[發明專利]一種請求量預測方法、裝置、電子設備及存儲介質

在審

• 申請號: 202210458132.3
• 申請日: 2022-04-27
• 公開（公告）號: CN114862003A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 李雷;劉波宏;朱龍;宋南杰
• 申請（專利權）人: 杭州華橙軟件技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/10;G06N3/12
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 杜晶

1.一種請求量預測方法，其特征在于，所述方法包括：

獲取歷史請求量數據，根據所述歷史請求量數據確定輸入數據；

將所述輸入數據輸入預先訓練完成的請求量預測模型，基于所述請求量預測模型中的基于極限學習機的降噪收縮自編碼器，輸出預測時刻的初始預測請求量數據至所述請求量預測模型中的加權極限學習機，基于所述加權極限學習機，輸出所述初始預測請求量數據對應的權重矩陣；

根據所述初始預測請求量數據及對應的權重矩陣，確定所述預測時刻的目標預測請求量數據。

2.如權利要求1所述的方法，其特征在于，所述根據所述歷史請求量數據確定輸入數據包括：

對所述歷史請求量數據進行自相關分析，確定與所述預測時刻相關度較高的預設數量的歷史請求量數據；將所述預設數量的歷史請求量數據作為輸入數據。

3.如權利要求2所述的方法，其特征在于，所述將所述預設數量的歷史請求量數據作為輸入數據包括：

確定所述預設數量的歷史請求量數據各自對應的節日類型信息和天氣信息；

將所述預設數量的歷史請求量數據及各自對應的節日類型信息和天氣信息作為輸入數據。

4.如權利要求1所述的方法，其特征在于，所述請求量預測模型的訓練過程包括：

獲取訓練集中的樣本輸入數據及對應的樣本預測時刻的真實請求量數據，其中，所述樣本輸入數據是根據樣本歷史請求量數據確定的；

將所述樣本輸入數據輸入請求量預測模型中的基于極限學習機的降噪收縮自編碼器，所述基于極限學習機的降噪收縮自編碼器輸出樣本預測時刻的初始樣本預測請求量數據至所述請求量預測模型中的加權極限學習機，基于所述加權極限學習機，輸出所述初始樣本預測請求量數據對應的樣本權重矩陣；

根據所述初始樣本預測請求量數據及對應的樣本權重矩陣，確定所述樣本預測時刻的訓練預測請求量數據；

根據所述訓練預測請求量數據和所述樣本預測時刻的真實請求量數據，對所述請求量預測模型中的基于極限學習機的降噪收縮自編碼器和加權極限學習機進行訓練。

5.如權利要求4所述的方法，其特征在于，所述將所述樣本輸入數據輸入請求量預測模型中的基于極限學習機的降噪收縮自編碼器之前，所述方法還包括：

隨機生成M組隱藏層初始參數，共生成2G個M組遺傳粒子群算法的初始種群；

將所述初始參數賦值給基于極限學習機的降噪收縮自編碼器，將樣本輸入數據輸入所述基于極限學習機的降噪收縮自編碼器，確定所述樣本輸入數據和所述基于極限學習機的降噪收縮自編碼器輸出的初始樣本預測請求量數據的適應度；

將適應度較強的前G個M組個體組成一個種群，根據迭代次數不同，將奇數代種群通過遺傳算子來更新粒子群的速度和位置，偶數代利用粒子群算子更新粒子群的速度和位置，形成一個新的混合種群；

進行循環迭代，直到達到最大迭代次數后，得到一組各隱藏層的最優參數。

6.如權利要求4所述的方法，其特征在于，所述將所述樣本輸入數據輸入請求量預測模型中的基于極限學習機的降噪收縮自編碼器包括：

將所述樣本輸入數據利用高斯噪聲進行干擾得到加噪后的樣本輸入數據；

將所述加噪后的樣本輸入數據輸入請求量預測模型中的基于極限學習機的降噪收縮自編碼器。

7.如權利要求4所述的方法，其特征在于，所述基于極限學習機的降噪收縮自編碼器輸出樣本預測時刻的初始樣本預測請求量數據包括：

根據所述樣本輸入數據計算所述基于極限學習機的降噪收縮自編碼器中每個自編碼器的第一權重矩陣；

根據所述樣本輸入數據和所述每個自編碼器的第一權重矩陣確定樣本預測時刻的初始樣本預測請求量數據并輸出。