[发明专利]基于历史流量数据时间序列的流量预测方法

权利要求书

1.基于历史流量数据时间序列的流量预测方法，其特征在于，包括以下步骤：

历史流量数据采集与处理步骤，将需要预测流量的待预测时间长度分成若干连续的预测时段作为指定时间尺度；获取网络历史流量数据，将网络历史流量数据所对应的时间长度按照指定时间尺度分成若干连续的历史时段，并将网络历史流量数据按照各自时间进行整理对应归集至对应的历史时段中，计算获得网络历史流量数据在指定时间尺度下的网络历史流量时间序列；

实时流量数据采集与处理步骤，通过SNMP技术获取实时网络流量数据，对实时网络流量数据进行预处理，并根据所获取的实时网络流量数据时间进行归集，形成如历史流量数据采集与处理步骤中所述的指定时间尺度下的实时网络流量数据时间序列；

分析与建模步骤，采用深度学习的方法对历史流量数据采集与处理步骤中的网络历史流量时间序列进行特征分析建立包含时段流量数据的模型库、通过ARIMA模型建模得到时间序列预测模型，通过所述实时流量数据采集与处理步骤中的实时网络流量数据时间序列数据的特征对应预测得到预测流量结果；所述深度学习的方法，包括对网络历史流量时间序列进行绘图以判断时间序列是否稳态、是否具有上升或下降的趋势以及其周期性。

2.如权利要求1所述的基于历史流量数据时间序列的流量预测方法，其特征在于：所述历史流量数据采集与处理步骤中，所述网络历史流量数据是由商业和/或开源网络管理软件的流量监控功能模块通过SNMP技术获得的。

3.如权利要求1或2所述的基于历史流量数据时间序列的流量预测方法，其特征在于：对网络历史流量数据进行整理包括观察网络历史流量数据的流量相似性、周期性、流量趋势和稳态性。

4.如权利要求1所述的基于历史流量数据时间序列的流量预测方法，其特征在于：所述通过SNMP技术获取实时网络流量数据，是在网络设备和/或网管服务器上配置SNMP收集指定接口的流量数据，并定时发送到网络管理服务器上。

5.如权利要求1所述的基于历史流量数据时间序列的流量预测方法，其特征在于：所述实时流量数据采集与处理步骤中，形成实时网络流量数据时间序列保存为csv格式文件进行保存。

6.如权利要求1所述的基于历史流量数据时间序列的流量预测方法，其特征在于：所述分析与建模步骤中的深度学习的方法，包括

步骤1，网络流量数据特征分析，找到流量高峰和周期性，分析前后连续的两个周期数据的相似性和趋势，以及对前后连续的两个周期数据进行d阶差分运算，化为平稳时间序列；

步骤2，对平稳时间序列求其自相关系数ACF和偏自相关系数PACF，画出d阶差分的ACF和PACF图。

7.如权利要求6所述的基于历史流量数据时间序列的流量预测方法，其特征在于：所述趋势包括非零均值、斜率，还包括确定性趋势、随机趋势以及其组合。