[发明专利]网络流量预测方法、装置和计算机可读存储介质

说明书

本发明公开了一种网络流量预测方法、装置和计算机可读存储介质，涉及数据通信领域。网络流量预测方法包括：获取待测链路的相关链路，相关链路为网络中与待测链路的流量相关性大于预设程度的链路；根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；将历史流量序列输入到预先训练的预测模型中，获得预测模型输出的、待测链路在未来时刻的流量。本发明的实施例可以根据关联的链路的历史流量数据来进行流量预测，使得预测的网络流量更准确。从而，可以为网络规划、网络优化和网络配置提供更准确的参考依据。

技术领域

本发明涉及数据通信领域，特别涉及一种网络流量预测方法、装置和计算机可读存储介质。

背景技术

深度学习是一种性能强大的人工智能技术，在具备足够多的样本进行训练的情况下，训练得到的模型能用于对未知样本的预测。数据通信领域也可以结合深度学习技术来进行相关的数据建模，有望使得数据通信更加智能化。

在通信网络中，流量数据一般呈现出为非稳态和非线性的特性。对于流量数据这种时间序列数据，采用ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)等传统的时间序列处理方法难以捕捉到其复杂的规律，从而预测效果较差。而流量预测作为一个典型的时间序列问题，可以应用深度学习中的LSTM(LongShort-Term Memory，长短期记忆)神经网络来进行建模。

LSTM网络是一种特殊的循环神经网络(RNN)，其避免了标准RNN中梯度爆炸和梯度消失的问题，能够捕捉到时序数据之间的关联，可以学习到比较复杂的规律。相关技术采用流量矩阵描述所有节点之间的流量数据，然后将流量矩阵展开成向量，应用LSTM进行建模。或者，对单独某一链路的流量作为一个时间序列，使用LSTM网络进行处理。从而能够对时序数据进行拟合和预测。

发明内容

发明人经过分析后发现，相关技术将所有节点之间的链路的流量数据都进行了考虑、或者对某一链路单独考虑。然而，并不是所有的节点之间链路流量都存在相关性，有些节点之间的流量是没有任何关联的，这样考虑无关的数据其实带来了更多的误差；如果完全不考虑链路之间的相关性，也会影响预测的准确度。

本发明实施例所要解决的一个技术问题是：如何提高流量预测的准确性。

根据本发明一些实施例的第一个方面，提供一种网络流量预测方法，包括：获取待测链路的相关链路，相关链路为网络中与待测链路的流量相关性大于预设程度的链路；根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；将历史流量序列输入到预先训练的预测模型中，获得预测模型输出的、待测链路在未来时刻的流量。

在一些实施例中，预测模型为长短记忆网络模型。

在一些实施例中，网络流量预测方法还包括：根据网络中两个链路在多个历史时刻中的流量，计算两个链路的流量的相关系数；在两个链路的相关系数大于预设值的情况下，确定两个链路互为相关链路。

在一些实施例中，根据网络中两个链路在多个历史时刻中的流量，计算两个链路的流量的相关系数包括：计算网络中两个链路在多个历史时刻中的流量的协方差；分别计算两个链路中的每一个在多个历史时刻中的流量的标准差，以获得两个链路对应的标准差的乘积；将协方差除以标准差的乘积获得的结果确定为两个链路的流量的相关系数。

在一些实施例中，网络流量预测方法还包括：获得待测链路的相关链路在未来时刻的流量；确定待测链路及其相关链路在未来时刻的流量中的异常值；将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积；其中，趋势系数根据异常值发生时刻，异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，趋势系数根据异常值发生时刻的前两个时刻中，异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。