットは、サンプル取得サブユニット（未図示）とトラフィック予測モデル訓練サブユニット（未図示）とを含んでもよい。ここで、サンプル取得サブユニットは、履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットが得られるように構成され、ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであって、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれる。トラフィック予測モデル訓練サブユニットは、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力とすることによってトラフィック予測モデルが訓練され得られるように構成された。

本実施例のいくつかの選択可能な実施形態において、上記トラフィック予測モデル訓練サブユニットは、トラフィック予測モデル訓練モジュール（未図示）を含み、トラフィック予測モデル訓練モジュールは以下のように構成され、すなわち、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータが得られ、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、上記初期トラフィック予測モデルの予測正確率が得られ、上記予測正確率が予め設定された正確率閾値より大きいかどうかを確認し、上記設定された正確率閾値より大きい場合、上記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする。

本実施例のいくつかの選択可能な実施形態において、上記トラフィック予測モデル訓練サブユニットは、上記設定された正確率閾値より大きくないことに応答して、上記初期トラフィック予測モデルのパラメータを調整し、上記訓練ステップを実行し続けるように構成されたパラメータ調整モジュール（未図示）をさらに含んでもよい。

本実施例のいくつかの選択可能な実施形態において、上記トラフィック予測モデル訓練モジュールは、上記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するＮ個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、上記Ｎ個のサンプルトラフィックデータに対応する初期予測トラフィックデータが得られるように構成された初期予測トラフィックデータ取得サブモジュールを含んでもよい。

本実施例のいくつかの選択可能な実施形態において、上記トラフィック予測モデル訓練モジュールは、サンプル予測トラフィックデータ設定サブモジュール（未図示）と、マーキングサブモジュール（未図示）と、予測正確率取得サブモジュール（未図示）とを含んでもよい。ここで、サンプル予測トラフィックデータ設定サブモジュールは、サンプルトラフィックデータシーケンスにおけるＮ＋１番目のサンプルトラフィックデータをサンプル予測トラフィックデータとするように構成された。マーキングサブモジュールは、初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングするように構成された。予測正確率取得サブモジュールは、初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率が得られるように構成された。

本実施例はさらに、１つ以上のプロセッサと、１つ以上のプログラムが記憶された記憶装置とを含み、上記１つ以上のプログラムが上記１つ以上のプロセッサによって実行されるとき、上記の警告するための方法を上記１つ以上のプロセッサに実行させるサーバーを提供する。

本実施例はさらに、コンピュータプログラムが記憶されたコンピュータ可読媒体であって、このコンピュータプログラムがプロセッサによって実行されるとき、上記の警告するための方法を実現するコンピュータ可読媒体を提供する。

以下、図６を参照し、本発明の実施例を実現するためのサーバー（例えば図１に示したサーバー１０５）のコンピュータシステム６００の概略構造図が示されている。図６に示したサーバーは一例であり、本発明の実施例の機能と使用範囲を限定するものではない。

図６に示すように、コンピュータシステム６００は、読み出し専用メモリ（ＲＯＭ）６０２に記憶されているプログラムまたは記憶部６０８からランダムアクセスメモリ（ＲＡＭ）６０３にロードされたプログラムに従って各種の適切な動作と処理を行うことができる中央処理装置（ＣＰＵ）６０１を含む。ＲＡＭ６０３には、システム６００の操作に必要な様々なプログラムとデータが記憶されている。ＣＰＵ６０１、ＲＯＭ６０２、およびＲＡＭ６０３は、バス６０４によって相互に接続されている。入力/出力(Ｉ/Ｏ)インターフェース６０５もバス６０４に接続されている。

Ｉ/Ｏインターフェース６０５には、キーボード、マウスなどを含む入力部６０６と、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）、スピーカーなどを含む出力部６０７と、ハードディスクなどを含む記憶部６０８と、ＬＡＮカード、デモジュレータなどのネットワークインターフェースカードを含む通信部６０９とが接続されている。通信部６０９は、インターネットのようなネットワークを介して通信処理を行う。ドライバ６１０も必要に応じてＩ/Ｏインターフェース６０５に接続されている。ディスク、光ディスク、磁気ディスク、半導体メモリなどの着脱可能な媒体６１１は、必要に応じてドライバ６１０に取り付けられることにより、そこから読み出されるコンピュータプログラムが必要に応じて記憶部６０８にインストールされる。

特に、本発明の実施例によると、上記のフローチャートを参照して説明されたプロセスは、コンピュータソフトウェアのプログラムとして実現されることができる。例えば、本発明の実施例は、コンピュータ可読媒体に担持されたコンピュータプログラムを含むコンピュータプログラム製品を含み、当該コンピュータプログラムは、フローチャートに示された方法を実行するためのプログラムコードを含む。このような実施例では、このコンピュータプログラムは、通信部６０９を介してネットワークからダウンロードされてインストールされ、および／または着脱可能な媒体６１１からインストールされることができる。このコンピュータプログラムが中央処理装置（ＣＰＵ）６０１によって実行されるときに、本発明のシステムで限定された上記の機能を実行する。

なお、本発明に示したコンピュータ可読媒体は、コンピュータ可読信号媒体、あるいはコンピュータ可読記憶媒体、または上記の両方の任意の組合せであってもよい。コンピュータ可読記憶媒体は、例えば、電気、磁気、光、電磁気、赤外線、あるいは半導体のシステム、装置またはデバイス、あるいは上記の任意の組合せであってもよいが、これらに限らない。コンピュータ可読記憶媒体のより具体的な例には、１本以上のワイヤによる電気的接続、携帯型コンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、光ファイバ、コンパクトディスク読み取り専用メモリ（ＣＤ−ＲＯＭ）、光記憶装置、磁気記憶装置、または上記の任意の組み合わせが含まれるが、これらに限らない。本発明では、コンピュータ可読記憶媒体は、プログラムを含むかまたは記憶する任意の有形の媒体であることができ、このプログラムは、指令実行システム、装置またはデバイスによって使用され、またはそれらと組み合わせて使用されることができる。本発明では、コンピュータが読み取り可能な信号媒体は、コンピュータが読み取り可能なプログラムコードを担持した、ベースバンド内でまたは搬送波の一部として伝播されるデータ信号を含んでもよい。このような伝播されたデータ信号は、多種の形式を採用でき、電磁気信号、光信号、または上記の任意の適切な組み合わせを含むが、これらに限らない。コンピュータが読み取り可能な信号媒体は、コンピュータ可読記憶媒体以外のいかなるコンピュータ可読媒体であってもよく、このコンピュータ可読媒体は、指令実行システム、装置またはデバイスによって使用され、またはそれらと組み合わせて使用されるためのプログラムを送信、伝播または伝送することができる。コンピュータ可読媒体に含まれるプログラムコードは、任意の適切な媒体で伝送されることができ、無線、ワイヤ、光ファイバケーブル、RFなど、または上記の任意の適切な組み合わせを含むが、これらに限らない。

図の中のフローチャートおよびブロック図には、本発明の様々な実施例によるシステム、方法とコンピュータプログラム製品の実現可能なアーキテクチャ、機能、および操作が示されている。この点で、フローチャート又はブロック図の各ブロックは、１つのモジュール、プログラミングのセグメント、またはコードの一部を代表でき、このモジュール、プログラミングのセグメント、またはコードの一部は、所定のロジック機能を実現するための１つ以上の実行可能指令を含む。また、いくつかの代替の実施例では、ブロックに示されている機能は、図面に示された順序と異なる順序で発生してもよいことに留意されたい。例えば、連続して示す２つのブロックは実際に並行して実行されてもよく、それらは係る機能に応じて時に逆の順序で実行されてもよい。ブロック図および/またはフローチャートの各ブロック、およびブロック図および/またはフローチャートのブロックの組み合わせは、特定の機能または操作を実行する専用のハードウェアによるシステムによって実現されてもよく、または専用ハードウェアとコンピュータ指令の組み合わせによって実現されてもよいことにも留意されたい。

本発明の実施例に係るユニットは、ソフトウェアによって実現されてもよく、ハードウェアによって実現されてもよい。説明されたユニットは、プロセッサに設置されてもよく、例えば、「予測トラフィックデータ取得ユニットと警告ユニットとを含むプロセッサである」と記載してもよい。ここで、これらのユニットの名は、ある場合にはそのユニット自体を限定しなくて、例えば、警告ユニットを「警告信号を発するためのユニット」と記載してもよい。

別の側面において、本発明は、コンピュータ可読媒体をさらに提供し、このコンピュータ可読媒体は、上記の実施形例で説明された装置に含まれてもよく、個別に存在しこの装置に組み込まれなくてもよい。上記のコンピュータ可読媒体は、１つ以上のプログラムを担持し、上記の１つ以上のプログラムが一つのこの装置によって実行されたとき、当該装置は、リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータが得られ、ここで、上記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するために使用され、上記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発する。

上記の説明は、本発明の好ましい実施例および応用された技術の原理の説明にすぎない。本発明に係る発明の範囲が、上記の技術的特徴を組み合わせて得られた技術案に限定されず、同時に上記の発明の概念から逸脱しない場合に、上記の技術的特徴またはこれと同等の技術的特徴を任意に組み合わせて得られた他の技術案を含むべきであることを当業者は理解すべきである。例えば、上記特徴が本発明において開示されているもの（しかしこれに限らず）と類似した機能を有する技術的特徴と相互に入れ替わって形成された技術案が挙げられる。

Claims (20)

1. リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るステップであって、ここで、前記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するためのものであるステップと、
   前記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発するステップと、
   を含む警告するための方法。
2. 前記トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含む請求項１に記載の方法。
3. 前記リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るステップは、
   前記リアルタイムで採集されたトラフィックデータシーケンスを前記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを得るステップであって、ここで、前記畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すためのものであるステップと、
   リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを前記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルを得るステップであって、ここで、前記残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すためのものであるステップと、
   融合特徴ベクトルを前記完全接続層に入力して、前記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータを得るステップであって、ここで、前記完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すためのものであるステップと、
   を含む請求項２に記載の方法。
4. 前記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含み、
   ここで、前記深層特性抽出ネットワークは少なくとも２つの畳み込み層を含み、前記少なくとも２つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる、請求項３に記載の方法。
5. 前記トラフィック予測モデルは、
   履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットを得るステップであって、ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであり、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれるステップと、
   前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力して訓練することによりトラフィック予測モデルを得るステップと、
   により訓練され得られる、請求項１に記載の方法。
6. 前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力して訓練することによりトラフィック予測モデルを得るステップは、
   前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得る訓練ステップと、
   前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、前記初期トラフィック予測モデルの予測正確率を得る訓練ステップと、
   前記予測正確率が予め設定された正確率閾値より大きいかどうかを確認する訓練ステップと、
   前記設定された正確率閾値より大きい場合、前記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする訓練ステップと、
   を実行することを含む、請求項５に記載の方法。
7. 前記、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力して訓練することによりトラフィック予測モデルを得るステップは、
   前記設定された正確率閾値より大きくないことに応答して、前記初期トラフィック予測モデルのパラメータを調整し、前記訓練ステップを実行し続けるステップをさらに含む、請求項６に記載の方法。
8. 前記前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得るステップは、
   前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するＮ個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、前記Ｎ個のサンプルトラフィックデータに対応する初期予測トラフィックデータを得るステップを含む、請求項６に記載の方法。
9. 前記前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、前記初期トラフィック予測モデルの予測正確率を得るステップは、
   サンプルトラフィックデータシーケンスにおけるＮ＋１番目のサンプルトラフィックデータをサンプル予測トラフィックデータとするステップと、
   初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングするステップと、
   初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率を得るステップと、
   を含む、請求項８に記載の方法。
10. リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るように構成された予測トラフィックデータ取得ユニットであって、ここで、前記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するためのものである予測トラフィックデータ取得ユニットと、
    前記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発するように構成された警告ユニットと、を含む警告するための装置。
11. 前記トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含む請求項１０に記載の方法。
12. 前記予測トラフィックデータ取得ユニットは、
    前記リアルタイムで採集されたトラフィックデータシーケンスを前記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを得るように構成された第１の特徴ベクトル取得サブユニットであって、ここで、前記畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すためのものである第１の特徴ベクトル取得サブユニットと、
    リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを前記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルを得るように構成された第２の特徴ベクトル取得サブユニットであって、ここで、前記残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すためのものである第２の特徴ベクトル取得サブユニットと、
    融合特徴ベクトルを前記完全接続層に入力して、前記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータを得るように構成された予測トラフィックデータ取得サブユニットであって、ここで、前記完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すためのものである予測トラフィックデータ取得サブユニットと、を含む請求項１１に記載の装置。
13. 前記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含み、
    ここで、前記深層特性抽出ネットワークは少なくとも２つの畳み込み層を含み、前記少なくとも２つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる、請求項１２に記載の装置。
14. トラフィック予測モデルを訓練するように構成されたトラフィック予測モデル訓練ユニットを含み、
    前記トラフィック予測モデル訓練ユニットは、
    履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットを得るように構成されたサンプル取得サブユニットであって、ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであって、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれるサンプル取得サブユニットと、
    前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力として訓練することによりトラフィック予測モデルを得るように構成されたトラフィック予測モデル訓練サブユニットと、を含む、請求項１０に記載の装置。
15. 前記トラフィック予測モデル訓練サブユニットは、トラフィック予測モデル訓練モジュールを含み、
    前記トラフィック予測モデル訓練モジュールは、
    前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得、
    前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、前記初期トラフィック予測モデルの予測正確率を得、
    前記予測正確率が予め設定された正確率閾値より大きいかどうかを確認し、
    前記設定された正確率閾値より大きい場合、前記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする、ように構成された、請求項１４に記載の装置。
16. 前記トラフィック予測モデル訓練サブユニットは、
    前記設定された正確率閾値より大きくないことに応答して、前記初期トラフィック予測モデルのパラメータを調整し、前記訓練ステップを実行し続けるように構成されたパラメータ調整モジュールをさらに含む、請求項１５に記載の装置。
17. 前記トラフィック予測モデル訓練モジュールは、
    前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するＮ個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、前記Ｎ個のサンプルトラフィックデータに対応する初期予測トラフィックデータを得るように構成された初期予測トラフィックデータ取得サブモジュールを含む、請求項１５に記載の装置。
18. 前記トラフィック予測モデル訓練モジュールは、
    サンプルトラフィックデータシーケンスにおけるＮ＋１番目のサンプルトラフィックデータをサンプル予測トラフィックデータとするように構成されたサンプル予測トラフィックデータ設定サブモジュールと、
    初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングするように構成されたマーキングサブモジュールと、
    初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率を得るように構成された予測正確率取得サブモジュールと、
    を含む、請求項１７に記載の装置。
19. １つ以上のプロセッサと、
    １つ以上のプログラムが記憶された記憶装置と、を含み、
    前記１つ以上のプログラムが前記１つ以上のプロセッサによって実行されるとき、請求項１から９のいずれか１項に記載の方法を前記１つ以上のプロセッサに実行させる、サーバー。
20. コンピュータプログラムが記憶されたコンピュータ可読媒体であって、
    前記コンピュータプログラムがプロセッサによって実行されるとき、請求項１から９のいずれか１項に記載の方法を実現することを特徴とするコンピュータ可読媒体。

Images