[发明专利]流量预测方法、装置以及存储介质

权利要求书

1.一种流量预测方法，包括：

基于卷积神经网络CCN网络和长短期记忆LSTM网络构建用于对网络流量进行预测的叠加神经网络模型；

基于流量历史数据构建流量训练数据，使用所述流量训练数据对所述叠加神经网络模型进行训练，获得训练好的所述叠加神经网络模型；

构建流量预测输入数据，将所述流量预测输入数据输入训练好的所述叠加神经网络模型，获得流量预测信息。

2.如权利要求1所述的方法，所述基于卷积神经网络CCN网络和长短期记忆LSTM网络构建用于对网络流量进行预测的叠加神经网络模型包括：

基于所述CCN网络构建CNN特征处理模型；

基于所述LSTM网络构建LSTM流量预测模型；

将所述CNN特征处理模型作为所述叠加神经网络模型的输入模块，将所述LSTM流量预测模型作为所述叠加神经网络模型的输出模块，构建所述叠加神经网络模型；

其中，所述LSTM流量预测模型的输入数据包括：所述CNN特征处理模型的输出数据。

3.如权利要求2所述的方法，所述基于流量历史数据构建流量训练数据，使用所述流量训练数据对所述叠加神经网络模型进行训练包括：

获取与所述流量历史数据相对应的流量周期性特征信息；

基于所述流量周期性特征信息从所述流量历史数据中获取第一流量数据，以及与所述第一流量数据对应的第一流量标注信息；

将所述第一流量数据和所述第一流量标注信息作为第一流量训练数据对所述CNN特征处理模型进行训练，获得训练好的CNN特征处理模型；

对训练好的CNN特征处理模型和未训练的LSTM流量预测模型进行融合训练，获得训练好的所述叠加神经网络模型。

4.如权利要求3所述的方法，所述对训练好的CNN特征处理模型和未训练的LSTM流量预测模型进行融合训练包括：

基于所述流量周期性特征信息从所述流量历史数据中获取第二流量数据，以及与所述第二流量数据对应的第二流量标注信息；

将所述第二流量数据输入训练好的所述CNN特征处理模型，输出具有时序性的流量特征；

基于所述流量特征和所述第二流量标注信息生成第二流量训练数据，使用所述第二流量训练数据对所述LSTM流量预测模型进行训练，获得训练好的LSTM流量预测模型。

5.如权利要求4所述的方法，所述构建流量预测输入数据，将所述流量预测输入数据输入训练好的所述叠加神经网络模型，获得流量预测信息包括：

基于所述流量周期性特征信息构建所述流量预测输入数据，将流量预测输入数据输入训练好的所述CNN特征处理模型；

获得训练好的所述LSTM流量预测模型输出的所述流量预测信息。

6.如权利要求2所述的方法，其中，

所述CNN特征处理模型包括：卷积层、池化层、全连接层；

所述流量包括：PON端口流量。

7.一种流量预测装置，包括：

模型建立模块，用于基于卷积神经网络CCN网络和长短期记忆LSTM网络构建用于对网络流量进行预测的叠加神经网络模型；

模型训练模块，用于基于流量历史数据构建流量训练数据，使用所述流量训练数据对所述叠加神经网络模型进行训练，获得训练好的所述叠加神经网络模型；

模型使用模块，用于构建流量预测输入数据，将所述流量预测输入数据输入训练好的所述叠加神经网络模型，获得流量预测信息。

8.如权利要求7所述的装置，其中，

所述模型建立模块，还用于基于所述CCN网络构建CNN特征处理模型；基于所述LSTM网络构建LSTM流量预测模型；将所述CNN特征处理模型作为所述叠加神经网络模型的输入模块，将所述LSTM流量预测模型作为所述叠加神经网络模型的输出模块，构建所述叠加神经网络模型；其中，所述LSTM流量预测模型的输入数据包括：所述CNN特征处理模型的输出数据。