[发明专利]基于神经网络模型的网络流量预测方法、装置及设备

说明书

本申请涉及一种基于神经网络模型的网络流量预测方法、装置及设备，涉及流量预测技术领域，由于注意力机制可从与句子内容相关的标记序列中捕获信息，因此将注意力机制引入Seq2Seq神经网络模型中，可挖掘出网络流量序列数据之间的潜在关系，从而能够提升Seq2Seq神经网络模型的预测性能，且通过Seq2Seq神经网络模型可解决网络流量预测过程中输入的序列长度和模型输出的序列长度为不等长的问题，因此，直接将网络流量数据作为Seq2Seq神经网络模型的输入数据并经过Seq2Seq神经网络模型的处理后，即可得到准确的网络流量预测值，有效提高了网络流量值预测的效率，并降低了网络数据分析的成本。

技术领域

本申请涉及流量预测技术领域，特别涉及基于神经网络模型的网络流量预测方法、装置及设备。

背景技术

伴随经济的飞速发展和通信技术的日益更新，我国的通信网络规模不断扩张。大量先进技术的采用，带来了网络规模庞大、通信业务种类复杂多样、通信质量需求逐步提高等等一系列发展问题。面对这些复杂的问题，面对日益加剧的竞争，为了更加高效地利用目前的通信网络资源，降低当前运行成本，增加后续运营收入，就必须加强网络设备的分析力度和日常维护，不断调整和优化网络相关参数，以满足用户日益增加的需求。

通信网络优化是通过对现有网络资源产生的数据进行采集和分析，通过分析结果来指导网络资源的调整，使网络的质量不断提高最终达到规划的最优要求。网络优化包括对网络的分析和对网络配置与性能的改善，即分析网络中的资源变化趋势，以便通过参数调整和采取某些技术手段，使网络达到最佳运行状态，使现有网络资源获得最佳利用，同时也对网络今后的维护及规划建设提出合理建议。

通信网络优化的首要工作是数据采集，需要消耗大量的人力和物力来对数据进行收集和整理，有时还会获得一些非正常的数据；其次是数据分析，由分析人员对前期收集整理的数据进行细致的分析，综合判断；接着是优化方案的提出，网络分析人员通过对网络数据的分析给出一套合理的优化方案；最后是评估，对优化后的网络再分析，看是否达到预期目的，若未达目的，则再进行网络优化，直到达到要求。这是一个不断重复的过程，其最大的工作量在数据采集阶段，而最大的难度是数据分析阶段。

目前，网络的优化主要依赖于有经验的网络技术人员，但是在我国拥有网优经验的专家是稀缺资源，且通信网络覆盖范围十分广阔，单纯的靠人力对这些复杂的网络数据进行收集整理并分析作出合理的优化方案，或者是将经验复制到所有区域是不现实的，其具有效率低、成本高的缺陷。此外，一些技术人员通常依据单一的网络数据属性或者他们从业多年保留的经验作出判断，而实际上网络数据的属性(数据维度)可能是数十维甚至上百维，即使是经验十分丰富的工作人员，在面对十到百甚至上千维度的网络数据时很难做出准确的判断，经常会产生非正常的数据，因此使用人工收集分析网络数据这一方法显然具有局限性和缺陷性。

发明内容

本申请实施例提供一种基于神经网络模型的网络流量预测方法、装置及设备，以解决相关技术中通过人工进行网络数据分析而存在的准确性差、效率低以及成本高的问题。

第一方面，提供了一种基于神经网络模型的网络流量预测方法，包括以下步骤：

采集历史网络流量数据；

将所述网络流量数据输入基于注意力机制的Seq2Seq神经网络模型，所述网络流量数据分别经过所述基于注意力机制的Seq2Seq神经网络模型的编码层、注意力机制层、解码层处理后得到输出结果，所述输出结果为网络流量的预测值。

一些实施例中，所述基于注意力机制的Seq2Seq神经网络模型包括：编码层、注意力机制层和解码层，所述编码层和所述解码层均为双向长短期记忆网络模型。

在所述采集历史网络流量数据之前，创建基于注意力机制的Seq2Seq神经网络模型，包括：

采集建模用网络流量数据，将所述建模用网络流量数据按照预设比例划分为训练集数据、验证集数据和测试集数据；