网络流量预测模型的样本生成方法及网络流量预测方法与流程

本发明实施例涉及人工智能，具体涉及一种网络流量预测模型的样本生成方法、网络流量预测模型的训练方法、网络流量预测方法、计算机设备及计算机可读存储介质。

背景技术：

1、目前移动通信技术，从第一代模拟、仅语音通信的蜂窝通信技术，经过第二、第三代以语音和流量并重，到第四、第五代以流量为核心。流量预测技术也替代话务量预测成为移动通信网络规划的关键。

2、在移动通信网络规划中，通信运营商会依据流量的预测结果进行网络部署与调整，反之，移动通信网络的建设节奏也反过来影响流量的预测。

3、然而在实施本发明实施例的过程中，本技术的发明人发现：现有的技术中，对网络流量的预测处理方式，多以历史数据的趋势预测方法为主；也有考虑市场发展的用户月均消费模型流量预测方法，但没有将网络流量与网络建设节奏因素相关联的流量预测方法。现有的趋势预测，重点考虑历史数据，对中长期预测准确度较低，现有的对流量预测的优化，旨在解决周期、季节性对的影响，对移动通信网络规划这类3-5年周期的适用性不高。现有技术，也有添加外部因素，通过机器学习技术来提升预测准确性，比如天数周期、天气等因素，但对于移动通信网络规划而言，影响与调整的两大类的关键影响因素，即市场策略与网络建设，这两方面的因素的参数有别于天气等这类外部因素，需要对建模的特别处理，才能进一步提升预测准确性。对时间序列的迭代优化调整，因预测流程及输入、输出及模型参数的差异，不能直接应用在移动通信网络规划流量预测应用中。

技术实现思路

1、鉴于上述问题，本发明实施例提供了一种网络流量预测模型的样本生成方法、网络流量预测模型的训练方法、网络流量预测方法、计算机设备及计算机可读存储介质，用于解决现有技术中存在的通信网络中网络流量预测准确率较差问题。

2、根据本发明实施例的一个方面，提供了一种网络流量预测模型的样本生成方法，所述方法包括：

3、根据历史周期网络流量数据及初始网络特征数据，构建第一网络流量特征数据集；

4、确定所述第一网络流量特征数据集中各个网络特征的重要性系数，根据所述重要性系数及所述第一网络流量特征数据集，生成第二网络流量特征数据集；

5、将获取的初始的预测时间周期的网络流量输入时间序列网络流量预测模型中，得到预测周期网络流量，并将所述预测周期网络流量添加至所述第二网络流量特征数据集中，得到更新后的第二网络流量特征数据集；

6、根据所述更新后的第二网络流量特征数据集依次生成多个滑动窗口特征，将所述滑动窗口特征添加至所述更新后的第二网络流量特征数据集中，得到目标网络流量特征数据集合；所述目标网络流量特征数据集用于训练生成目标网络流量预测模型。

7、在一种可选的方式中，所述根据历史周期网络流量数据及初始网络特征数据，构建第一网络流量特征数据集之前，所述发方法包括：从运营商业务支撑系统获取历史周期网络流量数据；从网络规划数据管理系统获取网络特征数据。

8、在一种可选的方式中，所述确定所述第一网络流量特征数据集中各个网络特征的重要性系数，根据所述重要性系数及所述第一网络流量特征数据集，生成第二网络流量特征数据集，包括：根据第一网络流量预测模型确定所述第一网络流量特征数据集中各个网络特征的重要性系数；根据所述重要性系数从所述第一网络流量特征数据集中选取目标网络特征及对应的历史周期网络流量数据，形成第二网络特征数据集。

9、在一种可选的方式中，所述第一网络流量预测模型为决策树模型；所述根据第一网络流量预测模型确定所述第一网络流量特征数据集中各个网络特征的重要性系数，包括：将所述第一网络流量特征数据集中各个网络特征输入所述决策树模型，得到网络流量目标函数；根据所述网络流量目标函数计算每个网络特征的在所述网络流量特征数据集中的信息增益；根据所述信息增益确定所述第一网络流量特征数据集中各个网络特征的重要性系数。

10、在一种可选的方式中，所述根据所述更新后的第二网络流量特征数据集依次生成多个滑动窗口特征，将所述滑动窗口特征添加至所述更新后的第二网络流量特征数据集中，得到目标网络流量特征数据集合，包括：根据预测时间周期及滑动窗口确定系数确定滑动窗口数量；根据滑动窗口依次从所述更新后的第二网络流量特征数据集中取出以时间周期为特征的所述滑动窗口数量个的滑动窗口特征，所述滑动窗口特征为所述滑动窗口对应的更新后的第二网络流量特征数据集中的网络流量特征数据；将所述滑动窗口特征逆序添加至所述更新后的第二网络流量特征数据集中，得到所述目标网络流量特征数据集合。

11、根据本发明实施例的另一方面，提供了一种网络流量预测方法，所述方法包括：

12、采用上述的网络流量预测模型的样本生成方法，得到目标网络流量特征数据集合；

13、将所述目标网络流量特征数据集合输入预设的机器学习模型中训练，得到目标网络流量预测模型。

14、根据本发明实施例的另一方面，提供了一种网络流量预测模型的训练方法，所述方法包括：

15、获取待预测的网络特征数据集；

16、将所述待预测的网络特征数据集输入目标网络流量预测模型；所述目标网络流量预测模型根据上述的网络流量预测模型的训练方法训练得到；

17、输出所述待预测的网络特征数据集对应的网络流量。

18、根据本发明实施例的另一方面，提供了一种网络流量预测装置，包括：

19、获取模块，用于获取待预测的网络特征数据集；

20、预测模块，用于将所述待预测的网络特征数据集输入目标网络流量预测模型；所述目标网络流量预测模型根据所述的网络流量预测模型的训练方法训练得到；

21、输出模块，用于输出所述待预测的网络特征数据集对应的网络流量。

22、根据本发明实施例的另一方面，提供了一种计算机设备，包括：

23、处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

24、所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行所述的方法的操作。

25、根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算机设备上运行时，使得计算机设备执行所述的方法的操作。

26、本发明实施例通过根据历史周期网络流量数据及初始网络特征数据，构建第一网络流量特征数据集，然后确定所述第一网络流量特征数据集中各个网络特征的重要性系数，根据所述重要性系数及所述第一网络流量特征数据集，生成第二网络流量特征数据集；之后，将获取的初始的预测时间周期的网络流量输入时间序列网络流量预测模型中，得到预测周期网络流量，并将所述预测周期网络流量添加至所述第二网络流量特征数据集中，得到更新后的第二网络流量特征数据集；最后，根据所述更新后的第二网络流量特征数据集依次生成多个滑动窗口特征，将所述滑动窗口特征添加至所述更新后的第二网络流量特征数据集中，得到目标网络流量特征数据集合，该集合用于训练生成目标网络流量预测模型。通过这种方式使得，能够将网络流量预测与移动通信网络的特征关联起来，进一步地，通过使用一种滑动窗口特征生成机制，在有效提高预测精度的同时又把时间序列预测和多特征机器学习结合，起到了较好的中长期预测效果，以解决移动通信网络建设规划中的网络流量预测问题。

27、上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。