[发明专利]一种基于时序表征学习的视频会议流量预测方法及系统

说明书

本发明涉及一种基于时序表征学习的视频会议流量预测方法和系统。该方法将历史数据划分等长历史时间片后统计每个历史时间片上的特征信息和流量信息，将每个历史时间片看作一个图顶点构建流量姻亲图，采用归纳式深度表征学习方法学习每个历史时间片的表征向量和表征向量映射函数；引入长短期记忆网络模型训练得到时序流量预测模型；根据当前时间片的特征信息，利用特征相似性融入流量姻亲图，结合表征向量映射函数，获得当前时间片的表征向量后，将当前时间片的表征向量输入时序流量预测模型，预测出实时流量，以能够有效解决视频会议网络的流量预测精确性差的问题，进而实现更准确的实时流量预测，极大地提升网络通信资源的使用效能。

技术领域

本发明涉及流量预测技术领域，特别是涉及一种基于时序表征学习的视频会议流量预测方法及系统。

背景技术

随着5G等移动通信技术、深度学习等人工智能技术的发展，对网络进行精细化、自动化、智能化运维及管理将成为新的挑战。为了应对这一挑战，网络流量实时预测能力则是核心技术之一。精准的网络流量预测技术能够帮助改善通信网络管理。在分配网络资源的过程中，传统方法仅仅依靠网络当前流量使用状态进行资源分配，缺乏对未来状态的预判，很容易导致网络不断拥堵或资源浪费。网络流量的准确预测可以帮助运营商及早应对即将出现的拥堵，提前进行网络扩容、调整和优化。网络流量预测技术还可以提升通信网络效能。伴随着5G基站的大规模部署，未来将建设更多的微基站，需要更多的电力和回程光纤。流量的准确预测，使得根据实际业务需求弹性分配资源成为可能。除此之外，网络流量预测技术还可用于定制扩展网络增值服务。

为提高数字媒体网络视频传输的可靠性和稳定性，需要构建数字媒体网络视频通信流量预测系统，在流媒体管理设备中，实现对数字媒体网络视频通信流量的准确预测，相关的数字媒体网络视频通信流量预测系统设计方法研究在流量管理和多媒体信息传输等方面具有重要意义。近几年，伴随着中国不断地完善网络基础设施以及持续的社会数字化发展。视频网络流量数据呈现非结构化、非线性化、实时性、突发性和时空性等特点，传统模型难以满足实际网络流量预测需求。

为了使得视频会议网络流量能够被精准预测，模型的选择和设计至关重要。目前预测模型主要分为线性模型和非线性模型两类。线性模型主要包括自回归模型（Autoregressive Model，AR）、移动平均模型（Moving Average，MA）、结合自回归和移动平均特点的自回归移动平均模型（Autoregressive Moving Average Model，ARMA）和自回归合成移动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）。上述模型的特点是需要人工凭借经验设置多种参数来拟合数据，仅适用于短期流量预测。而实际网络流量具有非常多的特性，如非线性、周期性、自相似性、突发性等，仅用线性模型很难对其进行准确拟合预测。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种基于时序表征学习的视频会议流量预测方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于时序表征学习的视频会议流量预测方法，包括：

获取视频会议的历史数据；

将所述视频会议的历史数据划分为等长的历史时间片，并统计每一所述历史时间片上的特征信息和每一所述历史时间片上的流量信息；

将每个所述历史时间片作为一个图节点构建流量姻亲图；

利用归纳式深度表征学习方法将所述流量姻亲图为输入，训练表征学习模型得到表征向量映射函数和每一所述历史时间片的表征向量；

以所述表征向量为输入，以每一所述历史时间片上的所述流量信息为输出，对长短期记忆网络模型进行训练得到时序流量预测模型；

获取视频会议的当前数据，并将所述视频会议的当前数据划分为等长的时间片；