网络性能预测模型训练方法、装置、设备及存储介质与流程

本技术涉及通信，尤其涉及一种网络性能预测模型训练方法、装置、设备及存储介质。

背景技术：

1、当前，随着通信技术的快速发展，网络应用业务的种类不断增多，网络的用户数量以及网络资源使用量也在快速增加。为了保证网络性能，通常需要通信服务运营商对网络的运行状况进行分析与研究。在通信服务的相关技术中，可以通过对网络流量、网络质量的相关指标的特性进行分析和预测，进而实现对网络性能进行评估，以便于及时发现网络的异常和故障情况，保障用户使用感知。

2、然而，当前对网络状态的预测时，通常基于历史时间内所有用户的网络流量数据，实现对用户流量的预测。而由于不同的网络，如第五代移动通信网络(5th generationmobile communication technology，5g)专网、第四代移动通信网络(4th generationmobile communication technology，4g)专网网络，以及在不同使用情况(如不同的使用用户、不同的使用时间)下的网络的特性可能存在较大差别。因此，当前的网络性能预测模型的预测准确性较低。

技术实现思路

1、本技术提供了一种网络性能预测模型训练方法、装置、设备及存储介质，用于提高网络性能预测模型的预测准确性。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，提供了一种网络性能预测模型训练方法，该方法包括：获取包括多个网络指标数据的训练数据集，多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，第一单位时间段为每个历史日期中与目标单位时间段相同的单位时间段；网络指标数据包括：网络参数、专网特征参数和时间特征，其中，网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，专网特征参数用于指示网络类型，时间特征用于指示网络指标数据对应的时间是否属于预设日期；将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数；基于第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，得到训练后的网络性能预测模型。

4、在一种可能的实现方式中，网络性能预测模型包括专网特征学习模块；方法还包括：将多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至网络性能预测模型中的专网特征学习模块，确定每个网络指标数据对应的专网特征参数，专网特征包括以下至少一项：行业类型、专网类型和地理位置。

5、在一种可能的实现方式中，网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块；将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数，包括：将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的长期学习模块，确定目标单位时间段对应的网络指标数据对应的第一参数；和/或，将目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的短期学习模块，确定目标单位时间段对应的网络指标数据对应的第二参数；基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。

6、在一种可能的实现方式中，网络性能预测模型包括：长期学习模块、短期学习模块和特征融合模块；基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数，包括：将目标单位时间段对应的第一参数和第二参数，输入至网络性能预测模型中的特征融合模块，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。

7、在一种可能的实现方式中，方法还包括：获取第三单位时间段对应的目标数据，第三单位时间段为当前时刻之后的时间段，目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与第三单位时间段相同的多个单位时间段对应的网络指标数据；将目标数据输入至训练后的网络性能预测模型中，得到第三单位时间段对应的预测网络参数。

8、第二方面，提供了一种网络性能预测模型训练装置，该网络性能预测模型训练装置包括：获取单元，确定单元和处理单元；获取单元，用于获取包括多个网络指标数据的训练数据集，多个网络指标数据包括：相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，第一单位时间段为每个历史日期中与目标单位时间段相同的单位时间段；网络指标数据包括：网络参数、专网特征参数和时间特征，其中，网络参数包括以下至少一项：用户流量、丢包率、业务时延、用户速率，专网特征参数用于指示网络类型，时间特征用于指示网络指标数据对应的时间是否属于预设日期；确定单元，用于将多个网络指标数据分别输入至网络性能预测模型中，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数；处理单元，用于基于第二单位时间段对应的预测网络参数与第二单位时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，得到训练后的网络性能预测模型。

9、在一种可能的实现方式中，网络性能预测模型包括专网特征学习模块；确定单元，用于将多个网络指标数据中的每个网络指标数据对应的专网特征，分别输入至网络性能预测模型中的专网特征学习模块，确定每个网络指标数据对应的专网特征参数，专网特征包括以下至少一项：行业类型、专网类型和地理位置。

10、在一种可能的实现方式中，网络性能预测模型还包括以下至少一项：长期学习模块和短期学习模块；确定单元，用于将相邻的多个历史日期中的每个历史日期包括的第一单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的长期学习模块，确定目标单位时间段对应的网络指标数据对应的第一参数；和/或，确定单元，用于将目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，分别输入至网络性能预测模型中的短期学习模块，确定目标单位时间段对应的网络指标数据对应的第二参数；确定单元，用于基于目标单位时间段对应的第一参数和/或第二参数，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。

11、在一种可能的实现方式中，网络性能预测模型包括：长期学习模块、短期学习模块和特征融合模块；确定单元，用于将目标单位时间段对应的第一参数和第二参数，输入至网络性能预测模型中的特征融合模块，确定目标单位时间段之后相邻的第二单位时间段对应的预测网络参数。

12、在一种可能的实现方式中，获取单元，用于获取第三单位时间段对应的目标数据，第三单位时间段为当前时刻之后的时间段，目标数据为当前时刻之前的多个历史日期中的每个历史日期包括的与第三单位时间段相同的多个单位时间段对应的网络指标数据；确定单元，用于确定单元，用于将目标数据输入至训练后的网络性能预测模型中，得到第三单位时间段对应的预测网络参数。

13、第三方面，提供了一种电子设备，包括：处理器以及存储器；其中，存储器用于存储一个或多个程序，一个或多个程序包括计算机执行指令，当电子设备运行时，处理器执行存储器存储的计算机执行指令，以使电子设备执行如第一方面的一种网络性能预测模型训练方法。

14、第四方面，提供了一种存储一个或多个程序的计算机可读存储介质，该一个或多个程序包括指令，上述指令当被计算机执行时使计算机执行如第一方面的一种网络性能预测模型训练方法。

15、本技术提供了一种网络性能预测模型训练方法、装置、设备及存储介质，应用于对网络性能预测模型进行训练的场景中，用于提高网络性能预测模型的预测准确性。在对网络性能预测模型进行训练时，获取相邻的多个历史日期中的每个历史日期包括的与目标单位时间段相同的单位时间段对应的网络指标数据，以及目标单位时间段之前相邻的预设时长内包括的多个单位时间段中的每个单位时间段对应的网络指标数据，得到包括多个网络指标数据的训练数据集。并将多个网络指标数据分别输入至网络性能预测模型，确定目标时间段之后的相邻的第二时间段的对应的预测网络参数。进而基于第二时间段对应的预测网络参数，与第二时间段对应的真实网络参数之间的差值，调整网络性能预测模型的模型参数，以得到训练后的网络性能预测模型。通过上述方法，能够基于包括网络参数、专网特征参数和时间特征的网络指标数据，对网络性能预测模型进行训练，使网络性能预测模型的预测结果(预测网络参数)，能够充分考虑由于网络指标数据的网络参数的不同、专网特征的不同以及时间特征的不同所带来的影响，从而可以提高网络性能预测模型的预测准确性。