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。提升了流量预测的准确性。提升了流量预测的准确性。
【技术实现步骤摘要】
流量预测、模型训练方法及装置、电子设备、存储介质
[0001]本申请涉及计算机通信
，具体而言，涉及一种流量预测方法、模型训练方法、流量预测装置、电子设备以及计算机可读存储介质。
技术介绍
[0002]光网络作为运营商基础网络，其为包括无线、IP等不同专业的业务网提供重要的传输支撑作用，同时也在逐步直接面向用户提供高品质专线服务，光网络所承载的业务种类和流量特征日趋复杂。由于光网络流量的持续性增长以及不同业务之间的差异性，需要流量预测作为支撑，而相关技术中流量预测的准确性较低，由此难以进行合理的资源分配，为网络规划和带宽扩容等都带来一定困难。
[0003]由此，如何提升流量预测准确性是亟待解决的问题。
技术实现思路
[0004]为解决上述技术问题，本申请的实施例提供了一种流量预测、模型训练方法及装置、电子设备、存储介质，进而至少在一定程度上提升了流量预测的准确性。
[0005]根据本申请实施例的一个方面，提供了一种流量预测方法，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。
[0006]根据本申请实施例的一个方面，提供了一种模型训练方法，所述方法包括：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；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，得到流量预测模型；其中，所述流量预测模型用于得到目标对象在指定时间段内的目标流量预测结果。
[0007]根据本申请实施例的一个方面，提供了一种流量预测装置，所述装置包括：第一获取模块，配置为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；输入与输出模块，配置为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。
[0008]在本申请的一个实施例中，基于前述方案，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；所述输入与输出模块，具体配置为：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。
[0009]在本申请的一个实施例中，基于前述方案，所述指定时间段包括至少两个指定子时间段；所述输入与输出模块，具体配置为：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。
[0010]在本申请的一个实施例中，基于前述方案，所述流量预测装置还包括：采集模块，配置为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；预处理模块，配置为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；构建模块，配置为根据所述预处理后的流量数据构建所述测试流量数据集。
[0011]在本申请的一个实施例中，基于前述方案，所述流量预测装置还包括：第二获取模块，配置为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；整合模块，配置为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；调整模块，配置为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。
[0012]在本申请的一个实施例中，基于前述方案，调整模块，具体配置为：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行调整，得到所述流量预测模型。
[0013]根据本申请实施例的一个方面，提供了一种模型训练装置，所述装置包括：第二获取模块，配置为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；整合模块，配置为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；调整模块，配置为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，得到流量预测模型；其中，所述流量预测模型用于得到目标对象在指定时间段内的目标流量预测结果。
[0014]根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如前所述的流量预测方法和/或模型训练方法。
[0015]根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如前所述的流量预测方法和/或模型训练方法。
[0016]根据本申请实施例的一个方面，提供了一种计算机程序产品，包括计算机指令，该
计算机指令被处理器执行时实现如前所述的流量预测方法和/或模型训练方法。
[0017]在本申请的实施例所提供的技术方案中，通过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，之后基于获取到的训练流量数据集对预测网络的参数进行调整，得到流量预测模型；由于流量预测模型是根据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进行训练得到，因此，训练得到的流量预测模型同时具备了卷积神经网络和卷积循环神经网络各自的预测优势，即同时兼具了提取局部特征以及跟踪流量变化趋势的预测优势，由此训练得到的流量预测模型泛化能力更高。进而利用训练得到的流量预测模型进行流量预测，得到的目标流量预测结果更为准确，从而为资源分配、网络规划和带宽扩容本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：胡骞，刘言，李俊杰，杨玉森，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。