CN111835536B - 一种流量预测方法和装置 - Google Patents
一种流量预测方法和装置 Download PDFInfo
- Publication number
- CN111835536B CN111835536B CN201910305627.0A CN201910305627A CN111835536B CN 111835536 B CN111835536 B CN 111835536B CN 201910305627 A CN201910305627 A CN 201910305627A CN 111835536 B CN111835536 B CN 111835536B
- Authority
- CN
- China
- Prior art keywords
- predicted
- time
- prediction
- flow
- moment
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种流量预测方法和装置，可以将待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，将待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，并基于第一预测流量和第二预测流量，确定待预测时刻的预测流量。现有技术将第一预测流量作为待预测时刻的预测流量，而本申请基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，因此，能够提高流量预测结果的准确度。
Description
技术领域
本申请涉及大数据分析技术领域，特别是涉及一种流量预测方法和装置。
背景技术
随着计算机技术的快速发展，对将来某一时刻(可以称为待预测时刻)的指定对象的流量进行预测，被广泛地应用在不同的场景中，例如，对某一区域的人流量进行预测，可以根据预测得到的人流量的大小，更好地管控该区域的交通状况；对某一网站的网络流量进行预测，可以根据预测得到的网络流量的大小，及时地应对该网站的网络流量突增的情况。
现有技术中，通常可以根据待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量，以及预先训练好的预测网络模型，对待预测时刻的流量进行预测。例如，以天为预测周期，可以将2月10日9点的真实人流量、10点的真实人流量和11点的真实人流量，输入至预先训练好的预测网络模型，得到2月10日12点的预测人流量，其中，该预测网络模型的训练样本集可以包括2月10日之前多天的人流量数据，每一天的人流量数据可以包括该天9点的真实人流量、10点的真实人流量、11点的真实人流量和12点的真实人流量。
可见，现有技术中，仅根据与待预测时刻属于同一预测周期的多个时刻的真实流量，对待预测时刻的流量进行预测，可能会导致流量预测结果的准确度较低。
发明内容
本申请实施例的目的在于提供一种流量预测方法和装置，可以提高流量预测结果的准确度。具体技术方案如下：
第一方面，为了达到上述目的，本申请实施例公开了一种流量预测方法，所述方法包括：
获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量。
可选的，所述基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量，包括：
将所述第一预测流量和所述第二预测流量，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量和所述第二预测网络模型输出的所述多个历史时刻的预测流量为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
可选的，所述基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量，包括：
将所述第一预测流量、所述第二预测流量和所述待预测时刻的时间信息，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量、所述第二预测网络模型输出的所述多个历史时刻的预测流量，以及所述多个历史时刻的时间信息为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
可选的，在所述获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量之前，所述方法还包括：
判断所述待预测时刻距离当前时刻是否大于预设时长；
如果所述待预测时刻距离当前时刻不大于所述预设时长，执行所述获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量步骤。
可选的，所述方法还包括：
如果所述待预测时刻距离当前时刻大于所述预设时长，获取所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到所述待预测时刻的预测流量。
第二方面，为了达到上述目的，本申请实施例公开了一种流量预测装置，所述装置包括：
获取模块，用于获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
第一预测模块，用于将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
第二预测模块，用于将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
确定模块，用于基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量。
可选的，所述确定模块，具体用于将所述第一预测流量和所述第二预测流量，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量和所述第二预测网络模型输出的所述多个历史时刻的预测流量为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
可选的，所述确定模块，具体用于将所述第一预测流量、所述第二预测流量和所述待预测时刻的时间信息，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量、所述第二预测网络模型输出的所述多个历史时刻的预测流量，以及所述多个历史时刻的时间信息为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
可选的，所述装置还包括：
判定模块，用于判断所述待预测时刻距离当前时刻是否大于预设时长；
如果所述待预测时刻距离当前时刻不大于所述预设时长，则触发所述获取模块。
可选的，所述装置还包括：
处理模块，用于如果所述待预测时刻距离当前时刻大于所述预设时长，获取所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到所述待预测时刻的预测流量。
在本申请实施的另一方面，为了达到上述目的，本申请实施例还公开了一种电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现如上述第一方面所述的流量预测方法。
在本申请实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，实现如上述第一方面所述的流量预测方法。
在本申请实施的又一方面，本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的流量预测方法。
本申请实施例提供了一种流量预测方法，可以将待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，将待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，并基于第一预测流量和第二预测流量，确定待预测时刻的预测流量。现有技术将第一预测流量作为待预测时刻的预测流量，而本申请则基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，即，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，因此，基于本申请的方法，能够提高流量预测结果的准确度。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种流量预测方法的流程图；
图2为本申请实施例提供的一种流量预测方法示例的流程图；
图3为本申请实施例提供的一种流量预测装置的结构图；
图4为本申请实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
现有技术中，仅根据与待预测时刻属于同一预测周期的多个时刻的真实流量，对待预测时刻的流量进行预测，可能会导致流量预测结果的准确度较低。
为了解决上述问题，本申请实施例提供了一种流量预测方法，该方法可以应用于电子设备，该电子设备可以为终端，也可以为服务器，该电子设备用于对指定对象的流量进行预测。例如，对某一区域的人流量进行预测，或者，对某一网站的网络流量进行预测等。
电子设备可以获取待预测时刻所属预测周期内，在待预测时刻之前的时刻(可以称为横向历史时刻)的真实流量(可以称为横向历史真实流量)，以及待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻(可以称为纵向历史时刻)的真实流量(可以称为纵向历史真实流量)，然后，电子设备可以将横向历史真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，将纵向历史真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，进而，电子设备可以基于第一预测流量和第二预测流量，确定待预测时刻的预测流量。
本申请实施例分别通过横向历史真实流量和纵向历史真实流量，对待预测时刻的流量进行预测，得到第一预测流量和和第二预测流量，进而，基于第一预测流量和第二预测流量，确定待预测时刻的预测流量，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，因此，基于本申请的方法，能够提高流量预测结果的准确度。
参见图1，图1为本申请实施例提供的一种流量预测方法的流程图，该方法可以包括以下步骤：
S101：获取待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量，以及待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量。
其中，预测周期的时长可以由技术人员根据经验进行设置，例如，可以以天为预测周期，或者，也可以以月为预测周期，但并不限于此。
在实际操作过程中，统计的流量通常为某一时间段内的总流量，因此，待预测时刻可以是所属预测周期内的一个时间段，例如，如果以天为预测周期，则待预测时刻可以是一天中的一个小时，或者一天中的半个小时；如果以月为预测周期，则待预测时刻可以是一个月中的一天，或者一个月中的半天。
在申请实施中，在电子设备确定待预测时刻后，电子设备可以获取待预测时刻的横向历史真实流量和待预测时刻的纵向历史真实流量，进而，电子设备可以根据横向历史真实流量和纵向历史真实流量，从不同的维度对待预测时刻的流量进行预测。
一种实现方式中，如果以天为预测周期，待预测时刻为2月10日12点至12点30分，则电子设备可以获取2月10日10点至10点30分的真实流量、10点30分至11点的真实流量、11点至11点30分的真实流量和11点30分至12点的真实流量，作为横向历史真实流量；另外，电子设备还可以获取2月6日12点至12点30分的真实流量、2月7日12点至12点30分的真实流量、2月8日12点至12点30分的真实流量和2月9日12点至12点30分的真实流量，作为纵向历史真实流量。
如果以月为预测周期，待预测时刻为5月10日，则电子设备可以获取5月6日的真实流量、5月7日的真实流量、5月8日的真实流量和5月9日的真实流量，作为横向历史真实流量；另外，电子设备还可以获取1月10日的真实流量、2月10日的真实流量、3月10日的真实流量和4月10日的真实流量，作为纵向历史真实流量。
S102：将待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量。
其中，第一预测网络模型可以用于根据同一预测周期内多个时刻的真实流量，对该预测周期内多个时刻后的其他时刻的流量进行预测。第一预测网络模型可以为ARIMA(Autoregressive Integrated Moving Average，差分整合移动平均自回归)模型，或其他用于预测分析的网络模型。
在申请实施中，电子设备可以将待预测时刻的横向历史真实流量，输入至预先训练好的第一预测网络模型，得到第一预测网络模型的输出结果(即第一预测流量)。
可以理解的是，在对第一预测网络模型进行训练时，输入数据和输出数据均为历史时刻的真实流量，输出数据对应的时刻和输入数据对应的时刻之间的关系，与待预测时刻和横向历史时刻之间的关系一致。
一种实现方式中，如果以天为预测周期，待预测时刻为2月10日12点至12点30分，横向历史时刻可以包括2月10日10点至10点30分、10点30分至11点、11点至11点30分和11点30分至12点。电子设备可以获取2月10日之前多天的流量数据，每一天的流量数据可以包括该天10点至10点30分的真实流量、10点30分至11点的真实流量、11点至11点30分的真实流量、11点30分至12点的真实流量和12点至12点30分的真实流量。
电子设备可以将2月10日之前每一天10点至10点30分的真实流量、10点30分至11点的真实流量、11点至11点30分的真实流量和11点30分至12点的真实流量，作为第一预测网络模型的输入数据，将该天12点至12点30分的真实流量作为对应的输出数据，进行模型训练，直至第一预测网络模型达到预设收敛条件，得到训练好的第一预测网络模型。
相应的，电子设备可以将2月10日10点至10点30分的真实流量、10点30分至11点的真实流量、11点至11点30分的真实流量和11点30分至12点的真实流量，输入至训练好的第一网络预测模型，此时，第一网络预测模型的输出数据(即第一预测流量)为根据横向历史真实流量，预测得到的2月10日12点至12点30分的流量。
S103：将待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量。
其中，第二预测网络模型可以用于根据多个预测周期内同一时刻的真实流量，对多个预测周期后的其他预测周期内同一时刻的流量进行预测。第二预测网络模型可以为ARIMA模型，或其他用于预测分析的网络模型。
在申请实施中，电子设备可以将待预测时刻的纵向历史真实流量，输入至预先训练好的第二预测网络模型，得到第二预测网络模型的输出结果(即第二预测流量)。
可以理解的是，在对第二预测网络模型进行训练时，输入数据和输出数据均为历史时刻的真实流量，输出数据对应的时刻和输入数据对应的时刻之间的关系，与待预测时刻和纵向历史时刻之间的关系一致。
一种实现方式中，如果以天为预测周期，待预测时刻为2月10日12点至12点30分，纵向历史时刻可以包括2月6日12点至12点30分、2月7日12点至12点30分、2月8日12点至12点30分和2月9日12点至12点30分。电子设备可以获取2月10日之前多天内同一时刻段的真实流量，该时间段可以为12点至12点30分，也可以为其他时间段。例如，电子设备可以获取2月6日10点30分至11点和11点至11点30分的真实流量、2月7日10点30分至11点和11点至11点30分的真实流量、2月8日10点30分至11点和11点至11点30分的真实流量、2月9日10点30分至11点和11点至11点30分的真实流量，以及2月10日10点30分至11点和11点至11点30分的真实流量。
电子设备可以将2月6日10点30分至11点的真实流量、2月7日10点30分至11点的真实流量、2月8日10点30分至11点的真实流量、2月9日10点30分至11点的真实流量，作为第二预测网络模型的输入数据，将2月10日10点30分至11点的真实流量，作为对应的输出数据；将2月6日11点至11点30分的真实流量、2月7日11点至11点30分的真实流量、2月8日11点至11点30分的真实流量、2月9日11点至11点30分的真实流量，作为第二预测网络模型的输入数据，将2月10日11点至11点30分的真实流量，作为对应的输出数据，进行模型训练，直至第二预测网络模型达到预设收敛条件，得到训练好的第二预测网络模型。
相应的，电子设备可以将2月6日12点至12点30分的真实流量、2月7日12点至12点30分的真实流量、2月8日12点至12点30分的真实流量和2月9日12点至12点30分的真实流量，输入至训练好的第二网络预测模型，此时，第二网络预测模型的输出数据(即第二预测流量)为根据纵向历史真实流量，预测得到的2月10日12点至12点30分的流量。
另外，本申请实施例对于S102和S103的执行顺序并不进行限定。
S104：基于第一预测流量和第二预测流量，确定待预测时刻的预测流量。
在申请实施中，在电子设备获取第一预测流量和第二预测流量后，电子设备可以基于第一预测流量和第二预测流量，确定待预测时刻的预测流量。
电子设备基于第一预测流量和第二预测流量，确定待预测时刻的预测流量的方式可以是多种多样的，例如，电子设备可以根据第一预测流量和第二预测流量的各自权重，计算第一预测流量和第二预测流量的加权和，并将加权和作为待预测时刻的预测流量，其中，第一预测流量的权重可以表示横向历史真实流量对待预测时刻的流量的影响程度，第二预测流量的权重可以表示纵向历史真实流量对待预测时刻的流量的影响程度。
可见，基于本申请实施例的流量预测方法，可以基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，即，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，能够提高流量预测结果的准确度。
可选的，为了进一步提高流量预测结果的准确度，电子设备可以根据回归模型，对第一预测流量和第二预测流量进行处理，得到待预测时刻的预测流量，S104可以包括以下步骤：
将第一预测流量和第二预测流量，输入至预先训练好的回归模型；将回归模型的输出数据，作为待预测时刻的预测流量。
其中，该回归模型(可以称为第一回归模型)可以为回归树模型，第一回归模型为以第一预测网络模型输出的多个历史时刻的预测流量和第二预测网络模型输出的该多个历史时刻的预测流量为输入数据，以该多个历史时刻的真实流量为输出数据进行训练得到的。
训练好的第一回归模型能够确定第一预测网络模型输出的预测流量和第二预测网络模型输出的预测流量各自的权重。
在申请实施中，电子设备可以将第一预测流量和第二预测流量，输入至预先训练好的第一回归模型，将第一回归模型的输出数据，作为待预测时刻的预测流量(可以称为目标预测流量)。
另外，在本步骤之前，电子设备可以获取第一预测网络模型输出的多个历史时刻的预测流量、第二预测网络模型输出的该多个历史时刻的预测流量，以及该多个历史时刻的真实流量。在对第一回归模型进行训练时，电子设备可以将第一预测网络模型输出的每一历史时刻的预测流量、第二预测网络模型输出的该历史时刻的预测流量，作为第一回归模型的输入数据，将该历史时刻的真实流量作为对应的输出数据，进行模型训练，直至第一回归模型达到预设收敛条件，得到训练好的第一回归模型。
相应的，电子设备可以将第一预测流量和第二预测流量输入至训练好的第一回归模型，此时，第一回归模型的输出数据(即目标预测流量)可以为第一预测流量和第二预测流量的加权和，此时，第一预测流量和第二预测流量各自的权重为第一回归模型根据多个历史时刻的真实流量学习得到的，因此，得到的目标预测流量的准确度较高。
可选的，为了进一步提高流量预测结果的准确度，电子设备还可以结合待预测时刻的时间信息，确定待预测时刻的预测流量，S104可以包括以下步骤：
将第一预测流量、第二预测流量和待预测时刻的时间信息，输入至预先训练好的回归模型，将回归模型的输出数据，作为待预测时刻的预测流量。
其中，待预测时刻的时间信息可以包括能够表示待预测时刻对应的时间的标识，例如，以天为预测周期，可以将一天中的24小时划分为48个时间段，分别为：0点至0点30分、0点30分至1点、1点至1点30分、…、22点30分至23点，23点至23点30分和23点30分至24点。上述各时间段的时间信息可以分别用1、2、3、…、46、47、48表示。时间信息还可以包括待预测时刻该天的日期，例如，待预测时刻该天为某一月的10号，则待预测时刻的时间信息可以包括10，用于表示待预测时刻当天为10号；如果待预测时刻该天为星期五，则待预测时刻的时间信息还可以包括5，用于表示待预测时刻当天为星期五，在实际操作过程中，技术人员可以根据业务需求，设置时间信息包含的标识。
该回归模型(可以称为第二回归模型)可以为回归树模型，第二回归模型可以为以第一预测网络模型输出的多个历史时刻的预测流量、第二预测网络模型输出的该多个历史时刻的预测流量，以及该多个历史时刻的时间信息为输入数据，以该多个历史时刻的真实流量为输出数据进行训练得到的。
在申请实施中，电子设备可以将第一预测流量、第二预测流量和待预测时刻的时间信息，输入至预先训练好的第二回归模型，将第二回归模型的输出数据，作为待预测时刻的预测流量(即目标预测流量)。
另外，在本步骤之前，电子设备可以获取第一预测网络模型输出的多个历史时刻的预测流量、第二预测网络模型输出的该多个历史时刻的预测流量、该多个历史时刻的真实流量，以及该多个历史时刻的时间信息。在对第二回归模型进行训练时，电子设备可以将第一预测网络模型输出的每一历史时刻的预测流量、第二预测网络模型输出的该历史时刻的预测流量，以及该历史时刻的时间信息，作为第二回归模型的输入数据，将该历史时刻的真实流量作为对应的输出数据，进行模型训练，直至第二回归模型达到预设收敛条件，得到训练好的第二回归模型。
相应的，电子设备可以将第一预测流量、第二预测流量和待预测时刻的时间信息输入至训练好的第二回归模型，此时，第二回归模型的输出数据(即目标预测流量)为结合第一预测流量、第二预测流量和待预测时刻的时间信息确定出的流量，因此，得到的目标预测流量的准确度较高。
另外，为了提高流量预测结果的准确度，电子设备还可以根据待预测时刻与当前时刻的时长，确定是否需要根据横向历史真实流量和纵向历史真实流量，计算待预测时刻的流量，在S101之前，该方法还可以包括以下步骤：
判断待预测时刻距离当前时刻是否大于预设时长；如果待预测时刻距离当前时刻不大于预设时长，执行S101。
在申请实施例中，电子设备可以判断待预测时刻距离当前时刻是否大于预设时长，当电子设备判定待预测时刻距离当前时刻不大于预设时长时，电子设备可以获取待预测时刻的横向历史真实流量和纵向历史真实流量，并根据第一预测网络模型和第二预测网络模型，对待预测时刻的流量进行预测。
其中，预设时长可以由技术人员根据经验进行设置，例如，预设时长为3小时，以天为预测周期，如果当前时刻为2月10日9点，待预测时刻为2月10日10点至10点30分，待预测时刻距离当前时刻1小时，小于预设时长，则电子设备可以获取待预测时刻的横向历史真实流量和纵向历史真实流量，以对待预测时刻的流量进行预测。
可选的，该方法还可以包括以下步骤：
步骤一，如果待预测时刻距离当前时刻大于预设时长，获取待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量。
在申请实施中，当电子设备判定待预测时刻距离当前时刻大于预设时长时，此时，距离待预测时刻较近的时刻并不存在真实流量，即，电子设备无法获取待预测时刻的横向历史真实流量，电子设备可以获取待预测时刻的纵向历史真实流量，以根据纵向历史真实流量对待预测时刻的流量进行预测。
步骤二，将待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到待预测时刻的预测流量。
在申请实施中，在电子设备获取待预测时刻的纵向历史真实流量后，电子设备可以将待预测时刻的纵向历史真实流量输入至训练好的第二预测网络模型，并将第二预测网络模型的输出数据(即第二预测流量)，作为待预测时刻的预测流量。
基于上述处理，如果待预测时刻距离当前时刻大于预设时长，表明电子设备无法获取待预测时刻的横向历史真实流量，此时，电子设备可以根据待预测时刻的纵向历史真实流量，对待预测时刻的流量进行预测，在一定程度上避免无法进行流量预测的情况。
参见图2，图2为本申请实施例提供的一种流量预测方法示例的流程图，该方法可以包括以下步骤：
S201：判断待预测时刻距离当前时刻是否大于预设时长，如果待预测时刻距离当前时刻不大于预设时长，执行S202-S206，如果待预测时刻距离当前时刻大于预设时长，执行S207-S208。
S202：获取待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量，以及待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量。
S203：将待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量。
S204：将待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量。
S205：将第一预测流量、第二预测流量和待预测时刻的时间信息，输入至预先训练好的回归模型。
其中，回归模型为以第一预测网络模型输出的多个历史时刻的预测流量、第二预测网络模型输出的该多个历史时刻的预测流量，以及该多个历史时刻的时间信息为输入数据，以该多个历史时刻的真实流量为输出数据进行训练得到的。
S206：将回归模型的输出数据，作为待预测时刻的预测流量。
S207：获取待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量。
S208：将待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到待预测时刻的预测流量。
可见，基于本申请实施例提供的流量预测方法，可以基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，即，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，能够提高流量预测结果的准确度。
与图1的方法实施例相对应，参见图3，图3为本申请实施例提供的一种流量预测装置的结构图，该装置可以包括：
获取模块301，用于获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
第一预测模块302，用于将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
第二预测模块303，用于将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
确定模块304，用于基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量。
可选的，所述确定模块304，具体用于将所述第一预测流量和所述第二预测流量，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量和所述第二预测网络模型输出的所述多个历史时刻的预测流量为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
可选的，所述确定模块304，具体用于将所述第一预测流量、所述第二预测流量和所述待预测时刻的时间信息，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量、所述第二预测网络模型输出的所述多个历史时刻的预测流量，以及所述多个历史时刻的时间信息为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
可选的，所述装置还包括：
判定模块，用于判断所述待预测时刻距离当前时刻是否大于预设时长；
如果所述待预测时刻距离当前时刻不大于所述预设时长，则触发所述获取模块301。
可选的，所述装置还包括：
处理模块，用于如果所述待预测时刻距离当前时刻大于所述预设时长，获取所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到所述待预测时刻的预测流量。
由以上可见，基于本申请实施例提供的流量预测装置，可以将待预测时刻所属预测周期内，在待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，将待预测时刻所属预测周期之前的预测周期内，与待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，并基于第一预测流量和第二预测流量，确定待预测时刻的预测流量。现有技术将第一预测流量作为待预测时刻的预测流量，而本申请则基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，即，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，能够提高流量预测结果的准确度。
本申请实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现如下步骤：
获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例提供的电子设备，在进行流量预测时，可以基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，即，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，能够提高流量预测结果的准确度。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行本申请实施例提供的流量预测方法。
具体的，上述流量预测方法，包括：
获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量。
需要说明的是，上述流量预测方法的其他实现方式与前述方法实施例部分相同，这里不再赘述。
通过运行本申请实施例提供的计算机可读存储介质中存储的指令，在进行流量预测时，可以基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，即，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，能够提高流量预测结果的准确度。
本申请实施例还提供了另一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本申请实施例提供的流量预测方法。
具体的，上述流量预测方法，包括：
获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量。
需要说明的是，上述流量预测方法的其他实现方式与前述方法实施例部分相同，这里不再赘述。
通过运行本申请实施例提供的计算机程序产品，在进行流量预测时，可以基于第一预测流量和和第二预测流量，确定待预测时刻的预测流量，即，综合考虑了不同预测周期内与待预测时刻对应的时刻的真实流量对待预测时刻的流量的影响，能够提高流量预测结果的准确度。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。
本说明书中的各个实施例均采用相关的方式描述，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，对于装置、电子设备、计算机可读存储介质、计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
Claims (10)
1.一种流量预测方法，其特征在于，所述方法包括：
获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量；
在所述获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量之前，所述方法还包括：
判断所述待预测时刻距离当前时刻是否大于预设时长；
如果所述待预测时刻距离当前时刻不大于所述预设时长，执行所述获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量步骤。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量，包括：
将所述第一预测流量和所述第二预测流量，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量和所述第二预测网络模型输出的所述多个历史时刻的预测流量为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量，包括：
将所述第一预测流量、所述第二预测流量和所述待预测时刻的时间信息，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量、所述第二预测网络模型输出的所述多个历史时刻的预测流量，以及所述多个历史时刻的时间信息为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
如果所述待预测时刻距离当前时刻大于所述预设时长，获取所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到所述待预测时刻的预测流量。
5.一种流量预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量，以及所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
第一预测模块，用于将所述待预测时刻所属预测周期内，在所述待预测时刻之前的时刻的真实流量输入至预先训练好的第一预测网络模型，得到第一预测流量，其中，所述第一预测网络模型用于根据同一预测周期内多个时刻的真实流量，对该预测周期内所述多个时刻后的其他时刻的流量进行预测；
第二预测模块，用于将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到第二预测流量，其中，所述第二预测网络模型用于根据多个预测周期内同一时刻的真实流量，对所述多个预测周期后的其他预测周期内同一时刻的流量进行预测；
确定模块，用于基于所述第一预测流量和所述第二预测流量，确定所述待预测时刻的预测流量；
所述装置还包括：
判定模块，用于判断所述待预测时刻距离当前时刻是否大于预设时长；
如果所述待预测时刻距离当前时刻不大于所述预设时长，则触发所述获取模块。
6.根据权利要求5所述的装置，其特征在于，所述确定模块，具体用于将所述第一预测流量和所述第二预测流量，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量和所述第二预测网络模型输出的所述多个历史时刻的预测流量为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
7.根据权利要求5所述的装置，其特征在于，所述确定模块，具体用于将所述第一预测流量、所述第二预测流量和所述待预测时刻的时间信息，输入至预先训练好的回归模型，其中，所述回归模型为以所述第一预测网络模型输出的多个历史时刻的预测流量、所述第二预测网络模型输出的所述多个历史时刻的预测流量，以及所述多个历史时刻的时间信息为输入数据，以所述多个历史时刻的真实流量为输出数据进行训练得到的；
将所述回归模型的输出数据，作为所述待预测时刻的预测流量。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
处理模块，用于如果所述待预测时刻距离当前时刻大于所述预设时长，获取所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量；
将所述待预测时刻所属预测周期之前的预测周期内，与所述待预测时刻对应的时刻的真实流量输入至预先训练好的第二预测网络模型，得到所述待预测时刻的预测流量。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305627.0A CN111835536B (zh) | 2019-04-16 | 2019-04-16 | 一种流量预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305627.0A CN111835536B (zh) | 2019-04-16 | 2019-04-16 | 一种流量预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111835536A CN111835536A (zh) | 2020-10-27 |
| CN111835536B true CN111835536B (zh) | 2022-04-05 |
Family
ID=72915226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910305627.0A Active CN111835536B (zh) | 2019-04-16 | 2019-04-16 | 一种流量预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111835536B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113556253B (zh) * | 2021-07-30 | 2023-05-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、系统、设备和存储介质 |
| CN113343956B (zh) * | 2021-08-06 | 2021-11-19 | 腾讯科技（深圳）有限公司 | 路况信息的预测方法、装置和存储介质及电子设备 |
| CN113888060A (zh) * | 2021-11-24 | 2022-01-04 | 中国工商银行股份有限公司 | 用于确定网点运营策略的方法、装置、电子设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360388A (zh) * | 2011-10-20 | 2012-02-22 | 苏州大学 | 基于支持向量回归的时间序列预测方法及系统 |
| CN104993966A (zh) * | 2015-07-15 | 2015-10-21 | 国家电网公司 | 一种电力综合业务网流量预测方法 |
| CN105355038A (zh) * | 2015-10-14 | 2016-02-24 | 青岛观澜数据技术有限公司 | 一种利用pma建模预测短期交通流量的方法 |
| CN108345857A (zh) * | 2018-02-09 | 2018-07-31 | 北京天元创新科技有限公司 | 一种基于深度学习的区域人群密度预测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107959640B (zh) * | 2016-10-14 | 2020-07-07 | 腾讯科技（深圳）有限公司 | 网络业务调度方法及装置 |
-
2019
- 2019-04-16 CN CN201910305627.0A patent/CN111835536B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360388A (zh) * | 2011-10-20 | 2012-02-22 | 苏州大学 | 基于支持向量回归的时间序列预测方法及系统 |
| CN104993966A (zh) * | 2015-07-15 | 2015-10-21 | 国家电网公司 | 一种电力综合业务网流量预测方法 |
| CN105355038A (zh) * | 2015-10-14 | 2016-02-24 | 青岛观澜数据技术有限公司 | 一种利用pma建模预测短期交通流量的方法 |
| CN108345857A (zh) * | 2018-02-09 | 2018-07-31 | 北京天元创新科技有限公司 | 一种基于深度学习的区域人群密度预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111835536A (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480028B (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
| CN107040397B (zh) | 一种业务参数获取方法及装置 | |
| CN109190808B (zh) | 用户行为预测方法、装置、设备及介质 | |
| CN111835536B (zh) | 一种流量预测方法和装置 | |
| CN112882889A (zh) | 异常监控方法、系统、电子设备和存储介质 | |
| CN108243032B (zh) | 一种服务等级信息的获取方法、装置及设备 | |
| WO2020253038A1 (zh) | 一种模型构建方法及装置 | |
| CN109003091A (zh) | 一种风险防控处理方法、装置及设备 | |
| CN112669078A (zh) | 一种行为预测模型训练方法、装置、设备及存储介质 | |
| CN109685255A (zh) | 一种预测用户流失的方法和装置 | |
| CN108805332B (zh) | 一种特征评估方法和装置 | |
| CN111740865B (zh) | 一种流量波动趋势预测方法、装置及电子设备 | |
| CN110309922A (zh) | 一种网络模型训练方法和装置 | |
| CN113378498B (zh) | 一种任务分配方法及装置 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN110505635B (zh) | 一种终端渗透率预测方法及装置 | |
| CN113537631B (zh) | 药品需求量的预测方法、装置、电子设备及存储介质 | |
| CN116011677A (zh) | 时序数据的预测方法、装置、电子设备及存储介质 | |
| CN113657635B (zh) | 一种预测通信用户流失的方法及电子设备 | |
| CN102916851A (zh) | 一种网络流量预测方法及装置 | |
| CN113129127A (zh) | 预警方法和装置 | |
| CN110060146B (zh) | 一种数据转移方法及相关设备 | |
| CN112686742A (zh) | 销项发票风险预警方法、装置、存储介质及电子设备 | |
| CN111274230B (zh) | 数据迁移的管理方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |