[发明专利]基于推理模型的流量预测方法及装置

说明书

本发明实施例提供了一种基于推理模型的流量预测方法及装置，该方法中对于网络节点数据中的不同数据源采用不同的推理模型进行目标特征提取，接着将提取之后的目标特征组合成一个个关系对，接着将所有关系对进行加权计算，再进行训练分类得到对网络流量的推理预测结果。本发明实施例提供的方法能够从网络生成的海量的异构数据中学习不同数据之间的内在逻辑性，相比于现有的预测方法，采用推理模型进行目标特征提取能够有效提高待训练数据的精度。且训练时由于基于推理模型考虑到了数据之间的推理关系，因此能够有效提高预测结果的准确性。同时，这种方法训练深度神经网络学习数据项间的逻辑推理关系，输出的推理模型可用于同时训练多个任务目标。

技术领域

本发明实施例涉及计算机技术领域，具体涉及一种基于推理模型的流量预测方法及装置。

背景技术

在各类网络系统中，网络的流量的评估或是预测是保障网络系统正常运转提高系统安全的重要手段。如在交通网络中，对车、人流量的预测，在现代电动车充电网络中对于电动汽车到达、离开充电桩预测等等。

在一般情况下，网络中的节点会产生状态信息，并以主动或被动的方式汇聚到一个中心存储单元。节点状态信息往往是以时间序列的形式表示的，同时节点本身通常还含有空间位置的概念，因此节点的数据具有多个维度且相互之间有关联的特征。例如物联网中传感器网络节点产生的数据，再例如温度传感器测得的信息一般是某一位置随时间流逝的温度变化、气压传感器测得的会是气压的变化。

同一个网络内部的节点产生的信息一般遵循一套标准的表征规则，但这种情况并不绝对，尤其在第三方数据接入的情况下。一个网络的状态往往与所有与之相关的数据都有关系，这种相关性一直是人们研究的重点，相关的研究方法层出不穷，但是研究的内容通常是围绕数据之间的相关性进行。

数据相关性研究的应用方面，以预测应用为例，其主要的预测思路是利用数据的时间周期性或空间邻近性等特点。现有的预测方法主要是分析相关性。在一般的意义上，可以被称之为一种概率归纳法，即研究现象之间是否存在某种依存关系，若存在则研究其依存的程度，表现为研究现象的概率分布。

在对网络流量信息预测时，基于相关性的方法需要对输入的数据的分布进行学习，并学习出一个模拟的概率分布，对于给定的输入，模拟的概率分布可以给出一个数值近似等于输入的概率分布。然而，在实现发明创造的过程中，发明人发现，这种方法在拟合模拟分布时对训练数据的精度都有较高的要求，且在训练时一般会忽略数据之间的内在推理关系，影响最后预测结果的准确性。

发明内容

本发明实施例提供一种用于基于推理模型的流量预测方法及装置。

第一方面，本发明实施例提供一种基于推理模型的流量预测方法，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。

在一些实施方式中，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；

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图像数据进行目标特征提取；利用长短期记忆模型对自然语言数据进行目标特征提取。

在一些实施方式中，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：