【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种网络流量预测方法、装置、设备、存储介质及计算机程序产品。
技术介绍
1、为满足市场化需求，需对小区未来流量业务数据作出精准预测，现有技术中是采用unilm(unified language model，统一语言模型)时序预测模型基于小区流量数据进行训练，例如，通过小区60天的历史流量数据预测未来150天的流量数据。
2、在仅有少量学习样本时，由于unilm模型的结构复杂，学习能力较强，会对少量的样本出现的所有特征都进行学习，甚至会把干扰性信息等错误信息也学习到，当模型对于数据的正确分布规律学习不充分时，也会学习样本数据中的错误知识，导致输出的流量预测结果的准确率较低。
技术实现思路
1、本申请的主要目的在于提供一种网络流量预测方法、装置、设备、存储介质及计算机程序产品，旨在解决相关技术中，通过unilm模型对流量样本数据进行预测，在样本数量较少时，对于数据的正确分布规律学习不充分，导致输出的流量预测结果的准确率较低。
2、为实现上述目的，本申请实施例提供了一种网络流量预测方法，所述方法包括：
3、获取流量样本数据；
4、基于所述流量样本数据，对微分神经网络方程进行训练，得到微分约束方程，其中，所述微分约束方程用于为所述流量样本数据增加规则约束；
5、通过广义α算法对所述微分约束方程进行迭代训练，得到广义时序生成模型；
6、以所述广义时序生成模型对所述流量样本数据进行预测处理，得到
7、在本申请的一种可能的实施方式中，所述基于所述流量样本数据，对微分神经网络方程进行训练，得到微分约束方程的步骤，包括：
8、初始化所述微分神经网络方程；
9、基于所述流量样本数据，确定待输入所述微分神经网络方程的广义动能数据；
10、基于预设约束方程以及所述广义动能数据，建立在预测体系下的微分神经网络方程；
11、确定所述微分神经网络方程在预测体系下的损失函数，对所述微分神经网络方程进行迭代训练，直至所述损失函数收敛，得到微分约束方程。
12、在本申请的一种可能的实施方式中，所述微分神经网络方程包括拉格朗日动力学方程；
13、所述基于预设约束方程以及所述广义动能数据，建立在预测体系下的微分神经网络方程的步骤，包括：
14、基于预设约束方程，对所述广义动能数据进行计算处理，得到广义质量和广义惯性力；
15、对所述广义动能数据中的广义坐标进行求导，得到偏导数；
16、基于所述广义质量、广义惯性力以及偏导数，建立拉格朗日动力学方程；
17、其中，所述拉格朗日动力学方程包括质量矩阵、广义力参数以及约束参数。
18、在本申请的一种可能的实施方式中，所述通过广义α算法对所述微分约束方程进行迭代训练，得到广义时序生成模型的步骤，包括：
19、以所述流量样本数据作为第零时刻的广义质量的第一运动状态数据；
20、通过广义α算法对所述第一运动状态数据进行计算处理，预测出下一个时刻的广义质量的预测状态数据；
21、将所述预测状态数据和所述第一运动状态数据进行合并，并基于合并后的状态数据，依次对所述微分约束方程进行迭代训练，直至预设损失函数收敛，得到广义时序生成模型。
22、在本申请的一种可能的实施方式中，所述将所述预测状态数据和所述第一运动状态数据进行合并的步骤之后，包括：
23、对预设约束方程进行参数调整，以使所述广义坐标的对应个数始终大于预设约束方程中参数的个数。
24、在本申请的一种可能的实施方式中，所述以所述广义时序生成模型对所述流量样本数据进行预测处理，得到流量预测结果的步骤，包括：
25、初始化所述广义时序生成模型；
26、通过所述广义α算法计算下一个时刻的预测流量数据；
27、将所述预测流量数据与前一时刻的流量数据进行合并，并将合并后的流量数据输入至微分约束方程；
28、基于所述微分约束方程，依次对所述合并后的流量数据进行计算处理，得到未来预设天数的流量预测值；
29、基于多个所述流量预测值，确定流量预测结果。
30、本申请还提供一种网络流量预测装置，所述网络流量预测装置包括：
31、获取模块，用于获取流量样本数据；
32、第一训练模块，用于基于所述流量样本数据，对微分神经网络方程进行训练，得到微分约束方程，其中，所述微分约束方程用于为所述流量样本数据增加规则约束；
33、第二训练模块，用于通过广义α算法对所述微分约束方程进行迭代训练，得到广义时序生成模型；
34、处理模块，用于以所述广义时序生成模型对所述流量样本数据进行预测处理，得到流量预测结果。
35、本申请还提供一种网络流量预测设备，所述网络流量预测设备为实体节点设备，所述网络流量预测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述网络流量预测方法的程序，所述网络流量预测方法的程序被处理器执行时可实现如上述所述网络流量预测方法的步骤。
36、为实现上述目的，还提供一种存储介质，所述存储介质上存储有网络流量预测程序，所述网络流量预测程序被处理器执行时实现上述任一所述的网络流量预测方法的步骤。
37、此外，为实现上述目的，本专利技术还提供一种计算机程序产品，所述计算机程序产品包括网络流量预测程序，所述网络流量预测程序被处理器执行时实现如上文所述的网络流量预测方法的步骤。
38、本申请提供了一种网络流量预测方法、装置、设备、存储介质及计算机程序产品，与相关技术中，通过unilm模型对流量样本数据进行预测，在样本数量较少时，对于数据的正确分布规律学习不充分，导致输出的流量预测结果的准确率较低相比，在本申请中，通过获取流量样本数据，再根据流量样本数据对微分神经网络方程进行训练，得到微分约束方程，在确定微分约束方程后，通过广义α算法对所述微分约束方程进行迭代训练，从而生成广义时序生成模型，进而，通过广义时序生成模型对流量样本数据进行预测处理，得到流量预测结果，由于广义时序生成模型结合了广义α算法和微分神经网络方程的算法，从而，给原本没有任何约束的流量数据引入了大量由定理证明的规则和约束，使得广义时序生成模型在训练时提高了对数据分布规律的学习效率，并减少对数据中错误分布的学习，进而，保证后续在模型对流量数据进行预测的过程中，提高输出的流量预测结果的准确性。
本文档来自技高网...【技术保护点】
1.一种网络流量预测方法，其特征在于，所述网络流量预测方法包括以下步骤：
2.如权利要求1所述的网络流量预测方法，其特征在于，所述基于所述流量样本数据，对微分神经网络方程进行训练，得到微分约束方程的步骤，包括：
3.如权利要求2所述的网络流量预测方法，其特征在于，所述微分神经网络方程包括拉格朗日动力学方程；
4.如权利要求3所述的网络流量预测方法，其特征在于，所述通过广义α算法对所述微分约束方程进行迭代训练，得到广义时序生成模型的步骤，包括：
5.如权利要求4所述的网络流量预测方法，其特征在于，所述将所述预测状态数据和所述第一运动状态数据进行合并的步骤之后，包括：
6.如权利要求1所述的网络流量预测方法，其特征在于，所述以所述广义时序生成模型对所述流量样本数据进行预测处理，得到流量预测结果的步骤，包括：
7.一种网络流量预测装置，其特征在于，所述网络流量预测装置包括：
8.一种网络流量预测设备，其特征在于，所述设备包括：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网络流量预测程序，所
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有网络流量预测程序，所述网络流量预测程序被处理器执行时实现如权利要求1至6中任一项所述的网络流量预测方法的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括网络流量预测程序，所述网络流量预测程序被处理器执行时实现如权利要求1至6中任一项所述的网络流量预测方法的步骤。
...【技术特征摘要】
1.一种网络流量预测方法，其特征在于，所述网络流量预测方法包括以下步骤：
2.如权利要求1所述的网络流量预测方法，其特征在于，所述基于所述流量样本数据，对微分神经网络方程进行训练，得到微分约束方程的步骤，包括：
3.如权利要求2所述的网络流量预测方法，其特征在于，所述微分神经网络方程包括拉格朗日动力学方程；
4.如权利要求3所述的网络流量预测方法，其特征在于，所述通过广义α算法对所述微分约束方程进行迭代训练，得到广义时序生成模型的步骤，包括：
5.如权利要求4所述的网络流量预测方法，其特征在于，所述将所述预测状态数据和所述第一运动状态数据进行合并的步骤之后，包括：
6.如权利要求1所述的网络流量预测方法，其特征在于，所述以所述广义时序生成模型对所述流量样本...
【专利技术属性】
技术研发人员：徐潇秋，朱伟，叶鹏，郑康，毕晓琳，柯建军，路秋瑞，贾松林，
申请(专利权)人：中国移动紫金江苏创新研究院有限公司，
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。