[發明專利]流量預測方法、流量預測模型建立方法和存儲介質

在審

• 申請號: 202010909565.7
• 申請日: 2020-09-02
• 公開（公告）號: CN114205853A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 韓靜;張百勝;左興權;張家晨
• 申請（專利權）人: 中興通訊股份有限公司;北京郵電大學
• 主分類號: H04W24/06
• 分類號: H04W24/06;G06N3/08;H04L41/147;H04L41/14;G06N3/04;H04L43/0876
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 梁嘉琦

1.一種流量預測方法，包括：

獲取第一特征值序列和預測時間步長，所述第一特征值序列根據第一時間段和與所述第一時間段對應的第一網絡流量值得到；

將所述第一特征值序列和所述預測時間步長輸入至流量預測模型，以得到在所述預測時間步長之內的網絡流量預測值，所述流量預測模型由深度自回歸模型根據訓練集數據訓練得到，其中所述訓練集數據包括多個小區標識信息、與各個所述小區標識信息對應的多個第二時間段以及與所述第二時間段一一對應的第二網絡流量值。

2.根據權利要求1所述的方法，其特征在于，還包括：

根據所述網絡流量預測值和在所述預測時間步長之內的網絡流量真實值，得到所述流量預測方法的準確率。

3.根據權利要求1或2所述的方法，其特征在于，所述第一特征值序列為平均值序列、方差序列和標準差序列中的一種。

4.一種流量預測模型建立方法，包括：

獲取訓練集數據，所述訓練集數據包括多個小區標識信息、與各個所述小區標識信息對應的多個第二時間段以及與所述第二時間段一一對應的第二網絡流量值；

對所述第二時間段和所述第二網絡流量值進行處理，以得到與所述訓練集數據對應的初始序列；

對所述初始序列進行特征提取以得到第二特征值序列；

采用所述初始序列和所述第二特征值序列對深度自回歸模型進行訓練，以得到流量預測模型。

5.根據權利要求4所述的方法，其特征在于，所述對所述第二時間段和所述第二網絡流量值進行處理，包括：

通過箱線圖法對所述第二網絡流量值進行處理，得到流量上限值和流量下限值；

根據所述流量上限值和所述流量下限值對所述第二網絡流量值進行調整，以得到調整后的第二網絡流量值。

6.根據權利要求5所述的方法，其特征在于，所述根據所述流量上限值和所述流量下限值對所述第二網絡流量值進行調整，以得到調整后的第二網絡流量值，包括如下至少之一：

當所述第二網絡流量值大于所述流量上限值，將所述第二網絡流量值調整為所述第二網絡流量值和所述流量上限值的和的平均值；

當所述第二網絡流量值小于所述流量下限值，將所述第二網絡流量值調整為所述第二網絡流量值和所述流量下限值的和的平均值。

7.根據權利要求4所述的方法，其特征在于，所述對所述第二時間段和所述第二網絡流量值進行處理，包括：

從所述第二時間段中篩選出用于表征節假日的第二時間段和與所述用于表征節假日的第二時間段對應的第二網絡流量值；

將所述用于表征節假日的第二時間段和與所述用于表征節假日的第二時間段對應的第二網絡流量值從所述訓練集數據中刪除。

8.根據權利要求4所述的方法，其特征在于，所述對所述初始序列進行特征提取以得到第二特征值序列，包括：

對所述初始序列進行特征提取以得到與所述初始序列對應的第二特征值，并對所述第二特征值通過滑動平均的方式計算得到第二特征值序列。

9.根據權利要求4所述的方法，其特征在于，所述采用所述初始序列和所述第二特征值序列對深度自回歸模型進行訓練，包括：

通過長短期記憶神經網絡對所述初始序列和所述第二特征值序列進行處理，得到與深度自回歸模型中的網絡層對應的隱變量；

將所述隱變量通過最大化對數似然計算，得到所述深度自回歸模型的訓練參數。

10.根據權利要求4至9任一所述的方法，其特征在于，所述第二特征值序列為平均值序列、方差序列和標準差序列中的一種。