WO2023165145A1 - 时序流量预测方法及装置、存储介质及电子设备 - Google Patents

时序流量预测方法及装置、存储介质及电子设备 Download PDF

Info

Publication number
WO2023165145A1
WO2023165145A1 PCT/CN2022/127217 CN2022127217W WO2023165145A1 WO 2023165145 A1 WO2023165145 A1 WO 2023165145A1 CN 2022127217 W CN2022127217 W CN 2022127217W WO 2023165145 A1 WO2023165145 A1 WO 2023165145A1
Authority
WO
WIPO (PCT)
Prior art keywords
historical
time series
series
time
data
Prior art date
Application number
PCT/CN2022/127217
Other languages
English (en)
French (fr)
Inventor
肖翔
Original Assignee
北京沃东天骏信息技术有限公司
北京京东世纪贸易有限公司
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 北京沃东天骏信息技术有限公司, 北京京东世纪贸易有限公司 filed Critical 北京沃东天骏信息技术有限公司
Publication of WO2023165145A1 publication Critical patent/WO2023165145A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Definitions

  • the second processing unit includes:
  • the inverse normalization processing subunit is configured to perform inverse normalization processing on the regression data to obtain the predicted time-series traffic of each of the historical service time series.
  • FIG. 1 is a method flowchart of a time series traffic forecasting method provided by an embodiment of the present invention
  • the classification neural network can be a BP neural network, a CNN neural network, or a multi-class dense convolutional neural network constructed using a dense connection mechanism.
  • the dense connection mechanism can effectively alleviate the gradient problem and strengthen feature propagation.
  • the convolutional neural network is constructed using a dense connection mechanism, it can effectively alleviate the gradient problem, strengthen feature propagation, and encourage feature taking to greatly reduce the number of parameters and reduce the demand for training samples in the network training process; further , during the application process of the present invention, the number of classifications shall not be lower than the value after deduplication of the historical business time series.
  • the regression function may be a linear activation function, which is used to perform regression processing on the image classification data to obtain regression data.
  • the regression data is linear continuous data.
  • each historical business time series is obtained, and each historical business time series is processed to obtain a historical time series heat map; the image feature data in the historical time series heat map is extracted; the image feature data is processed to obtain Forecast time-series traffic for each historical business time-series.
  • the image feature data contains various high-dimensional features of the time series, covering the global and local time series.
  • each time series is arranged in parallel, and each value is pixelated, that is, the corresponding image is based on the value of each series at different time points
  • the historical time-series heat map can be obtained, as shown in Figure 2.
  • the historical time-series heat map in Figure 2 is composed of multiple picture blocks. Further, each picture block has a corresponding time series and point in time.
  • image feature data includes but not limited to color features, texture features, shape features, and spatial features of historical time-series heat maps.
  • the first processing unit 602 may be configured as:
  • the second processing unit 604 may be configured as:
  • the device provided by the embodiment of the present invention, it also includes:
  • a risk assessment unit configured to perform risk assessment based on the predicted time-series traffic of each of the historical service time series, so as to obtain a risk score of the service corresponding to each of the historical service time series.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种时序流量预测方法及装置、存储介质及电子设备，该方法包括：获取各个历史业务时间序列，对各个历史业务时间序列进行处理，得到历史时序热力图；提取历史时序热力图中的图像特征数据；对图像特征数据进行处理，得到每个历史业务时间序列的预测时序流量。通过将各个历史业务时间序列转换成历史时序热力图，并从历史时序热力图中提取到图像特征数据，该图像特征数据包含了时间序列各种高维度的特征，含盖了时间序列全局及局部的相关特征，通过对图像特征数据进行处理，可以得到各个历史业务时间序列的预测时序流量，引入涵盖了高维度的特征的图像特征数据，有效的提高了对时间序列的流量进行预测的准确性。

Description

时序流量预测方法及装置、存储介质及电子设备
本申请要求于2022年3月2日提交中国专利局、申请号为202210203124.4、发明名称为“时序流量预测方法及装置、存储介质及电子设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及数据处理技术领域，特别涉及一种时序流量预测方法及装置、存储介质及电子设备。
背景技术
目前，随着互联网行业的高速发展，网络业务发展出了各种各样的形式，如即时通信、搜索引擎、社交娱乐、远程办公、在线交易和公共服务等，网络业务规模爆炸性增长，网络需求量也随之增长，然而网络资源是有限的，同一时间过多用户的访问点击必然会造成网络拥塞和服务质量降低，因此对用户的网络行为进行分析，通过对信息流进行预测，可以帮助企业对网络资源进行管理设计和规划，有效降低企业成本。近年来时序流量预测在行业内发展迅速。
现有主流时序预测方法都是从时间序列本身入手，通常都是将时间序列作为预测模型的输入，基于时间序列的时域特征和频域特征预测出数据发展趋势，目前的时序预测方式在对并行时间序列预测时，难以将各时间序列之间的信息进行关联，降低了对并行时间序列预测的准确性。
发明内容
有鉴于此，本发明提供一种时序流量预测方法及装置、存储介质及电子设备，通过引入包含了高维度的特征的图像特征数据，将各时间序列之间的信息进行关联，提高对时间序列预测的准确性。
为实现上述目的，本发明实施例提供如下技术方案：
本发明第一方面公开一种时序流量预测方法，包括：
获取各个历史业务时间序列；
对各个所述历史业务时间序列进行处理，得到历史时序热力图；
提取所述历史时序热力图中的图像特征数据；
对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量。
上述的方法，可选的，所述对各个所述历史业务时间序列进行处理，得到历史时序热力图，包括：
基于各个所述历史业务时间序列，构建数据矩阵；
将所述数据矩阵中的每个数值进行归一化处理，得到历史时序热力图。
上述的方法，可选的，所述提取所述历史时序热力图中的图像特征数据，包括：
将所述历史时序热力图输入预先训练完成的特征提取模型中，使得所述特征提取模型从所述历史时序热力图中提取出各项图像高维度特征；
将各项所述图像高维度特征作为所述历史时序热力图像的图像特征数据。
上述的方法，可选的，所述对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量，包括：
将所述图像特征数据输入预先训练完成的分类神经网络中，使得所述分类神经网络输出所述历史时序热力图的图片分类数据，其中，所述图片分类数据中包含各项所述历史业务时间序列的时序流量的预测信息；
调用预设的回归函数对所述图像分类数据进行回归处理，得到与所述图像分类数据对应的回归数据；
对所述回归数据进行逆归一化处理，得每个所述历史业务时间序列的预测时序流量。
上述的方法，可选的，还包括：
基于每个所述历史业务时间序列的预测时序流量进行风险评估，以得到每个所述历史业务时间序列所对应的业务的风险评分。
本发明第二方面公开一种时序流量预测装置，包括：
获取单元，用于获取各个历史业务时间序列；
第一处理单元，用于对各个所述历史业务时间序列进行处理，得到历史时序热力图；
提取单元，用于提取所述历史时序热力图中的图像特征数据；
第二处理单元，用于对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量。
上述的装置，可选的，所述第一处理单元，包括：
构建子单元，用于基于各个所述历史业务时间序列，构建数据矩阵；
归一化处理子单元，用于将所述数据矩阵中的每个数值进行归一化处理，得到历史时序热力图。
上述的装置，可选的，所述提取单元，包括：
输入子单元，用于将所述历史时序热力图输入预先训练完成的特征提取模型中，使得所述特征提取模型从所述历史时序热力图中提取出各项图像高维度特征；
确定子单元，用于将各项所述图像高维度特征作为所述历史时序热力图像的图像特征数据。
上述的装置，可选的，所述第二处理单元，包括：
输出子单元，用于将所述图像特征数据输入预先训练完成的分类神经网络中，使得所述分类神经网络输出所述历史时序热力图的图片分类数据，其中，所述图片分类数据中包含各项所述历史业务时间序列的时序流量的预测信息；
调用子单元，用于调用预设的回归函数对所述图像分类数据进行回归处理，得到与所述图像分类数据对应的回归数据；
逆归一化处理子单元，用于对所述回归数据进行逆归一化处理，得每个所述历史业务时间序列的预测时序流量。
上述的装置，可选的，还包括：
风险评估单元，用于基于每个所述历史业务时间序列的预测时序流量进行风险评估，以得到每个所述历史业务时间序列所对应的业务的风险评分。
本发明第三方面公开一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的时序流量预测方 法。
本发明第四方面公开一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上所述的时序流量预测方法。
本发明提供一种时序流量预测方法及装置、存储介质及电子设备，该方法包括：获取各个历史业务时间序列，对各个历史业务时间序列进行处理，得到历史时序热力图；提取历史时序热力图中的图像特征数据；对图像特征数据进行处理，得到每个历史业务时间序列的预测时序流量。通过将各个历史业务时间序列转换成历史时序热力图，并从历史时序热力图中提取到图像特征数据，该图像特征数据包含了时间序列各种高维度的特征，含盖了时间序列全局及局部的相关特征，通过对图像特征数据进行处理，可以得到各个历史业务时间序列的预测时序流量，引入涵盖了高维度的特征的图像特征数据，有效的提高了对时间序列的流量进行预测的准确性。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种时序流量预测方法的方法流程图；
图2为本发明实施例提供的一种历史时序热力图的示例图；
图3为本发明实施例提供的提取图像特征数据的一种方法流程图；
图4为本发明实施例提供的获得历史业务时间序列的预测时序流量的一种方法流程图；
图5为本发明实施例提供的一种时序流量预测方法的又一方法流程图；
图6为本发明实施例提供的一种时序流量预测装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，工业界对于时序流量的应用需求在增加，尤其是多业务场景的时序数据并行预测。多个时间序列之间，保持有一定相关性，同时由彼此独立演进，每个序列即存在独立特性，又存在一致性。由于多业务场景的序列预测存在以上特点，因此对预测的算法的特征处理及模型结构，有一定要求。
现有的主流时序预测方法都是从时间序列本身入手，直接将时间序列作为模型训练的输入，特征的提取是以时域或者频域为特征，同时辅助以外部影响因子特征，采用卷积神经网络及线型机器学习回归模型进行拟合。现有的模型所应用的算法有时序算法、机器学习类算法、神经网络类算法等。时序算法类如hotwinter、ARIMA、MA、AR等算法，这类算法适用于规律简单、时序易拆解、外部影响因子较少的场景，通常用于不易受环境影响的数据预测中。机器学习类算法有gbm、xgboost，gbrt等，这类算法通常是通过随机森林回归加梯度提升的方法构造多个回归树，通过权重分配来达到最终的预测目标，适用于外部特征较多的场景，方便根据特征贡献程度选择合适的特征，剪裁模型。神经网络类模型最典型的就是lstm模型，基于长短期的时间记忆单元，可以对流量进行准确拟合，但是神经网络类模型，需要大量的数据做训练，而现实场景中的流量数据可能没有那么多，会对训练产生影响，使得预测结果不准确。
目前应用的模型的结构可以分为三种；单序列独立预测、层级递归预测、并行预测。单序列独立预测即每个序列单独预测，所用的特征仅来自于该序列本身，而与其他序列的信息无关，显然这种方式无法利用序列间的相关信息； 层级递归预测，利用前一个序列的结果，去做后一个序列的输入特征，这种方法能够利用到其他序列的信息，但是特征获取方式单一，在多个序列存在复杂相关性的场景，信息利用不足；并行预测，在模型构建时，将所有的时序数据引入同一个隐层，输出为多输出，同时对多个序列进行特征的提取与预测，这种方式特征提取能力强，但是仍然利用的是时频域序列特征，容易倾向于广义特征或者局部特征，序列的高维度相关特性不容易被提取。
传统预测时序时，通常使用时间序列的时域特征或是频域特征，而在对并行时间序列进行预测时，使用时域特征或是频域特征难以将各时间序列之间的信息进行关联，降低了对并行时间序列预测的准确性。
基于上述的问题，本发明提供一种时序流量预测方法，通过将时间序列处理成时序热力图，并从时序热力图中提取图像特征数据，使用图像特征数据预测各个时序序列的时序流量；图像特征数据中包含各时间序列的全局和局部的并行相关特征，通过使用图像特征数据预测个时间序列的时间流量，有效的提高了预测的准确性。
本发明可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
参照图1，为本发明实施例提供的一种时序流量预测方法的方法流程图，具体说明如下所述：
S101、获取各个历史业务时间序列。
在获取各个历史业务时间序列时，可以从时间序列数据库中获取，进一步的，可以对用户发送的预测指令进行解析，基于预测指令中的序列信息，在时间序列数据库中获取各个历史业务时间序列。
优选的，各个历史业务时间序列可以为并行的时间序列，每个历史业务时间序列可以为用户在办理业务时生成的时间序列。历史业务时间序列可以为不同业务的时间序列。
S102、对各个历史业务时间序列进行处理，得到历史时序热力图。
将各个历史业务时间序列转换成历史时序热力图，其中，历史时序热力图 中包含了多项图像高维度特征。
对各个历史业务时间序列进行处理，得到历史时序热力图的具体过程如下所述：
基于各个历史业务时间序列，构建数据矩阵；
将数据矩阵中的每个数值进行归一化处理，得到历史时序热力图。
需要说明的是，在构建数据矩阵时，基于预设的历史数据窗口对各个历史业务时间序列进行截取，由此可以得到每个历史业务时间序列的截取时间序列，使用各个截取时间序列组成数据矩阵；进一步的，在对历史业务时间序列进行截取时，可以从历史业务时间序列的任意一点开始截取，也可以根据实际需求进行截取，例如从历史业务时间序列的开端开始截取。在历史业务时间序列的数据长度短于历史数据窗口的窗口长度时，可以及对历史时间序列进行补零操作，以便得到该历史时间序列的截取时间序列。
在得到数据矩阵后，将数据矩阵中的每个数值进行归一化处理，进一步的，在将数据矩阵中的每个数值进行归一化处理后，可以将每个归一化后的数据乘以65536后转RGB，从而得到历史时序热力图，示例性的，参照图2，为本发明实施例提供的一种历史时序热力图的示例图，图2中时间5为待预测的时间点，序列1至序列4为构成历史序列热力图的历史时间序列，时间1至时间4为历史时间序列构建历史序列热力图的时间点。
本发明实施例提供的方法中，将各个历史时间序列转换成历史序列热力图，可以将各个历史时间序列进行关联，其中，历史序列热力图中包含了各个历史时间序列的高维度的信息，将各个历史时间序列转换成历史序列热力图后，便于后续从历史序列热力图中获取各个历史时间序列的高维度的信息。
S103、提取历史时序热力图中的图像特征数据。
本发明实施例提供的方法中，在得到历史时序热力图后，需要从历史时序热力图中提取特向特征数据，参照图3，为本发明实施例提供的提取图像特征数据的流程示例图，具体说明如下所述：
S301、将历史时序热力图输入预先训练完成的特征提取模型中，使得特征提取模型从所述历史时序热力图中提取出各项图像高维度特征。
需要说明的是，特征提取模型使用可提取特征的神经网络构成，具体如深 度残差网络、离散Hopfield网络等等。特征提取模型在投入使用之前先进行训练，在对特征提取模型训练完成后，将特征提取模型投入使用。
特征提取模型从历史时序热力图中提取出各项图像高维度特征，示例性的，图像高维度特征包含但不限于图像的颜色特征、纹理特征、形状特征、空间特征等等。不同的特征表征了时间序列的流量的不同特性，具体如，颜色表征流量的整体走向；纹理特征表征流量间的差异特性；形状特征表征流量间的局部相关性、相似性；空间特征表征并行多条流量在周期上的重叠与重复的特性。
S302、将各项图像高维度特征作为历史时序热力图像的图像特征数据。
本发明实施例提供的方法中，使用训练完成的特征提取模型对历史时序热力图进行处理，进而可以从历史时序热力图中提取出表征了时间序列的不同特性的图像高维度特征，将各项图像高维度特征确定为图像特征数据，由此，图像特征数据包含了各项历史业务时间序列在不同方面的特性，有效的将历史业务时间序列的特征相互关联，使得各个历史业务时间序列之间的关系更加的紧密。
S104、对图像特征数据进行处理，得到每个历史业务时间序列的预测时序流量。
示例性的，参照图4，为本发明实施例提供的对图像特征数据进行处理，得到每个历史业务时间序列的预测时序流量的方法流程图，具体说明如下所述：
S401、将图像特征数据输入预先训练完成的分类神经网络中，使得分类神经网络输出历史时序热力图的图片分类数据，其中，所述图片分类数据中包含各项历史业务时间序列的时序流量的预测信息。
分类神经网络可以为BP神经网络、CNN神经网络，还可以是使用稠密连接机制构建的多分类稠密卷积神经网络，其中，稠密连接机制能够有效的缓解梯度问题，加强特征传播。优选的，卷积神经网络使用稠密连接机制进行构建时，有效的缓解梯度问题，加强特征传播，鼓励特征服用以极大地减少了参数数量，降低了网络训练过程中对训练样本的需求；进一步的，本发明在应用的过程中，分类数不得低于历史业务时间序列去重后的数值量。
使用分类神经网络对图像特征数据进行处理，输出图片分类数据，示例性的，输出的图片分类数据可以为由数字组成的字符串，进一步的，图片分类数据为离散数据。
需要说明的是，使用分类神经网络对图像特征数据进行处理的过程，实质上也是将历史时序热力图进行分类的过程，通过将历史时序热力图进行分类，可以预测出构建历史时序热力图的各个历史业务时间序列的时序流量。
S402、调用预设的回归函数对图像分类数据进行回归处理，得到与图像分类数据对应的回归数据。
优选的，回归函数可以为线性激活函数，使用线性激活函数对图像分类数据进行回归处理，以得到回归数据，需要说明的是，回归数据为线型连续数据。
S403、对回归数据进行逆归一化处理，得每个历史业务时间序列的预测时序流量。
本发明实施例提供的方法中，使用分类神经网络对图像特征数据进行处理，可以进行高精度的拟合，从而可以得到精确度很高的预测数据，可以提高对时间蓄力的预测结果。
优选的，在得到每个历史业务时间序列的预测时序流量后，可以使用预设的风险评估机制基于每个历史业务时间序列的预测时序流量进行风险评估操作，从而得到每个历史业务时间序列所对应的业务的风险评分，需要说明的是，风险评分为业务在预测时序流量所对应的时间点的评分，该风险评分可以用于表征业务在预测时序流量所对应的时间点的风险度，工作人员可以根据预测时间流量和风险评分安排该时间点的业务办理工作，以及对设备的维护工作等。对业务进行风险评估可以有利于工作人员安排各种工作，以便于规避掉各种风险，为客户提供良好的业务办理环境。
本发明实施例提供的方法中，获取各个历史业务时间序列，对各个历史业务时间序列进行处理，得到历史时序热力图；提取历史时序热力图中的图像特征数据；对图像特征数据进行处理，得到每个历史业务时间序列的预测时序流量。通过将各个历史业务时间序列转换成历史时序热力图，并从历史时序热力图中提取到图像特征数据，该图像特征数据包含了时间序列各种高维度的特征，含盖了时间序列全局及局部的相关特征，通过对图像特征数据进行处理， 可以得到各个历史业务时间序列的预测时序流量，引入涵盖了高维度的特征的图像特征数据，有效的提高了对时间序列的流量进行预测的准确性。
参照图5，为本发明实施例提供的时序流量预测方法的其中一种应用示例图，具体说明如下所述：
从历史数据中获取M条时间序列，其中，时间序列可以理解为上文中的历史业务时间序列；需要说明的是，每个时间序列的数据长度为N，对各个时间序列进行归一化处理，得到归一化的数据矩阵，进一步的，该数据矩阵还可以称为M*N的时序矩阵。对数据举证进行图像化处理，具体的，将数据矩阵中的每个数值乘以65536，并转为RGB，从而可以得到历史时序热力图，在对历史时序热力图进行特征处理时，可以使用深度残差网络对历史时序热力图进行处理，从而得到图像特征数据，基于图像特征数据进行分类处理，可以使用多分类稠密层进行分类处理，从而实现精细化分类，使用线性计划函数对分类后得到的数据进行回归处理，以便将离散分类的数据回归为线型连续数据；将进行回归处理得到的数据进行逆归一化处理，从而得到包含了每项时间序列的预测时序流量的预测数据。
需要说明的是，将历史业务时间序列转换为历史时序热力图的过程中，将各个时间序列的值并行进行排列，并将各个值像素化，即根据每个序列不同时间点上的值对应图像上的每个像素，由此即可得到历史时序热力图，具体如图2所示，图2的历史时序热力图由多个图片方块组成，进一步的，每个图片方块存在对应的时间序列和时间点。
使用残差神经网络从历史时序热力图中提取特征，可以从各个图片方块中提取整体特征，从历史时序热力图的像素分布中提取局部特征，从而可以得到包含了整体特征和局部特征的图像特征数据，进一步的，图像特征数据中包含但不限于历史时序热力图的颜色特征、纹理特征、形状特征以及空间特征等，具体的，颜色特征如直方图、颜色分布等全局特征，能够表征图像的区域的表面性质；纹理特征如灰度共生矩阵，作为全局特征，能够很好的抵抗噪声的影响；形状特征如轮廓、区域可以描述图像信息的局部特质；空间特征如区域的重叠、方位，能够区分不同区域的流动情况。进一步的，使用残差神经网络从 历史时序热力图中提取特征时，可以通过从输入直接引入一个短连接到非线性层的输出上，以实现更好的拟合分类函数，获得更高的分类精度。
使用稠密连接机制构建的多分类稠密卷积神经网络对图像特征数据进行处理，以便得到包含每个时间序列的时序流量的预测信息的图片分类数据，多分类稠密卷积神经网络可以进行精细化分类，以便得到更加精确的预测结果。在得到图片分类数据后，使用线性激活函数对图片分类数据进行回归处理，从而将离散分类的图片分类数据回归为线型连续的回归数据，对回归数据进行逆归一化处理，从而得到每项时间序列的预测时序流量的预测数据。
本发明通过将时间序列转换成热力图像，再从热力图像中进行高维度的相关特征提取，从而涵盖了时间序列的局部及全局的特征，并对未来时间点数据进行高精度的拟合预测，提高了对时间序列的时序流量的预测准确性；除此之外，还可以应用于多种场景进行预测，扩大了场景的适用性。
与图1相对应的，本发明实施例还提供一种时序流量预测装置，用于支持图1所示的方法具体的实现，该装置可设置于智能计算终端或是分布式计算终端中。参照图6，为本发明实施例提供的时序流量预测装置的结构示意图，具体说明如下所述：
获取单元601，用于获取各个历史业务时间序列；
第一处理单元602，用于对各个所述历史业务时间序列进行处理，得到历史时序热力图；
提取单元603，用于提取所述历史时序热力图中的图像特征数据；
第二处理单元604，用于对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量。
本发明实施例提供的装置中，获取各个历史业务时间序列，对各个历史业务时间序列进行处理，得到历史时序热力图；提取历史时序热力图中的图像特征数据；对图像特征数据进行处理，得到每个历史业务时间序列的预测时序流量。通过将各个历史业务时间序列转换成历史时序热力图，并从历史时序热力图中提取到图像特征数据，该图像特征数据包含了时间序列各种高维度的特征，含盖了时间序列全局及局部的相关特征，通过对图像特征数据进行处理， 可以得到各个历史业务时间序列的预测时序流量，引入涵盖了高维度的特征的图像特征数据，有效的提高了对时间序列的流量进行预测的准确性。
本发明实施例提供的装置中，所述第一处理单元602，可以配置为：
构建子单元，用于基于各个所述历史业务时间序列，构建数据矩阵；
归一化处理子单元，用于将所述数据矩阵中的每个数值进行归一化处理，得到历史时序热力图。
本发明实施例提供的装置中，所述提取单元603，可以配置为：
输入子单元，用于将所述历史时序热力图输入预先训练完成的特征提取模型中，使得所述特征提取模型从所述历史时序热力图中提取出各项图像高维度特征；
确定子单元，用于将各项所述图像高维度特征作为所述历史时序热力图像的图像特征数据。
本发明实施例提供的装置中，所述第二处理单元604，可以配置为：
输出子单元，用于将所述图像特征数据输入预先训练完成的分类神经网络中，使得所述分类神经网络输出所述历史时序热力图的图片分类数据，其中，所述图片分类数据中包含各项所述历史业务时间序列的时序流量的预测信息；
调用子单元，用于调用预设的回归函数对所述图像分类数据进行回归处理，得到与所述图像分类数据对应的回归数据；
逆归一化处理子单元，用于对所述回归数据进行逆归一化处理，得每个所述历史业务时间序列的预测时序流量。
本发明实施例提供的装置中，还包括：
风险评估单元，用于基于每个所述历史业务时间序列的预测时序流量进行风险评估，以得到每个所述历史业务时间序列所对应的业务的风险评分。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行以下操作：
获取各个历史业务时间序列；
对各个所述历史业务时间序列进行处理，得到历史时序热力图；
提取所述历史时序热力图中的图像特征数据；
对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量。
本发明实施例还提供了一种电子设备，其结构示意图如图7所示，具体包括存储器701，以及一个或者一个以上的指令702，其中一个或者一个以上指令702存储于存储器701中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令702进行以下操作：
获取各个历史业务时间序列；
对各个所述历史业务时间序列进行处理，得到历史时序热力图；
提取所述历史时序热力图中的图像特征数据；
对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量。
上述各个实施例的具体实施过程及其衍生方式，均在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统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劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

  1. 一种时序流量预测方法，其特征在于，包括：
    获取各个历史业务时间序列；
    对各个所述历史业务时间序列进行处理，得到历史时序热力图；
    提取所述历史时序热力图中的图像特征数据；
    对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量。
  2. 根据权利要求1所述的方法，其特征在于，所述对各个所述历史业务时间序列进行处理，得到历史时序热力图，包括：
    基于各个所述历史业务时间序列，构建数据矩阵；
    将所述数据矩阵中的每个数值进行归一化处理，得到历史时序热力图。
  3. 根据权利要求1所述的方法，其特征在于，所述提取所述历史时序热力图中的图像特征数据，包括：
    将所述历史时序热力图输入预先训练完成的特征提取模型中，使得所述特征提取模型从所述历史时序热力图中提取出各项图像高维度特征；
    将各项所述图像高维度特征作为所述历史时序热力图像的图像特征数据。
  4. 根据权利要求1所述的方法，其特征在于，所述对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量，包括：
    将所述图像特征数据输入预先训练完成的分类神经网络中，使得所述分类神经网络输出所述历史时序热力图的图片分类数据，其中，所述图片分类数据中包含各项所述历史业务时间序列的时序流量的预测信息；
    调用预设的回归函数对所述图像分类数据进行回归处理，得到与所述图像分类数据对应的回归数据；
    对所述回归数据进行逆归一化处理，得每个所述历史业务时间序列的预测时序流量。
  5. 根据权利要求1所述的方法，其特征在于，还包括：
    基于每个所述历史业务时间序列的预测时序流量进行风险评估，以得到每个所述历史业务时间序列所对应的业务的风险评分。
  6. 一种时序流量预测装置，其特征在于，包括：
    获取单元，用于获取各个历史业务时间序列；
    第一处理单元，用于对各个所述历史业务时间序列进行处理，得到历史时序热力图；
    提取单元，用于提取所述历史时序热力图中的图像特征数据；
    第二处理单元，用于对所述图像特征数据进行处理，得到每个所述历史业务时间序列的预测时序流量。
  7. 根据权利要求6所述的装置，其特征在于，所述第一处理单元，包括：
    构建子单元，用于基于各个所述历史业务时间序列，构建数据矩阵；
    归一化处理子单元，用于将所述数据矩阵中的每个数值进行归一化处理，得到历史时序热力图。
  8. 根据权利要求6所述的装置，其特征在于，所述提取单元，包括：
    输入子单元，用于将所述历史时序热力图输入预先训练完成的特征提取模型中，使得所述特征提取模型从所述历史时序热力图中提取出各项图像高维度特征；
    确定子单元，用于将各项所述图像高维度特征作为所述历史时序热力图像的图像特征数据。
  9. 一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1～5任意一项所述的时序流量预测方法。
  10. 一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1～5任意一项所述的时序流量预测方法。
PCT/CN2022/127217 2022-03-02 2022-10-25 时序流量预测方法及装置、存储介质及电子设备 WO2023165145A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210203124.4A CN114627330A (zh) 2022-03-02 2022-03-02 时序流量预测方法及装置、存储介质及电子设备
CN202210203124.4 2022-03-02

Publications (1)

Publication Number Publication Date
WO2023165145A1 true WO2023165145A1 (zh) 2023-09-07

Family

ID=81899895

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/127217 WO2023165145A1 (zh) 2022-03-02 2022-10-25 时序流量预测方法及装置、存储介质及电子设备

Country Status (2)

Country Link
CN (1) CN114627330A (zh)
WO (1) WO2023165145A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627330A (zh) * 2022-03-02 2022-06-14 北京沃东天骏信息技术有限公司 时序流量预测方法及装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109995562A (zh) * 2017-12-30 2019-07-09 中国移动通信集团河北有限公司 网络业务量预测方法、装置、设备及介质
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
US20200402665A1 (en) * 2019-06-19 2020-12-24 GE Precision Healthcare LLC Unplanned readmission prediction using an interactive augmented intelligent (iai) system
CN113259950A (zh) * 2021-05-13 2021-08-13 重庆邮电大学 一种基于业务预测的低轨卫星点波束关闭方法
CN114118622A (zh) * 2021-12-08 2022-03-01 北京北大软件工程股份有限公司 基于时间序列的数据趋势预测方法和系统
CN114627330A (zh) * 2022-03-02 2022-06-14 北京沃东天骏信息技术有限公司 时序流量预测方法及装置、存储介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109995562A (zh) * 2017-12-30 2019-07-09 中国移动通信集团河北有限公司 网络业务量预测方法、装置、设备及介质
US20200402665A1 (en) * 2019-06-19 2020-12-24 GE Precision Healthcare LLC Unplanned readmission prediction using an interactive augmented intelligent (iai) system
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
CN113259950A (zh) * 2021-05-13 2021-08-13 重庆邮电大学 一种基于业务预测的低轨卫星点波束关闭方法
CN114118622A (zh) * 2021-12-08 2022-03-01 北京北大软件工程股份有限公司 基于时间序列的数据趋势预测方法和系统
CN114627330A (zh) * 2022-03-02 2022-06-14 北京沃东天骏信息技术有限公司 时序流量预测方法及装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN114627330A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
US20230222341A1 (en) Targeted crowd sourcing for metadata management across data sets
JP6661790B2 (ja) テキストタイプを識別する方法、装置及びデバイス
CN112507116B (zh) 基于客户应答语料的客户画像方法及其相关设备
CN110390408B (zh) 交易对象预测方法和装置
CN110119477B (zh) 一种信息推送方法、装置和存储介质
CN110751286A (zh) 神经网络模型的训练方法和训练系统
US20180143986A1 (en) Generating persuasive electronic messages using interplay of message content features
CN108133390A (zh) 用于预测用户行为的方法和装置以及计算设备
CN113807103B (zh) 基于人工智能的招聘方法、装置、设备及存储介质
WO2023165145A1 (zh) 时序流量预测方法及装置、存储介质及电子设备
CN103617146B (zh) 一种基于硬件资源消耗的机器学习方法及装置
CN112925911A (zh) 基于多模态数据的投诉分类方法及其相关设备
CN113627797A (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
CN111723180A (zh) 一种面试方法和装置
CN113553431A (zh) 用户标签提取方法、装置、设备及介质
US20210406930A1 (en) Benefit surrender prediction
WO2023221359A1 (zh) 基于多阶段时序多任务的用户安全等级识别方法及装置
CN108733672A (zh) 实现网络信息质量评估的方法和装置
CN114581130A (zh) 基于客户画像的银行网点派号方法及装置、存储介质
CN109829744A (zh) 基于自然语言处理的咨询方法、装置、电子设备及介质
EP3493082A1 (en) A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends
CN114240250A (zh) 一种职业评测的智能管理方法及系统
CN113706298A (zh) 一种延期业务处理方法及装置
CN112200602A (zh) 用于广告推荐的神经网络模型训练方法及装置
Bando et al. Attempt to Predict Failure Case Classification in a Failure Database by using Neural Network Models

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22929574

Country of ref document: EP

Kind code of ref document: A1