[發(fā)明專(zhuān)利]基于用戶(hù)行為和企業(yè)業(yè)務(wù)特征的業(yè)務(wù)流量預(yù)測(cè)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202210938425.1
• 申請(qǐng)日: 2022-08-05
• 公開(kāi)（公告）號(hào): CN115333957B
• 公開(kāi)（公告）日: 2023-09-05
• 發(fā)明（設(shè)計(jì)）人: 趙子巖;高德荃;王洋;馮寶;李雨泰;羅旺;卞宇翔;陳紫兒;柳瑞春;李妍;曹津平;張林鋒;張?zhí)毂?/a>;賈瑋;巨克真
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)家電網(wǎng)有限公司信息通信分公司;南瑞集團(tuán)有限公司
• 主分類(lèi)號(hào): H04L41/147
• 分類(lèi)號(hào): H04L41/147;H04L41/14;G06F18/23213;G06F18/24;G06N3/084;G06N3/0464;G06N3/045;G06N3/0442
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 王麗霞

1.一種基于用戶(hù)行為和企業(yè)業(yè)務(wù)特征的業(yè)務(wù)流量預(yù)測(cè)方法，其特征在于，包括：

將總用戶(hù)群按區(qū)域劃分為若干子用戶(hù)群，獲取待預(yù)測(cè)時(shí)段之前連續(xù)多個(gè)時(shí)段的每個(gè)子用戶(hù)群在每個(gè)時(shí)段的不同分類(lèi)用戶(hù)數(shù)量、不同用戶(hù)類(lèi)型行為的數(shù)量以及用戶(hù)進(jìn)行的不同業(yè)務(wù)所屬業(yè)務(wù)類(lèi)型的數(shù)量，每個(gè)時(shí)段內(nèi)各子用戶(hù)群的不同分類(lèi)用戶(hù)數(shù)量構(gòu)建為時(shí)空矩陣A_t、不同用戶(hù)類(lèi)型行為的數(shù)量構(gòu)建為時(shí)空矩陣B_t、用戶(hù)進(jìn)行的不同業(yè)務(wù)所屬業(yè)務(wù)類(lèi)型的數(shù)量構(gòu)建為時(shí)空矩陣C_t，每個(gè)時(shí)段的A_t，B_t，C_t構(gòu)成一個(gè)時(shí)空特征矩陣，多個(gè)時(shí)段的時(shí)空特征矩陣構(gòu)成時(shí)空特征矩陣序列；

將所述時(shí)空特征矩陣序列按時(shí)間順序輸入預(yù)先訓(xùn)練好的網(wǎng)絡(luò)流量預(yù)測(cè)模型，輸出待預(yù)測(cè)時(shí)段內(nèi)所有用戶(hù)產(chǎn)生的網(wǎng)絡(luò)總流量大小；其中，所述網(wǎng)絡(luò)流量預(yù)測(cè)模型由CNN模塊和LSTM模塊融合而成。

2.根據(jù)權(quán)利要求1所述的一種基于用戶(hù)行為和企業(yè)業(yè)務(wù)特征的業(yè)務(wù)流量預(yù)測(cè)方法，其特征在于，根據(jù)以下方法獲取每個(gè)子用戶(hù)群在每個(gè)時(shí)段的不同分類(lèi)用戶(hù)數(shù)量：

獲取每個(gè)子用戶(hù)群的用戶(hù)特征樣本數(shù)據(jù)；

分別對(duì)每個(gè)子用戶(hù)群的用戶(hù)特征樣本數(shù)據(jù)進(jìn)行聚類(lèi)，每個(gè)子用戶(hù)群獲得多個(gè)不同的用戶(hù)分類(lèi)；

根據(jù)每個(gè)子用戶(hù)群的用戶(hù)分類(lèi)，獲取每個(gè)子用戶(hù)群在每個(gè)時(shí)段內(nèi)的不同分類(lèi)用戶(hù)數(shù)量。

3.根據(jù)權(quán)利要求2所述的一種基于用戶(hù)行為和企業(yè)業(yè)務(wù)特征的業(yè)務(wù)流量預(yù)測(cè)方法，其特征在于，所述用戶(hù)特征樣本數(shù)據(jù)，包括：用戶(hù)在固定周期內(nèi)產(chǎn)生的網(wǎng)絡(luò)流量大小；用戶(hù)在固定周期內(nèi)進(jìn)行業(yè)務(wù)事件的次數(shù)；用戶(hù)每次業(yè)務(wù)事件持續(xù)的平均時(shí)長(zhǎng)；以1小時(shí)為一個(gè)時(shí)間段，每日24個(gè)小時(shí)中用戶(hù)產(chǎn)生過(guò)流量的時(shí)間段的個(gè)數(shù)；用戶(hù)產(chǎn)生較多流量的時(shí)段；用戶(hù)的產(chǎn)生流量時(shí)段信息熵。

4.根據(jù)權(quán)利要求3所述的一種基于用戶(hù)行為和企業(yè)業(yè)務(wù)特征的業(yè)務(wù)流量預(yù)測(cè)方法，其特征在于，所述用戶(hù)的產(chǎn)生流量時(shí)段信息熵根據(jù)以下公式計(jì)算得到：

式中，TrafficEntropy(x)為用戶(hù)的產(chǎn)生流量時(shí)段信息熵，n為每日24個(gè)小時(shí)中用戶(hù)產(chǎn)生過(guò)流量的時(shí)間段的個(gè)數(shù)，g₁,g₂…g_n分別為第1,2…n個(gè)產(chǎn)生過(guò)流量時(shí)段用戶(hù)產(chǎn)生的流量大小，g為第1,2…n個(gè)產(chǎn)生過(guò)流量時(shí)段用戶(hù)產(chǎn)生的流量大小總和。

5.根據(jù)權(quán)利要求1所述的一種基于用戶(hù)行為和企業(yè)業(yè)務(wù)特征的業(yè)務(wù)流量預(yù)測(cè)方法，其特征在于，所述CNN模塊包括若干卷積層、展平層和全連接層；

通過(guò)卷積層捕獲每個(gè)時(shí)間段下時(shí)空特征矩陣的局部空間特征；

通過(guò)展平層將每個(gè)時(shí)間段下時(shí)空特征矩陣的局部空間特征展平為一維向量；

通過(guò)全連接層將每個(gè)時(shí)間段下的各局部空間特征一維向量整合壓縮到一起，得到每個(gè)時(shí)間段下時(shí)空特征矩陣的全局空間特征向量；

將經(jīng)過(guò)全連接層得到的全局空間特征向量按時(shí)間順序拼接到一起，作為L(zhǎng)STM模塊的輸入。

6.根據(jù)權(quán)利要求5所述的一種基于用戶(hù)行為和企業(yè)業(yè)務(wù)特征的業(yè)務(wù)流量預(yù)測(cè)方法，其特征在于，所述CNN模塊包括2個(gè)卷積層，卷積層的卷積核大小均為3×3，第一卷積層和第二卷積層的卷積核數(shù)目分別為16和1，全連接層中激活函數(shù)為tanh，全連接層神經(jīng)元數(shù)目為1000。