【技术实现步骤摘要】
本专利技术涉及电子信息，具体涉及物联网设备流量预测方法、装置、计算机设备及存储介质。
技术介绍
1、物联网技术自1999年提出以来，经历了从概念探讨到广泛应用的快速发展过程。早期，物联网主要关注物品之间的连接性，随着传感器技术、无线通信技术的进步，以及大数据分析和云计算能力的提升，物联网的应用场景迅速扩展到智慧城市、智慧农业、智能家居等多个领域。在这一过程中，数据管理和分析成为关键环节，尤其是对物联网设备产生的海量数据进行有效处理和利用，以实现资源优化配置、故障预测及主动维护等目标。物联网卡作为设备连接网络的关键组件，其流量消耗的预测不仅关乎成本控制，也是确保服务质量、优化网络资源配置的重要手段。
2、目前，由于物联网卡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，不利于用户对流量的管控。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
1、有鉴于此，本专利技术提供了一种物联网设备流量预测方法、装置、计算机设备及存储介质，以解决物联网设备流量预测准确性较低的问题。
2、第一方面，本专利技术提供了一种物联网设备流量预测方法，该方法包括：
3、获取多个物联网设备的日流量冻结数据，日流量冻结数据按照日期顺序并对应每个物联网设备特征以报文字段的形式进行存储；
4、基于日流量冻结数据生成多个训练数据集；训练数据集为基于日流量冻结数据得到的日期、物联网设备
5、基于多个训练数据集对预设神经网络进行训练，得到模型参数文件以及神经网络对应的开放神经网络交换格式文件；
6、基于模型参数文件以及开放神经网络交换格式文件设置预设神经网络，得到流量预测模型；
7、基于预先获取的实际输入数据集和流量预测模型对每个物联网设备的消耗流量进行预测。
8、本专利技术提供的物联网设备流量预测方法，基于日流量冻结数据生成多个训练数据集，并通过多个训练数据集对预设神经网络进行训练，进而最终得到流量预测模型；基于预先获取的输入数据集和流量预测模型对每个物联网设备的消耗流量进行预测，在基于日流量冻结数据生成多个训练数据集时综合考虑网络流量数据的短期相关性和长时趋势性，捕获网络流量数据时序上的特征相关性，通过神经网络极大地优化了流量预测方案，提升了流量预测的准确性，解决了物联网设备流量预测准确性较低的问题。
9、在一种可选的实施方式中，基于日流量冻结数据生成多个训练数据集包括：
10、从日流量冻结数据提取日期、物联网设备特征和当日节假日信息；
11、基于日流量冻结数据对应的报文字段计算每个物联网设备当日所有报文长度之和；
12、基于物联网设备特征计算物联网设备特征近似流量倍率，并以物联网设备特征近似流量倍率来表示对物联网设备当日消耗流量的影响情况；
13、基于当日节假日信息计算当日节假日流量倍率；
14、将日期、物联网设备特征、当日节假日信息、物联网设备特征近似流量倍率、每个物联网设备当日所有报文长度之和及当日节假日流量倍率构成的集合作为一个训练数据集。
15、本专利技术提供的物联网设备流量预测方法，在神经网络训练中使用的特征只能是数字，因此将日期、物联网设备特征、当日节假日信息、物联网设备特征近似流量倍率、每个物联网设备当日所有报文长度之和及当日节假日流量倍率构成的集合作为一个训练数据集，实现了日流量冻结数据非数字的特征转换为数字特征的目的，有利于对神经网络进行训练。
16、在一种可选的实施方式中，基于日流量冻结数据对应的报文字段计算每个物联网设备当日所有报文长度之和包括：
17、提取日流量冻结数据中的所有报文字段；报文字段包括定长字段和变长字段；
18、当报文字段为定长字段时，基于不同的通信协议建立定长字段与字节数的映射表格，通过查询映射表格得到字段的字节数，并将所有定长字段的字节数相加，得到每个物联网设备当日所有报文长度之和；
19、当报文字段为变长字段时，根据时间顺序对变长字段中字节数设置权重，基于权重计算变长字段中字节数的加权中位数，并将所有字段的加权中位数相加，得到每个物联网设备当日所有报文长度之和。
20、本专利技术提供的物联网设备流量预测方法，根据报文字段类型，分别采用预设映射表格方法和计算加权中位数的方法得到报文长度之和，实现了报文长度的计算，为训练数据集的构成提供了条件。
21、在一种可选的实施方式中，基于物联网设备特征计算物联网设备特征近似流量倍率包括：
22、按照设备类型、设备安装位置和设备用户信息将物联网设备特征进行特征分类，并获取对应特征分类的当日消耗流量；对应特征分类的当日消耗流量表示为：
23、x＝{x1，x2，…，xn}；
24、其中，x为对应特征1至n的当日消耗流量集合，x1，x2，…，xn分别为对应特征1至n的当日消耗流量；
25、按照日期顺序对每个物联网设备特征分配权重，分配权重原则为远日期权重低，近日期权重高，并基于每个物联网设备特征的权重计算基于对应物联网设备特征分类的当日消耗流量；
26、获取对应物联网设备特征当日消耗流量的中间值，并将所述中间值作为对应特征分类日中位数，将所有物联网设备特征当日消耗流量进行加权求和，取其加权求和的中间值作为总日中位数；将所有物联网设备特征当日消耗流量进行加权求和的公式表示如下：
27、
28、其中，ci为加权求和值，wj为每个特征当日消耗流量权重，wbj为每个特征当日消耗流量对应的基数，wa为所有特征的基数总和，wbi＝wbj；
29、基于总日中位数和对应特征分类日中位数计算物联网设备特征中每一个特征分类对应的特征近似流量倍率。
30、在一种可选的实施方式中，特征分类对应的特征近似流量倍率还包括当日节假日特征近似流量倍率；基于当日节假日信息计算当日节假日流量倍率包括：
31、将当日节假日信息按照预设节假日属性进行节假日分类；
32、获取对应节假日分类当日倍率系数；
33、基于当日节假日特征近似流量倍率和当日倍率系数计算当日节假日流量倍率。
34、本专利技术提供的物联网设备流量预测方法，通过特征近似流量倍率表示对物联网设备当日消耗流量的影响情况以及通过当日节假日流量倍率表示节假日流量，实现了对日流量的定量分析。
35、在一种可选的实施方式中，基于多个训练数据集对预设神经网络进行训练，得到与模型参数文件以及神经网络对应的开放神经网络交换格式文件包括：
36、设置滑动窗口，从训练数据集的第一项数据开始每次滑动一个滑动窗口，得到滑动窗口数据集；
37、舍弃滑动窗口数据集的本文档来自技高网...
【技术保护点】
1.一种物联网设备流量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于所述日流量冻结数据生成多个训练数据集包括：
3.根据权利要求2所述的方法，其特征在于，基于所述日流量冻结数据对应的报文字段计算每个物联网设备当日所有报文长度之和包括：
4.根据权利要求2所述的方法，其特征在于，基于所述物联网设备特征计算物联网设备特征近似流量倍率包括：
5.根据权利要求4所述的方法，其特征在于，特征分类对应的特征近似流量倍率包括当日节假日特征近似流量倍率；基于所述当日节假日信息计算当日节假日流量倍率包括：
6.根据权利要求1所述的方法，其特征在于，基于所述多个训练数据集对预设神经网络进行训练，得到与模型参数文件以及神经网络对应的开放神经网络交换格式文件包括：
7.根据权利要求6所述的方法，其特征在于，所述输入数据集表示为：
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
10.一种物
11.一种计算机设备，其特征在于，包括：
12.一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上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至9中任一项所述的物联网设备流量预测方法。
...【技术特征摘要】
1.一种物联网设备流量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于所述日流量冻结数据生成多个训练数据集包括：
3.根据权利要求2所述的方法，其特征在于，基于所述日流量冻结数据对应的报文字段计算每个物联网设备当日所有报文长度之和包括：
4.根据权利要求2所述的方法，其特征在于，基于所述物联网设备特征计算物联网设备特征近似流量倍率包括：
5.根据权利要求4所述的方法，其特征在于，特征分类对应的特征近似流量倍率包括当日节假日特征近似流量倍率；基于所述当日节假日信息计算当日节假日流量倍率包括：
6.根据权利要求1所述的方法，其特征在于，基于...
【专利技术属性】
技术研发人员：陈志丰，万臧鑫，郑利斌，吴斌，黄展，倪巍梨，
申请(专利权)人：浙江正泰仪器仪表有限责任公司，
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。