网络流量预测方法、装置、电子设备及存储介质与流程

本发明涉及机器学习，尤其涉及一种网络流量预测方法、装置、电子设备及存储介质。

背景技术：

1、在数字化转型的背景下，通信运营商通过先进的技术手段积累了大量的用户数据。这些数据不仅反映了用户的通信行为，还包含了丰富的用户生活习惯和偏好信息。利用这些数据进行准确的流量预测，对于网络规划、资源分配和用户体验优化具有重要意义。

2、目前，通常使用如自回归移动平均模型等统计模型，或使用如支持向量机等机器学习模型进行建模拟合，利用建模得到的模型进行网络流量预测。但传统模型无论是统计模型还是机器学习模型，存在可能无法充分利用数据中的所有相关信息的问题，尤其是在面对网络流量预测这种高维数据场景时，无法有效地提取和选择有助于预测的特征，这限制了模型在处理复杂模式和隐藏关系时的性能。

技术实现思路

1、本发明提供一种网络流量预测方法、装置、电子设备及存储介质，用以解决现有技术中传统模型在面对网络流量预测这种高维数据场景时，无法有效地提取和选择有助于预测的特征的缺陷。

2、第一方面，本发明提供一种网络流量预测方法，包括：

3、将时序网络流量数据输入至第一深度森林模型，得到所述第一深度森林模型输出的第一预测结果；

4、将所述时序网络流量数据输入至时序预测模型的时序特征提取网络，得到所述时序特征提取网络输出的特征图；

5、将所述特征图输入至第二深度森林模型，得到所述第二深度森林模型输出的第二预测结果；

6、将所述特征图输入至所述时序预测模型的预测网络，得到所述预测网络输出的第三预测结果；

7、将所述第一预测结果、所述第二预测结果和所述第三预测结果输入至加权平均模块，得到所述加权平均模块输出的网络流量预测结果。

8、根据本发明提供一种的网络流量预测方法，所述将所述时序网络流量数据输入至时序预测模型的时序特征提取网络，得到所述时序特征提取网络输出的特征图，包括：

9、将所述时序网络流量数据分别输入至所述时序特征提取网络的多个第一卷积网络，得到所述多个第一卷积网络对应输出的多个特征向量；

10、将所述时序网络流量数据输入至所述时序特征提取网络的池化网络，得到所述池化网络输出的第一特征向量；

11、将所述时序网络流量数据输入至所述时序特征提取网络的第二卷积网络，得到所述第二卷积网络输出的第二特征向量；

12、将所述多个特征向量、所述第一特征向量和所述第二特征向量进行融合，得到特征图并输出。

13、根据本发明提供的一种网络流量预测方法，所述多个第一卷积网络中的各第一卷积网络分别包括依次连接的膨胀因果卷积层、权重归一化层、激活层和丢弃层。

14、根据本发明提供一种的网络流量预测方法，所述第二卷积网络包括一个1*1卷积层。

15、根据本发明提供一种的网络流量预测方法，所述将所述多个特征向量、所述第一特征向量和所述第二特征向量进行融合，得到特征图并输出，包括：

16、对所述多个特征向量、所述第一特征向量和所述第二特征向量进行相加，得到特征图并输出。

17、根据本发明提供一种的网络流量预测方法，所述将时序网络流量数据输入至第一深度森林模型，得到所述第一深度森林模型输出的第一预测结果，包括：

18、将时序网络流量数据输入至第一深度森林模型的特征筛选模块，得到所述特征筛选模块输出的筛选特征，所述特征筛选模块使用最小绝对值选择与收缩算子lasso；

19、将所述筛选特征输入至所述第一深度森林模型的多粒度扫描模块，得到所述多粒度扫描模块输出的第一预测结果。

20、第二方面，本发明还提供一种网络流量预测装置，包括：

21、第一预测模块，用于将时序网络流量数据输入至第一深度森林模型，得到所述第一深度森林模型输出的第一预测结果；

22、特征提取模块，用于将所述时序网络流量数据输入至时序预测模型的时序特征提取网络，得到所述时序特征提取网络输出的特征图；

23、第二预测模块，用于将所述特征图输入至第二深度森林模型，得到所述第二深度森林模型输出的第二预测结果；

24、第三预测模块，用于将所述特征图输入至所述时序预测模型的预测网络，得到所述预测网络输出的第三预测结果；

25、流量预测模块，用于将所述第一预测结果、所述第二预测结果和所述第三预测结果输入至加权平均模块，得到所述加权平均模块输出的网络流量预测结果。

26、第三方面，本发明提供一种电子设备，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网络流量预测方法的步骤。

27、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述网络流量预测方法的步骤。

28、第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述网络流量预测方法的步骤。

29、本发明提供的网络流量预测方法、装置、电子设备及存储介质，将时序网络流量数据输入至第一深度森林模型，得到第一深度森林模型输出的第一预测结果，深度森林模型能够高效地训练并且处理大规模的数据集，适用于网络流量预测场景，并且深度森林模型在每一层都会进行特征变换，这有助于捕捉数据中的复杂模式和关系，此外，由于深度森林模型在深度上集成了多个随机森林，这提高了模型的分类能力，且其泛化能力比单一的决策树或简单的集成方法要强；将时序网络流量数据输入至时序预测模型的时序特征提取网络，得到时序特征提取网络输出的特征图，时序特征提取网络能够更好地保留历史信息，从而在处理长序列时保持更多的扩展记忆，有效地捕捉时间序列中的周期性、趋势变化等关键信息，实现从大量用户数据中提取有价值的特征；将特征图输入至第二深度森林模型，得到第二深度森林模型输出的第二预测结果，即针对特征图建立了第二深度森林模型，基于时序特征提取网络提取得到的特征图，再次使用深度森林模型进行预测，进一步增加了整个网络流量预测过程的丰富度，提高了该网络流量预测方法的泛化性；将特征图输入至时序预测模型的预测网络，得到预测网络输出的第三预测结果，通过传统的预测网络对特征图进行处理，充分利用特征图中的特征进行预测；对第一预测结果、第二预测结果和第三预测结果进行加权平均处理，得到网络流量预测结果，结合各个模型的预测结果，进一步提高整个网络流量预测方法的泛化性与准确性。综上所述，本发明能够有效地从大量用户数据中提取有价值的特征，在多变的网络环境中实现更为精确的通信流量预测。

技术特征：

1.一种网络流量预测方法，其特征在于，包括：

2.根据权利要求1所述的网络流量预测方法，其特征在于，所述将所述时序网络流量数据输入至时序预测模型的时序特征提取网络，得到所述时序特征提取网络输出的特征图，包括：

3.根据权利要求2所述的网络流量预测方法，其特征在于，所述多个第一卷积网络中的各第一卷积网络分别包括依次连接的膨胀因果卷积层、权重归一化层、激活层和丢弃层。

4.根据权利要求2所述的网络流量预测方法，其特征在于，所述第二卷积网络包括一个1*1卷积层。

5.根据权利要求2-4中任一项所述的网络流量预测方法，其特征在于，所述将所述多个特征向量、所述第一特征向量和所述第二特征向量进行融合，得到特征图并输出，包括：

6.根据权利要求1所述的网络流量预测方法，其特征在于，所述将时序网络流量数据输入至第一深度森林模型，得到所述第一深度森林模型输出的第一预测结果，包括：

7.一种网络流量预测装置，其特征在于，包括：

8.一种电子设备，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计算机程序时实现如权利要求1至6任一项所述网络流量预测方法的步骤。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述网络流量预测方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述网络流量预测方法的步骤。

技术总结本发明提供一种网络流量预测方法、装置、电子设备及存储介质，属于机器学习技术领域，所述方法包括：将时序网络流量数据输入至第一深度森林模型，得到第一深度森林模型输出的第一预测结果；将时序网络流量数据输入至时序预测模型的时序特征提取网络，得到时序特征提取网络输出的特征图；将特征图输入至第二深度森林模型，得到第二深度森林模型输出的第二预测结果；将特征图输入至时序预测模型的预测网络，得到预测网络输出的第三预测结果；将第一预测结果、第二预测结果和第三预测结果输入至加权平均模块，得到加权平均模块输出的网络流量预测结果。本发明能够从大量用户数据中提取有价值的特征，在多变的网络环境中精确预测通信流量。技术研发人员：郑才华,杨弋鋆受保护的技术使用者：浪潮通信信息系统有限公司技术研发日：技术公布日：2024/7/18