[发明专利]流量预测方法、装置以及存储介质

说明书

本公开提供了一种流量预测方法、装置以及存储介质，其中的方法包括：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，使用流量训练数据对叠加神经网络模型进行训练，获得训练好的叠加神经网络模型；构建流量预测输入数据，将流量预测输入数据输入训练好的叠加神经网络模型，获得流量预测信息。本公开的方法、装置以及存储介质，使用LSTM叠加CNN的叠加神经网络模型进行流量预测，缩短了训练数据的跨度，缩短了训练时间，提高了训练效率，并能够解决突发平滑问题，提高了预测的速度和准确度。

技术领域

本发明涉及通信技术领域，尤其涉及一种流量预测方法、装置以及存储介质。

背景技术

在网络的运维中需要对流量进行分析，获得网络流量预测值，满足带宽精准运维需求，流量可以有多种，例如为PON(无源光网络)端口的流量等。现有的网络流量预测方法，通常使用基于线性理论的网络预测模型，如线性回归模型等，方案简单、易实现，但是实际网络流量变化具有随机性、时变性等，导致该类模型的网络流量预测误差大。因此，需要一种新型的对网络流量进行预测的技术方案。

发明内容

有鉴于此，本发明要解决的一个技术问题是提供一种流量预测方法、装置以及存储介质。

根据本公开的一个方面，提供一种流量预测方法，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。

可选地，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。

可选地，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融合神经网络进行训练包括：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。

可选地，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。

可选地，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。

可选地，所述CNN特征处理模型包括：卷积层、池化层；所述流量包括：PON端口流量。