[发明专利]基于推理模型的流量预测方法及装置

权利要求书

1.一种基于推理模型的流量预测方法，其特征在于，包括：

对于输入的网络节点数据中的每一种数据源，基于对应的推理模型分别进行目标特征提取，得到各种数据源对应的目标特征；

将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合，所述关系对集合中包含各个数据源的目标特征的所有组合；

将所述关系对集合中的所有关系对按预设的权重进行加权计算；将加权计算后的结果输入到深度神经网络中进行训练，再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。

2.根据权利要求1所述的方法，其特征在于，所述输入的网络节点数据中包括图像数据以及自然语言数据；

相应地，所述对于输入的网络节点数据中的每一种数据源，基于对应的推理模型分别进行目标特征提取包括：

利用基于深度学习的卷积神经网络处理模型对所述图像数据进行目标特征提取；利用长短期记忆模型对所述自然语言数据进行目标特征提取。

3.根据权利要求1或2所述的方法，其特征在于，所述输入的网络节点数据中包括图像数据，在所述基于对应的推理模型分别进行目标特征提取之前，所述方法还包括：

对输入的第一图像数据进行分辨率转换处理得到第二图像数据，其中，所述第二图像数据的分辨率低于所述第一图像数据。

4.根据权利要求1所述的方法，其特征在于，所述预设的权重是根据各个关系对中目标特征的来源事件的重要性设置的。

5.一种基于推理模型的流量预测装置，其特征在于，包括：

异构数据源处理模块，用于对于输入的网络节点数据中的每一种数据源，基于对应的推理模型分别进行目标特征提取，得到各种数据源对应的目标特征；

组合训练模块，用于将不同种类数据源对应的目标特征进行组合得到包含若干个关系对的关系对集合，所述关系对集合中包含各个数据源的目标特征的所有组合；

推理训练模块，用于将所述关系对集合中的所有关系对按预设的权重进行加权计算；将加权计算后的结果输入到深度神经网络中进行训练，再输入到预设的分类器中进行分类得到对网络流量的推理预测结果。

6.根据权利要求5所述的装置，其特征在于，所述输入的网络节点数据中包括图像数据以及自然语言数据；

相应的，所述异构数据源处理模块对于输入的网络节点数据中的每一种数据源，基于对应的推理模型分别进行目标特征提取包括：

利用基于深度学习的卷积神经网络处理模型对所述图像数据进行目标特征提取；利用长短期记忆模型对所述自然语言数据进行目标特征提取。

7.根据权利要求5或6所述的装置，其特征在于，所述输入的网络节点数据中包括图像数据，相应的，异构数据源处理模块在所述基于对应的推理模型分别进行目标特征提取之前，还用于：

对输入的第一图像数据进行分辨率转换处理得到第二图像数据，其中，所述第二图像数据的分辨率低于所述第一图像数据。

8.根据权利要求5所述的装置，其特征在于，所述预设的权重是根据各个关系对中目标特征的来源事件的重要性设置的。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一所述方法的步骤。