流量预测、模型训练方法及装置、电子设备、存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114205690A(43)申请公布日2022.03.18(21)申请号202111545269.4(22)申请日2021.12.15(71)申请人中国电信股份有限公司地址100033北京市西城区金融大街31号(72)发明人胡骞刘言李俊杰杨玉森(74)专利代理机构北京律智知识产权代理有限公司11438代理人孙宝海赵新龙(51)Int.Cl.H04Q11/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书15页附图8页(54)发明名称流量预测、模型训练方法及装置、电子设备、存储介质(57)摘要本申请的实施例揭示了一种流量预测、模型训练方法及装置、电子设备、存储介质，该方法包括：获取测试流量数据集，其中测试流量数据集包括目标对象在第一预设历史时间段内的流量数据，将测试流量数据集输入至预先训练好的流量预测模型中，输出得到目标对象在指定时间段内的目标流量预测结果，其中流量预测模型是基于训练流量数据集对预测网络进行训练得到，预测网络是将卷积神经网络的全连接层与卷积循环神经网络的全连接层进行整合并构建得到。本申请实施例的技术方案极大地优化了流量预测方案，提升了流量预测的准确性。CN114205690ACN114205690A权利要求书1/2页1.一种流量预测方法，其特征在于，所述方法包括：获取测试流量数据集；其中，所述测试流量数据集包括目标对象在第一预设历史时间段内的流量数据；将所述测试流量数据集输入至预先训练好的流量预测模型中，输出得到所述目标对象在指定时间段内的目标流量预测结果；其中，所述流量预测模型是基于训练流量数据集对预测网络进行训练得到，所述预测网络是将卷积神经网络的全连接层与卷积循环神经网络的全连接层进行整合并构建得到。2.如权利要求1所述的方法，其特征在于，所述卷积神经网络的全连接层对应第一权重值，所述卷积循环神经网络的全连接层对应第二权重值；所述将所述测试流量数据集输入至预先训练好的流量预测模型中，输出得到所述目标对象在指定时间段内的目标流量预测结果，包括：将所述测试流量数据集输入至所述卷积神经网络中得到第一子流量预测值，并将所述第一子流量预测值与所述第一权重值进行求乘积运算，得到第一流量预测值；以及，将所述测试流量数据集输入至所述卷积循环神经网络中得到第二子流量预测值，并将所述第二子流量预测值与所述第二权重值进行求乘积运算，得到第二流量预测值；根据所述第一流量预测值和所述第二流量预测值，生成所述目标流量预测结果，并输出所述目标流量预测结果。3.如权利要求1所述的方法，其特征在于，所述指定时间段包括至少两个指定子时间段；所述将所述测试流量数据集输入至预先训练好的流量预测模型中，输出得到所述目标对象在指定时间段内的目标流量预测结果，包括：将所述测试流量数据集输入至预先训练好的流量预测模型中，输出得到所述目标对象在指定子时间段内的流量预测子结果；根据所述流量预测子结果更新所述测试流量数据集，得到更新后的测试流量数据集，并将所述更新后的测试流量数据集作为所述测试流量数据集，以及执行所述将所述测试流量数据集输入至预先训练好的流量预测模型中的步骤，直至得到所述目标对象在各个指定子时间段内的流量预测子结果；将各个流量预测子结果进行组合，得到所述目标对象在指定时间段内的目标流量预测结果。4.如权利要求1至3中任一项所述的方法，其特征在于，在所述获取测试流量数据集之前，所述方法还包括：采集所述目标对象在所述第一预设历史时间段内的流量数据；对所述流量数据进行预处理，得到预处理后的流量数据；其中，所述预处理包括去重处理以及去噪处理中的至少一项；根据所述预处理后的流量数据构建所述测试流量数据集。5.如权利要求1至3中任一项所述的方法，其特征在于，在所述将所述测试流量数据集输入至预先训练好的流量预测模型中，输出得到所述目标对象在指定时间段内的目标流量预测结果之前，所述方法还包括：获取训练流量数据集；其中，所述训练流量数据集包括样本对象在第二预设历史时间段内的流量数据；2CN114205690A权利要求书2/2页将卷积神经网络的全连接层与卷积循环神经网络的全连接层进行整合，构建得到预测网络；基于所述训练流量数据集对所述预测网络的参数进行调整，得到所述流量预测模型。6.如权利要求5所述的方法，其特征在于，所述训练流量数据集中包括多个训练样本，各个训练样本包括实际流量值和预测流量值；所述基于训练流量数据集对所述预测网络的参数进行调整，得到所述流量预测模型，包括：基于多个训练样本的实际流量值和预测流量值进行归一化处理，得到归一化处理结果；基于所述归一化处理结果计算得到损失函数值；基于所述损失函数值对所述预测网络的参数进