[發(fā)明專利]流量預(yù)測方法、裝置以及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010124524.7
• 申請日: 2020-02-27
• 公開（公告）號: CN113315644A
• 公開（公告）日: 2021-08-27
• 發(fā)明（設(shè)計）人: 楊子堯;劉剛;湯健;蔣銘;張德智;杜喆
• 申請（專利權(quán)）人: 中國電信股份有限公司
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04Q11/00;G06N3/04
• 代理公司: 中國貿(mào)促會專利商標(biāo)事務(wù)所有限公司 11038
• 代理人: 方亮

1.一種流量預(yù)測方法，包括：

基于卷積神經(jīng)網(wǎng)絡(luò)CCN網(wǎng)絡(luò)和長短期記憶LSTM網(wǎng)絡(luò)構(gòu)建用于對網(wǎng)絡(luò)流量進行預(yù)測的疊加神經(jīng)網(wǎng)絡(luò)模型；

基于流量歷史數(shù)據(jù)構(gòu)建流量訓(xùn)練數(shù)據(jù)，使用所述流量訓(xùn)練數(shù)據(jù)對所述疊加神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，獲得訓(xùn)練好的所述疊加神經(jīng)網(wǎng)絡(luò)模型；

構(gòu)建流量預(yù)測輸入數(shù)據(jù)，將所述流量預(yù)測輸入數(shù)據(jù)輸入訓(xùn)練好的所述疊加神經(jīng)網(wǎng)絡(luò)模型，獲得流量預(yù)測信息。

2.如權(quán)利要求1所述的方法，所述基于卷積神經(jīng)網(wǎng)絡(luò)CCN網(wǎng)絡(luò)和長短期記憶LSTM網(wǎng)絡(luò)構(gòu)建用于對網(wǎng)絡(luò)流量進行預(yù)測的疊加神經(jīng)網(wǎng)絡(luò)模型包括：

基于所述CCN網(wǎng)絡(luò)構(gòu)建CNN特征處理模型；

基于所述LSTM網(wǎng)絡(luò)構(gòu)建LSTM流量預(yù)測模型；

將所述CNN特征處理模型作為所述疊加神經(jīng)網(wǎng)絡(luò)模型的輸入模塊，將所述LSTM流量預(yù)測模型作為所述疊加神經(jīng)網(wǎng)絡(luò)模型的輸出模塊，構(gòu)建所述疊加神經(jīng)網(wǎng)絡(luò)模型；

其中，所述LSTM流量預(yù)測模型的輸入數(shù)據(jù)包括：所述CNN特征處理模型的輸出數(shù)據(jù)。

3.如權(quán)利要求2所述的方法，所述基于流量歷史數(shù)據(jù)構(gòu)建流量訓(xùn)練數(shù)據(jù)，使用所述流量訓(xùn)練數(shù)據(jù)對所述疊加神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練包括：

獲取與所述流量歷史數(shù)據(jù)相對應(yīng)的流量周期性特征信息；

基于所述流量周期性特征信息從所述流量歷史數(shù)據(jù)中獲取第一流量數(shù)據(jù)，以及與所述第一流量數(shù)據(jù)對應(yīng)的第一流量標(biāo)注信息；

將所述第一流量數(shù)據(jù)和所述第一流量標(biāo)注信息作為第一流量訓(xùn)練數(shù)據(jù)對所述CNN特征處理模型進行訓(xùn)練，獲得訓(xùn)練好的CNN特征處理模型；

對訓(xùn)練好的CNN特征處理模型和未訓(xùn)練的LSTM流量預(yù)測模型進行融合訓(xùn)練，獲得訓(xùn)練好的所述疊加神經(jīng)網(wǎng)絡(luò)模型。

4.如權(quán)利要求3所述的方法，所述對訓(xùn)練好的CNN特征處理模型和未訓(xùn)練的LSTM流量預(yù)測模型進行融合訓(xùn)練包括：

基于所述流量周期性特征信息從所述流量歷史數(shù)據(jù)中獲取第二流量數(shù)據(jù)，以及與所述第二流量數(shù)據(jù)對應(yīng)的第二流量標(biāo)注信息；

將所述第二流量數(shù)據(jù)輸入訓(xùn)練好的所述CNN特征處理模型，輸出具有時序性的流量特征；

基于所述流量特征和所述第二流量標(biāo)注信息生成第二流量訓(xùn)練數(shù)據(jù)，使用所述第二流量訓(xùn)練數(shù)據(jù)對所述LSTM流量預(yù)測模型進行訓(xùn)練，獲得訓(xùn)練好的LSTM流量預(yù)測模型。

5.如權(quán)利要求4所述的方法，所述構(gòu)建流量預(yù)測輸入數(shù)據(jù)，將所述流量預(yù)測輸入數(shù)據(jù)輸入訓(xùn)練好的所述疊加神經(jīng)網(wǎng)絡(luò)模型，獲得流量預(yù)測信息包括：

基于所述流量周期性特征信息構(gòu)建所述流量預(yù)測輸入數(shù)據(jù)，將流量預(yù)測輸入數(shù)據(jù)輸入訓(xùn)練好的所述CNN特征處理模型；

獲得訓(xùn)練好的所述LSTM流量預(yù)測模型輸出的所述流量預(yù)測信息。

6.如權(quán)利要求2所述的方法，其中，

所述CNN特征處理模型包括：卷積層、池化層、全連接層；

所述流量包括：PON端口流量。

7.一種流量預(yù)測裝置，包括：

模型建立模塊，用于基于卷積神經(jīng)網(wǎng)絡(luò)CCN網(wǎng)絡(luò)和長短期記憶LSTM網(wǎng)絡(luò)構(gòu)建用于對網(wǎng)絡(luò)流量進行預(yù)測的疊加神經(jīng)網(wǎng)絡(luò)模型；

模型訓(xùn)練模塊，用于基于流量歷史數(shù)據(jù)構(gòu)建流量訓(xùn)練數(shù)據(jù)，使用所述流量訓(xùn)練數(shù)據(jù)對所述疊加神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，獲得訓(xùn)練好的所述疊加神經(jīng)網(wǎng)絡(luò)模型；

模型使用模塊，用于構(gòu)建流量預(yù)測輸入數(shù)據(jù)，將所述流量預(yù)測輸入數(shù)據(jù)輸入訓(xùn)練好的所述疊加神經(jīng)網(wǎng)絡(luò)模型，獲得流量預(yù)測信息。

8.如權(quán)利要求7所述的裝置，其中，

所述模型建立模塊，還用于基于所述CCN網(wǎng)絡(luò)構(gòu)建CNN特征處理模型；基于所述LSTM網(wǎng)絡(luò)構(gòu)建LSTM流量預(yù)測模型；將所述CNN特征處理模型作為所述疊加神經(jīng)網(wǎng)絡(luò)模型的輸入模塊，將所述LSTM流量預(yù)測模型作為所述疊加神經(jīng)網(wǎng)絡(luò)模型的輸出模塊，構(gòu)建所述疊加神經(jīng)網(wǎng)絡(luò)模型；其中，所述LSTM流量預(yù)測模型的輸入數(shù)據(jù)包括：所述CNN特征處理模型的輸出數(shù)據(jù)。