流量预测模型、训练方法、预测方法、装置、设备及介质.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CN112118143A(43)申请公布日2020.12.22(21)申请号202011293151.2(22)申请日2020.11.18(71)申请人迈普通信技术股份有限公司地址610041四川省成都市高新区天府三街288号1栋15-24层(72)发明人徐海兵郭久明(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人衡滔(51)Int.Cl.H04L12/24(2006.01)G06Q10/04(2012.01)G06N3/08(2006.01)G06N3/04(2006.01)G06K9/62(2006.01)权利要求书2页说明书13页附图4页(54)发明名称流量预测模型、训练方法、预测方法、装置、设备及介质(57)摘要本申请提供一种流量预测模型、训练方法、预测方法、装置、设备及介质，方法包括：获取流量数据集，通过滑动窗口操作对流量数据集进行截取，得到滑动窗口大小的流量的样本数据特征，以及流量的样本数据特征对应的样本标签；样本标签流量的样本数据特征后的下一流量值；获取样本标签对应的样本属性特征；使用模型的门控循环神经网络对流量的样本数据特征进行处理，并将输出的记忆状态与样本属性特征一起输入至模型的全连接网络进行回归预测；根据样本标签和预测结果，通过反向传播算法更新参数权重，得到训练好的流量预测模型。这样使得预测结果与不同流量的属性相关联，解决了流量峰值预测存在的滞后性和准确度不高的问题。CN112118143ACN112118143A权利要求书1/2页1.一种流量预测模型的训练方法，其特征在于，包括：获取按照采集时间顺序排列的流量数据集；通过滑动窗口操作对所述流量数据集进行截取，得到所述滑动窗口大小的流量的样本数据特征，以及所述流量的样本数据特征对应的样本标签；所述样本标签为所述流量数据集中所述样本数据特征对应的下一流量值；获取所述样本标签对应的样本属性特征；使用门控循环神经网络对所述流量的样本数据特征进行处理，并将所述门控循环神经网络输出的记忆状态与所述样本标签对应的样本属性特征一起输入至全连接网络进行回归预测；根据所述样本标签和预测结果，通过反向传播算法更新所述门控循环神经网络和所述全连接网络的参数权重，得到训练好的流量预测模型。2.如权利要求1所述的流量预测模型的训练方法，其特征在于，所述获取所述样本标签对应的样本属性特征包括：将所述样本标签的属性转换为所述样本标签对应的样本属性特征。3.如权利要求2所述的流量预测模型的训练方法，其特征在于，所述样本标签的属性包括以下至少一种：所述样本标签的采集时间；所述样本标签在采集时或采集前所发生的事件。4.如权利要求1-3任一项所述的流量预测模型的训练方法，其特征在于，所述获取按照采集时间顺序排列的流量数据集包括：将按照时间顺序采集的原始网络流量聚合为预设时间间隔的网络流量，生成训练集；对所述训练集中的网络流量进行异常处理，得到所述流量数据集。5.如权利要求4所述的流量预测模型的训练方法，其特征在于，对所述训练集中的网络流量进行异常处理，包括：确定所述训练集中的异常网络流量；对所述异常网络流量进行消除异常处理。6.如权利要求5所述的流量预测模型的训练方法，其特征在于，确定所述训练集中的异常网络流量，包括：通过孤立森林算法确定所述训练集中的异常网络流量。7.一种流量预测方法，其特征在于，包括：将待预测时刻前的预设时长内的网络流量按照时间先后顺序形成待预测流量的样本数据特征；获取所述待预测流量对应的属性信息，并将所述属性信息转化为样本属性特征；将所述待预测流量的样本数据特征输入至流量预测模型的门控循环神经网络中；将所述门控循环神经网络输出的记忆状态与所述样本属性特征一起输入至所述流量预测模型的全连接网络进行回归预测，得到预测流量。8.如权利要求7所述的流量预测方法，其特征在于，所述属性信息包括以下至少一种：所述待预测流量的时间信息；所述待预测流量将要发生的事件；2CN112118143A权利要求书2/2页当前最新发生的事件。9.如权利要求7所述的流量预测方法，其特征在于，将所述属性信息转换为样本属性特征，包括：对所述属性信息进行独热编码，得到所述样本属性特征。10.如权利要求7-9任一项所述的流量预测方法，其特征在于，将待预测时刻前的预设时长内的网络流量按照时间先后顺序形成待预测流量的样本数据特征之后，将所述待预测流量的样本数据特征输入至所述流量预测模型的门控循环神经网络之前，所述方法还包括：确定所述待预测流量的样本数据特征中的异常网络流量；对所述异常网络流量进行消除异常处理，得到处理后的所述待预测流量的样本数据特征。11.一种流量预测模型的训练装置，其特征在于，包括：获取模块、特征