[发明专利]一种基于多维信息时间序列的有线网络流量预测方法

说明书

本发明公开了一种基于多维信息时间序列的有线网络流量预测方法，本发明利用网络流量监测数据通过多维信息时间序列的归一化处理和全连接神经网络进行网络流量预测的方法，具体指通过网管系统高频次采集网络设备端口流量数据、根据时/周/假日/网络指标等构建多维信息时间特征序列，通过基于多维时间特征数据归一化处理，经过全连接神经网络进行端口流量预测计算，获取的计算结果用于评估端口利用率和扩容决策，本发明加入了网络指标包括时、周、节假日、开机率、合格率等，增加了维度，将传统机器学习的单边趋势和周期趋势提取转化为NetCell模块计算，在满足需求的前提下简化了模型训练和部署。

技术领域

本发明属于网络流量预测技术领域，具体涉及一种基于多维信息时间序列的有线网络流量预测方法。

背景技术

网络端口流量拥堵直接影响用户使用体验，因此端口流量监测一直是运营商监测重点。当前网络应用呈现多样化、碎片化特征，流量形态呈现波动幅度大、波动频率高的特点，单纯依靠历史流量数据分析无法跟上流量快速变化的趋势，往往造成过度投资或者扩容对象偏差等问题。

现有流量预测系统主要以流量作为唯一输入数据，缺乏用户、指标、重要节假日等其他相关数据的综合分析，预测维度过于单一。而基于深度学习的流量预测模型一般以LSTM预测波动基线，再结合传统的机器学习方法如Prophet、ARIMA等提取周期性趋势，这使得模型的训练和部署复杂化，对复杂周期的流量和突发流量预测效果不佳。深度学习中的Transformer模型也可处理动态变长序列，但该模型缺乏针对时间序列问题的优化，模型规模大，在序列较长时递归预测性能较低。

发明内容

为达到上述目的，本发明的技术方案如下：一种基于多维信息时间序列的有线网络流量预测方法，所述方法包括以下步骤：

步骤一：通过网管系统对网络设备各端口进行密集不间断流量数据采集，采集周期不超过15分钟，并建立如下流量时间序列如下表：

步骤二：通过GIS拓扑关系和BOSS系统终端缴费情况构建端口覆盖有效终端集合，每天变更一次，建立如下覆盖终端时间序列如下表：

注：覆盖有效终端每天更新数据，即有连续96个时间序列数据相同。

通过探针系统密集不间断采集终端指标，结合步骤二中端口覆盖有效终端集合，计算端口覆盖开机终端比例，采集周期不超过半小时，建立如下开机终端时间序列如下表：

其中，S_1i＝(端口覆盖开机终端数)/(M_1i)，开机终端每半小时更新数据，即有连续2个时间序列数据相同。

按步骤二采集的终端指标实时判断是否合格，并结合步骤二中端口覆盖有效终端集合，计算端口覆盖指标合格终端数，建立如下合格终端时间序列如下表。

其中S_2i＝(端口覆盖合格终端数)/(M_1i)，合格终端每半小时更新数据，即有连续2个时间序列数据相同。

步骤三：基于时、周、节假日、开机率、合格率等构建时间序列特征数据模型，根据小时、周及时间特征编制时间向量序列，编制重要节假日时间向量序列；

步骤四：通过基于多维信息时间特征数据归一化处理，经过全连接神经网络进行端口流量利用率预测计算，输出计算结果作为端口利用评估和扩容决策。

作为本发明的一种改进，所述步骤二中，通过GIS拓扑关系和BOSS系统终端缴费情况构建端口覆盖有效终端集合，建立覆盖终端时间序列，通过探针系统密集不间断采集终端指标，结合端口覆盖有效终端集合，计算端口覆盖开机终端比例，建立如下开机终端时间序列。