CN110896357B - 流量预测方法、装置和计算机可读存储介质 - Google Patents
流量预测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110896357B CN110896357B CN201811066178.0A CN201811066178A CN110896357B CN 110896357 B CN110896357 B CN 110896357B CN 201811066178 A CN201811066178 A CN 201811066178A CN 110896357 B CN110896357 B CN 110896357B
- Authority
- CN
- China
- Prior art keywords
- period
- flow
- predicted
- value
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种流量预测方法、装置和计算机可读存储介质,涉及通信技术领域。本公开的方法包括:根据历史周期的流量值,确定待预测周期的流量估计值;根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值;根据历史周期的流量偏差值,确定待预测周期的流量偏差值;根据待预测周期的流量估计值和待预测周期的流量偏差值,确定待预测周期的流量值。本公开中通过纵向对待预测周期的流量估计值的预测,和横向对待预测周期的流量偏差值的预测,进而根据待预测周期的流量偏差值对待预测周期的流量估计值进行修改正,提高了对流量预测的准确性。
Description
技术领域
本公开涉及通信技术领域,特别涉及一种流量预测方法、装置和计算机可读存储介质。
背景技术
随着互联网技术的发展,人们对于通信带宽的需求也来越高。用户可以根据自己的不同需求在运营商订购不同的带宽。
运营商通常通过判断历史一段时间内的流量峰值是否超限,来确定下一周期的流量是否会超限,进而确定是否对下一周期的带宽进行调整,以满足用户的需求。
现有技术存在的技术问题为:1)历史流量峰值无法代表即将产生的流量,因此,历史流量峰值超限无法代表即将产生的流量超限,可参考性较弱,判断准确度较低;2)利用历史流量峰值预测流量绝对值,由于基于常规的时间序列的预测模型准确度较低,从而导致基于预测流量绝对值确定是否超限的准确度较低。
发明内容
发明人发现,直接根据历史一段时间内的流量峰值是否超限,来确定下一周期的流量是否会超限,无法准确的预测下一周期的流量,进而无法准确的做出带宽调整策略,以满足用户的需求。
本公开所要解决的一个技术问题是:如何准确地预测流量。
根据本公开的一些实施例,提供的一种流量预测方法,包括:根据历史周期的流量值,确定待预测周期的流量估计值;根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值;根据历史周期的流量偏差值,确定待预测周期的流量偏差值;根据待预测周期的流量估计值和待预测周期的流量偏差值,确定待预测周期的流量值。
在一些实施例中,根据历史周期的流量值,确定待预测周期的流量估计值包括:根据待预测周期的时间粒度,选取预设数量的待预测周期之前相邻多个历史周期的流量值;根据选取的历史周期的流量值,利用自回归积分滑动平均模型,确定待预测周期的流量估计值。
在一些实施例中,自回归积分滑动平均模型中自回归阶数等于预设数量,差分阶数为1,滑动平均阶数为0;预设数量根据待预测周期的时间粒度与比待预测周期的时间粒度大一级别的时间粒度之间的换算关系确定。
在一些实施例中,根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值包括:将历史周期作为待预测周期,根据该历史周期之前的多个周期的流量值,利用自回归积分滑动平均模型,确定该历史周期的流量估计值;将该历史周期的流量值和该历史周期流量估计值相比较,确定该历史周期的流量偏差值。
在一些实施例中,根据历史周期的流量偏差值,确定待预测周期的流量偏差值包括:根据待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值;根据选取的历史周期的流量偏差值,利用自回归积分滑动平均模型,确定待预测周期的流量偏差值。
在一些实施例中,自回归积分滑动平均模型中自回归阶数等于选取的历史周期的流量偏差值的数量,差分阶数为1,滑动平均阶数为0。
在一些实施例中,选取的历史周期的流量偏差值的数量是根据待预测周期所处的时间段、时间粒度,以及选取的历史周期的流量偏差值对应的不同年份的数量确定的。
在一些实施例中,根据待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值包括:在待预测周期所处的时间段为预设月份的情况下,从历史每年各个月的流量偏差值中,选取与预设月份相同月份的流量偏差值;或者在待预测周期所处的时间段为预设日的情况下,从历史每月各日的流量偏差值中,选取与预设日同一天的流量偏差值;或者在待预测周期所处的时间段为预设小时的情况下,从历史每天各小时的流量偏差值中,选取与预设小时同一小时的流量偏差值。
在一些实施例中,待预测周期的流量值为待预测周期的流量峰值;该方法还包括:根据待预测周期的流量峰值调整带宽。
根据本公开的另一些实施例,提供的一种流量预测装置,包括:流量估计模块,用于根据历史周期的流量值,确定待预测周期的流量估计值;历史偏差确定模块,用于根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值;偏差预测模块,用于根据历史周期的流量偏差值,确定待预测周期的流量偏差值;流量预测模块,用于根据待预测周期的流量估计值和待预测周期的流量偏差值,确定待预测周期的流量值。
在一些实施例中,流量估计模块用于根据待预测周期的时间粒度,选取预设数量的待预测周期之前相邻多个历史周期的流量值,根据选取的历史周期的流量值,利用自回归积分滑动平均模型,确定待预测周期的流量估计值。
在一些实施例中,自回归积分滑动平均模型中自回归阶数等于预设数量,差分阶数为1,滑动平均阶数为0;预设数量根据待预测周期的时间粒度与比待预测周期的时间粒度大一级别的时间粒度之间的换算关系确定。
在一些实施例中,历史偏差确定模块用于将历史周期作为待预测周期,根据该历史周期之前的多个周期的流量值,利用自回归积分滑动平均模型,确定该历史周期的流量估计值,将该历史周期的流量值和该历史周期流量估计值相比较,确定该历史周期的流量偏差值。
在一些实施例中,偏差预测模块用于根据待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值,根据选取的历史周期的流量偏差值,利用自回归积分滑动平均模型,确定待预测周期的流量偏差值。
在一些实施例中,自回归积分滑动平均模型中自回归阶数等于选取的历史周期的流量偏差值的数量,差分阶数为1,滑动平均阶数为0。
在一些实施例中,选取的历史周期的流量偏差值的数量是根据待预测周期所处的时间段、时间粒度,以及选取的历史周期的流量偏差值对应的不同年份的数量确定的。
在一些实施例中,偏差预测模块用于:在待预测周期所处的时间段为预设月份的情况下,从历史每年各个月的流量偏差值中,选取与预设月份相同月份的流量偏差值;或者在待预测周期所处的时间段为预设日的情况下,从历史每月各日的流量偏差值中,选取与预设日同一天的流量偏差值;或者在待预测周期所处的时间段为预设小时的情况下,从历史每天各小时的流量偏差值中,选取与预设小时同一小时的流量偏差值。
在一些实施例中,待预测周期的流量值为待预测周期的流量峰值;该装置还包括:带宽调整模块,用于根据待预测周期的流量峰值调整带宽。
根据本公开的又一些实施例,提供的一种流量预测装置,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器设备中的指令,执行如前述任意实施例中的流量预测方法。
根据本公开的再一些实施例,提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任意实施例中的流量预测方法。
本公开中通过纵向对待预测周期的流量估计值的预测,和横向对待预测周期的流量偏差值的预测,进而根据待预测周期的流量偏差值对待预测周期的流量估计值进行修改正,提高了对流量预测的准确性。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开的一些实施例的流量预测方法的流程示意图。
图2示出本公开的另一些实施例的流量预测方法的流程示意图。
图3示出本公开的一些实施例的流量预测装置的结构示意图。
图4示出本公开的另一些实施例的流量预测装置的结构示意图。
图5示出本公开的又一些实施例的流量预测装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开提供一种流量预测方法,下面结合图1描述本公开的一些实施例。
图1为本公开流量预测方法一些实施例的流程图。如图1所示,该实施例的方法包括:步骤S102~S108。
在步骤S102中,根据历史周期的流量值,确定待预测周期的流量估计值。
一个周期的流量值例如是该周期内的流量峰值、流量总值、流量平均值等,可以是上行流量也可以是下行流量。可以根据实际需求选取需要进行预测的流量值。针对带宽调整的目的和场景,可以选取一个周期内的流量峰值进行预测。
周期的时间粒度可以根据实际需求进行设置。例如周期的时间粒度可以为小时、日、月等。用来预测该待预测周期的流量相关信息的历史周期的时间粒度和待预测周期的时间粒度,保持一致。即用于预测的历史周期的时间粒度为日,待预测周期的时间粒度也为日,以此类推。可以在数据库中存储不同时间粒度的历史周期的流量数据,根据待预测周期的时间粒度,选取用于预测的历史周期的流量数据。
在一些实施例中,根据待预测周期的时间粒度,选取预设数量的待预测周期之前相邻多个历史周期的流量值;根据选取的历史周期的流量值,利用自回归积分滑动平均模型,确定待预测周期的流量估计值。待预测周期的流量值和选取的历史周期的流量值可以看成流量值在各个周期的时间序列。
选取的用于预测的历史周期的数量即预设数量,可以根据实际测试效果进行设置。预设数量可以根据待预测周期的时间粒度,进行动态调整。预设数量可以根据待预测周期的时间粒度与比待预测周期的时间粒度大一级别的时间粒度之间的换算关系确定。例如,预测日流量时,可以选取待预测日之前30日的流量值;例如,可以采集9月1日-30日的下行流量峰值,预测10月1日的最大下行流量。预测小时流量时,可以选取待预测小时之前24小时的流量值,依次类推。由于流量信息在一定周期(每天、每月)内的变化是有一定规律的,采用以上方法选取历史周期的流量值,可以更加准确的预测流量值。
ARIMA(Autoregressive Integrated Moving Average Model,自回归积分滑动平均模型)中有三个参数,可以表示为ARIMA(p,d,q)。ARIMA模型中p为自回归阶数,表示采用的时序数据本身的滞后数,d为差分阶数,表示时序数据需要进行几阶差分,q为滑动平均阶数,表示采用的预测误差的滞后数。ARIMA(p,d,q)中参数可以根据实际各个周期的数据的趋势确定,模型的建立和验证方法属于现有技术,在此不再赘述。例如,在一些实施例中,自回归积分滑动平均模型中自回归阶数等于预设数量,差分阶数为1,滑动平均阶数为0,即ARIMA(p,1,0)。例如,待预测周期的时间粒度为小时的情况下,模型表示为ARIMA(24,1,0)。将历史周期的流量值输入建立完成的ARIMA模型中,可以得到待预测周期的流量值。
在步骤S104中,根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值。
历史周期的流量估计值采用与待预测周期的流量估计值相同的预测方法进行预测。在一些实施例中,将历史周期作为待预测周期,根据该历史周期之前的多个周期的流量值,利用自回归积分滑动平均模型,确定该历史周期的流量估计值;将该历史周期的流量值和该历史周期流量估计值相比较,确定该历史周期的流量偏差值。即同样利用ARIMA模型,同样选取待预测的历史周期之前相邻多个历史周期的流量值,预测历史周期的流量估计值。历史周期的流量偏差值可以是历史周期的流量值和该历史周期流量估计值的差值的绝对值。
确定待预测周期的流量估计值和待预测周期的流量偏差值时,选取的历史周期不同。可以先确定选取哪些历史周期的流量数据用于预测待预测周期的流量偏差值,再确定这些历史周期的流量估计值和流量偏差值,不需要计算任意历史周期的流量估计值和流量偏差值,减少数据计算量。
在一些实施例中,根据待预测周期所处的时间段,确定相同时间段的历史周期的流量估计值,计算相同时间段的历史周期的流量偏差值。例如,在待预测周期所处的时间段为预设月份的情况下,确定历史年份中与预设月份相同月份的流量估计值,历史年份数可以根据实际需求设置;或者在待预测周期所处的时间段为预设日的情况下,确定历史月份中与预设日同一天的流量估计值,历史月份数可以根据实际需求设置;或者在待预测周期所处的时间段为预设小时的情况下,确定历史日中与预设小时同一小时的流量估计值,历史天数可以根据实际需求设置。例如,待预测周期为2018年9月,则选取2017年9月、2016年9月……等历史周期,针对这些历史周期计算流量估计值和流量偏差值,以此类推。
在步骤S106中,根据历史周期的流量偏差值,确定待预测周期的流量偏差值。
在一些实施例中,根据待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值;根据选取的历史周期的流量偏差值,利用自回归积分滑动平均模型,确定待预测周期的流量偏差值。
在一些实施例中,在待预测周期所处的时间段为预设月份的情况下,从历史每年各个月的流量偏差值中,选取与预设月份相同月份的流量偏差值;或者在待预测周期所处的时间段为预设日的情况下,从历史每月各日的流量偏差值中,选取与预设日同一天的流量偏差值;或者在待预测周期所处的时间段为预设小时的情况下,从历史每天各小时的流量偏差值中,选取与预设小时同一小时的流量偏差值。
进一步,自回归积分滑动平均模型中自回归阶数等于选取的历史周期的流量偏差值的数量。进一步,选取的历史周期的流量偏差值的数量可以根据待预测周期所处的时间段、时间粒度,以及选取的历史周期的流量偏差值对应的不同年份的数量进行自动确定。即自动根据待预测周期选取历史周期的流量数据,自动确定ARIMA(p,d,q)中p的值。
ARIMA(p,d,q)中p可以采用以下方法确定。例如,选取n年的历史流量数据,在待预测周期的时间粒度为月的情况下,q=n。例如,待预测周期为2018年3月,历史年数n为3,则q=3。在待预测周期的时间粒度为日的情况下,q=12n-m,m为不存在与待预测周期相同时间段的月份数。例如,待预测周期为2018年3月29日,n=3,m=1即不存在29日的月份(2月)数为1,则q=35。在待预测周期的时间粒度为小时的情况下,q=k,k表示选取的历史流量数据对应的天数,例如,k可以设置为待预测周期的当年已过去的天数,待预测周期为2018年3月29日13:00,则q=86。
ARIMA(p,d,q)中d和q可以采用现有技术的方法确定,在此不再赘述。例如d可以取1,q取0。
由于相同时间段的流量数据规律和趋势更为接近,采用上述实施例的方法,为待预测周期的流量偏差值选取对应的历史周期的流量偏差值进行预测,提高了预测的准确性。
在步骤S108中,根据待预测周期的流量估计值和待预测周期的流量偏差值,确定待预测周期的流量值。
例如,待预测周期的流量估计值为Xt,待预测周期的流量偏差值为△,则预测待预测周期的流量值为[Xt-△,Xt+△]。
上述实施例的方法,通过纵向对待预测周期的流量估计值的预测,和横向对待预测周期的流量偏差值的预测,进而根据待预测周期的流量偏差值对待预测周期的流量估计值进行修改正,提高了对流量预测的准确性。
待预测周期的流量值可以用于带宽的调整,下面结合图2描述本公开方法的另一些实施例。
图2为本公开流量预测方法一些实施例的流程图。如图2所示,该实施例的方法包括:步骤S202~S214。
在步骤S202中,每隔预设时间采集流量数据。
可以在客户单条电路网络边缘设备PE(Provider Edge,边缘路由器)端口采集流量数据,此端口为运营商网络最接近客户网络的端口,能真实反映客户的流入流出流量。例如,可设置为每5分钟采集一次,采集到的流量数据可以实时存入大数据存储模块。
在步骤S204中,对采集的流量数据进行预处理。
例如,对采集得到的流量数据进行清洗和处理,可以按照月、日、小时等不同时间粒度,统计流入或流出流量峰值,并进行存储。
在步骤S206中,根据历史周期的流量值,确定待预测周期的流量估计值。
根据待预测周期的时间粒度,可以自适应的调整选取哪些历史周期的流量值。
在步骤S208中,根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值。
在步骤S210中,根据历史周期的流量偏差值,确定待预测周期的流量偏差值。
根据待预测周期的时间粒度和所处的时间段,可以自适应的调整选取哪些历史周期的流量偏差值。
在步骤S212中,根据待预测周期的流量估计值和待预测周期的流量偏差值,确定待预测周期的流量值。
在步骤S214中,根据待预测周期的流量峰值调整带宽。
进行带宽调整时,是将待预测周期的流量峰值转换为速率峰值即单位时间的流量峰值,与实际的带宽速率进行比对。如果待预测周期的速率峰值高于当前实际的带宽速率,则扩大带宽,否则减小带宽。例如可以通过调整端口的速率限制策略,来调整带宽。
在一些实施例中,比较该电路实际带宽速率与预测的流量峰值区间是否匹配,在实际带宽速率低于预测的流量峰值(单位时间的流量峰值)区间的最小值端点的情况下,根据与业务编排自动开通***接口制定的规则,生成带宽调整策略,包含调整的带宽区间、时间范围等。若实际带宽速率在预测的流量峰值区间内或超出的预测的流量峰值(单位时间的流量峰值)区间最大值端点的情况下,保持原带宽速率不变,无策略生成。可以通过与业务编排自动开通***的接口协议,异步发送调整命令,业务编排自动开通***对该条电路的带宽进行自动调整。
可以继续采集待预测周期的实际流量值,将待预测周期的实际流量值作为新的历史周期的流量值,用于调整ARIMA模型,以及下一周期的流量预测。整个流量预测和带宽调整的过程是一个动态循环的过程。
上述实施例的方法,通过大数据分析方法预测电路中的流量,进一步通过预测的流量对电路的带宽进行动态调整。由于预测流量时,结合纵向预测流量估计值和横向预测流量偏差值,提高了流量预测的准确性,进而提高带宽调整的准确性,为用户提供更加符合需求的带宽,提升用户体验。
本公开还提供一种流量预测装置,下面结合图3进行描述。
图3为本公开流量预测装置的一些实施例的结构图。如图3所示,该实施例的装置30包括:流量估计模块302,历史偏差确定模块304,偏差预测模块306,流量预测模块308。
流量估计模块302,用于根据历史周期的流量值,确定待预测周期的流量估计值。
在一些实施例中,流量估计模块302用于根据待预测周期的时间粒度,选取预设数量的待预测周期之前相邻多个历史周期的流量值,根据选取的历史周期的流量值,利用自回归积分滑动平均模型,确定待预测周期的流量估计值。
在一些实施例中,自回归积分滑动平均模型中自回归阶数等于预设数量,差分阶数为1,滑动平均阶数为0;预设数量根据待预测周期的时间粒度与比待预测周期的时间粒度大一级别的时间粒度之间的换算关系确定。
历史偏差确定模块304,用于根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值。
在一些实施例中,历史偏差确定模块304用于将历史周期作为待预测周期,根据该历史周期之前的多个周期的流量值,利用自回归积分滑动平均模型,确定该历史周期的流量估计值,将该历史周期的流量值和该历史周期流量估计值相比较,确定该历史周期的流量偏差值。
偏差预测模块306,用于根据历史周期的流量偏差值,确定待预测周期的流量偏差值。
在一些实施例中,偏差预测模块306用于根据待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值,根据选取的历史周期的流量偏差值,利用自回归积分滑动平均模型,确定待预测周期的流量估计值。
进一步,自回归积分滑动平均模型中自回归阶数等于选取的历史周期的流量偏差值的数量,差分阶数为1,滑动平均阶数为0。
进一步,选取的历史周期的流量偏差值的数量是根据待预测周期所处的时间段、时间粒度,以及选取的历史周期的流量偏差值对应的不同年份的数量确定的。
在一些实施例中,偏差预测模块306用于在待预测周期所处的时间段为预设月份的情况下,从历史每年各个月的流量偏差值中,选取与预设月份相同月份的流量偏差值;或者在待预测周期所处的时间段为预设日的情况下,从历史每月各日的流量偏差值中,选取与预设日同一天的流量偏差值;或者在待预测周期所处的时间段为预设小时的情况下,从历史每天各小时的流量偏差值中,选取与预设小时同一小时的流量偏差值。
流量预测模块308,用于根据待预测周期的流量估计值和待预测周期的流量偏差值,确定待预测周期的流量值。
在一些实施例中,待预测周期的流量值为待预测周期的流量峰值。装置30还可以包括:带宽调整模块310,用于根据待预测周期的流量峰值调整带宽。
在一些实施例中,装置30还可以包括:采集模块用于采集各网络侧边缘设备PE端口的实时流量数据。大数据存储模块用于高效快速存储海量实时流量数据。预处理模块用于处理采集到的流量数据,包括月、日、小时的流量峰值计算,采集时间间隔离散化处理等。结构化存储模块用于存储预处理后的流量数据。带宽策略生成模块用于生成带宽调整策略,包括调整的区间,需要调整的设备端口,调整的时间范围等。调整命令发送模块用于发送带宽调整策略命令,发送到业务编排自动开通***。调整状态接收模块用于接收业务编排自动开通***的调整结果状态(上述模块图中均未示出)。
本公开的实施例中的流量预测装置可各由各种计算设备或计算机***来实现,下面结合图4以及图5进行描述。
图4为本公开流量预测装置的一些实施例的结构图。如图4所示,该实施例的装置40包括:存储器410以及耦接至该存储器410的处理器420,处理器420被配置为基于存储在存储器410中的指令,执行本公开中任意一些实施例中的流量预测方法。
其中,存储器410例如可以包括***存储器、固定非易失性存储介质等。***存储器例如存储有操作***、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图5为本公开流量预测装置的另一些实施例的结构图。如图5所示,该实施例的装置50包括:存储器510以及处理器520,分别与存储器410以及处理器420类似。还可以包括输入输出接口530、网络接口540、存储接口550等。这些接口530,540,550以及存储器510和处理器520之间例如可以通过总线560连接。其中,输入输出接口530为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口,例如可以连接到数据库服务器或者云端存储服务器等。存储接口550为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (16)
1.一种流量预测方法,包括:
根据历史周期的流量值,确定待预测周期的流量估计值;
根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值;
根据历史周期的流量偏差值,确定所述待预测周期的流量偏差值;
根据所述待预测周期的流量估计值和所述待预测周期的流量偏差值,确定所述待预测周期的流量值;
其中,根据历史周期的流量值,确定待预测周期的流量估计值包括:
根据所述待预测周期的时间粒度,选取预设数量的所述待预测周期之前相邻多个历史周期的流量值;
根据选取的历史周期的流量值,利用自回归积分滑动平均模型,确定待预测周期的流量估计值;
其中,根据历史周期的流量偏差值,确定所述待预测周期的流量偏差值包括:
根据所述待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值;
根据选取的历史周期的流量偏差值,利用自回归积分滑动平均模型,确定待预测周期的流量偏差值。
2.根据权利要求1所述的流量预测方法,其中,
所述自回归积分滑动平均模型中自回归阶数等于所述预设数量,差分阶数为1,滑动平均阶数为0;
所述预设数量根据所述待预测周期的时间粒度与比所述待预测周期的时间粒度大一级别的时间粒度之间的换算关系确定。
3.根据权利要求1所述的流量预测方法,其中,根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值包括:
将历史周期作为待预测周期,根据该历史周期之前的多个周期的流量值,利用自回归积分滑动平均模型,确定该历史周期的流量估计值;
将该历史周期的流量值和该历史周期流量估计值相比较,确定该历史周期的流量偏差值。
4.根据权利要求1所述的流量预测方法,其中,
所述自回归积分滑动平均模型中自回归阶数等于选取的历史周期的流量偏差值的数量,差分阶数为1,滑动平均阶数为0。
5.根据权利要求4所述的流量预测方法,其中,
所述选取的历史周期的流量偏差值的数量是根据所述待预测周期所处的时间段、时间粒度,以及选取的历史周期的流量偏差值对应的不同年份的数量确定的。
6.根据权利要求1所述的流量预测方法,其中,
根据所述待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值包括:
在所述待预测周期所处的时间段为预设月份的情况下,从历史每年各个月的流量偏差值中,选取与所述预设月份相同月份的流量偏差值;或者
在所述待预测周期所处的时间段为预设日的情况下,从历史每月各日的流量偏差值中,选取与所述预设日同一天的流量偏差值;或者
在所述待预测周期所处的时间段为预设小时的情况下,从历史每天各小时的流量偏差值中,选取与所述预设小时同一小时的流量偏差值。
7.根据权利要求1-6任一项所述的流量预测方法,其中,
所述待预测周期的流量值为所述待预测周期的流量峰值;
所述方法还包括:
根据所述待预测周期的流量峰值调整带宽。
8.一种流量预测装置,包括:
流量估计模块,用于根据历史周期的流量值,确定待预测周期的流量估计值;
历史偏差确定模块,用于根据历史周期的流量值和相应的历史周期的流量估计值,确定历史周期的流量偏差值;
偏差预测模块,用于根据历史周期的流量偏差值,确定所述待预测周期的流量偏差值;
流量预测模块,用于根据所述待预测周期的流量估计值和所述待预测周期的流量偏差值,确定所述待预测周期的流量值;
其中,所述流量估计模块用于根据所述待预测周期的时间粒度,选取预设数量的所述待预测周期之前相邻多个历史周期的流量值,根据选取的历史周期的流量值,利用自回归积分滑动平均模型,确定待预测周期的流量估计值;
其中,所述偏差预测模块用于根据所述待预测周期所处的时间段,选取相同时间段的历史周期的流量偏差值,根据选取的历史周期的流量偏差值,利用自回归积分滑动平均模型,确定待预测周期的流量偏差值。
9.根据权利要求8所述的流量预测装置,其中,
所述自回归积分滑动平均模型中自回归阶数等于所述预设数量,差分阶数为1,滑动平均阶数为0;
所述预设数量根据所述待预测周期的时间粒度与比所述待预测周期的时间粒度大一级别的时间粒度之间的换算关系确定。
10.根据权利要求8所述的流量预测装置,其中,
所述历史偏差确定模块用于将历史周期作为待预测周期,根据该历史周期之前的多个周期的流量值,利用自回归积分滑动平均模型,确定该历史周期的流量估计值,将该历史周期的流量值和该历史周期流量估计值相比较,确定该历史周期的流量偏差值。
11.根据权利要求8所述的流量预测装置,其中,
所述自回归积分滑动平均模型中自回归阶数等于选取的历史周期的流量偏差值的数量,差分阶数为1,滑动平均阶数为0。
12.根据权利要求11所述的流量预测装置,其中,
所述选取的历史周期的流量偏差值的数量是根据所述待预测周期所处的时间段、时间粒度,以及选取的历史周期的流量偏差值对应的不同年份的数量确定的。
13.根据权利要求8所述的流量预测装置,其中,
所述偏差预测模块用于:
在所述待预测周期所处的时间段为预设月份的情况下,从历史每年各个月的流量偏差值中,选取与所述预设月份相同月份的流量偏差值;或者
在所述待预测周期所处的时间段为预设日的情况下,从历史每月各日的流量偏差值中,选取与所述预设日同一天的流量偏差值;或者
在所述待预测周期所处的时间段为预设小时的情况下,从历史每天各小时的流量偏差值中,选取与所述预设小时同一小时的流量偏差值。
14.根据权利要求8-13任一项所述的流量预测装置,其中,
所述待预测周期的流量值为所述待预测周期的流量峰值;
所述装置还包括:
带宽调整模块,用于根据所述待预测周期的流量峰值调整带宽。
15.一种流量预测装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器设备中的指令,执行如权利要求1-7任一项所述的流量预测方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811066178.0A CN110896357B (zh) | 2018-09-13 | 2018-09-13 | 流量预测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811066178.0A CN110896357B (zh) | 2018-09-13 | 2018-09-13 | 流量预测方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110896357A CN110896357A (zh) | 2020-03-20 |
CN110896357B true CN110896357B (zh) | 2022-06-28 |
Family
ID=69785043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811066178.0A Active CN110896357B (zh) | 2018-09-13 | 2018-09-13 | 流量预测方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110896357B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111769985A (zh) * | 2020-06-29 | 2020-10-13 | 中国联合网络通信集团有限公司 | 一种数据流量预测方法及装置 |
CN113689694B (zh) * | 2021-07-28 | 2023-06-02 | 山东中创软件商用中间件股份有限公司 | 一种车流量预测方法、装置、设备及可读存储介质 |
CN115714987A (zh) * | 2021-08-18 | 2023-02-24 | 中国电信股份有限公司 | 一种流量区间预测评估方法、装置和存储介质 |
CN114779731B (zh) * | 2022-06-22 | 2022-09-23 | 江苏翔晟信息技术股份有限公司 | 一种面向智能制造的生产数据动态监测分析***及方法 |
CN115225546B (zh) * | 2022-07-22 | 2023-11-28 | 北京天融信网络安全技术有限公司 | 一种网络流量的预测方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
CN107959640B (zh) * | 2016-10-14 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 网络业务调度方法及装置 |
CN106713055B (zh) * | 2017-02-27 | 2019-06-14 | 电子科技大学 | 一种虚拟cdn的节能部署方法 |
CN107086944B (zh) * | 2017-06-22 | 2020-04-21 | 北京奇艺世纪科技有限公司 | 一种异常检测方法和装置 |
-
2018
- 2018-09-13 CN CN201811066178.0A patent/CN110896357B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110896357A (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110896357B (zh) | 流量预测方法、装置和计算机可读存储介质 | |
Toka et al. | Machine learning-based scaling management for kubernetes edge clusters | |
JP6457447B2 (ja) | データセンターのネットワークトラフィックスケジューリング方法及び装置 | |
CN109510715B (zh) | 带宽分配方法、装置、数据中心以及存储介质 | |
CN109962856B (zh) | 资源分配方法、装置以及计算机可读存储介质 | |
Moore et al. | Transforming reactive auto-scaling into proactive auto-scaling | |
US20070250630A1 (en) | Method and a system of generating and evaluating potential resource allocations for an application | |
US20070214261A1 (en) | Analysis method and apparatus | |
US20040181370A1 (en) | Methods and apparatus for performing adaptive and robust prediction | |
Steiger et al. | An improved batch means procedure for simulation output analysis | |
US20160080267A1 (en) | Monitoring device, server, monitoring system, monitoring method and program recording medium | |
CN111277640B (zh) | 用户请求处理方法、装置、***、计算机设备和存储介质 | |
CN108664321B (zh) | ***资源分配调整方法及装置 | |
CN106464733A (zh) | 一种调整云计算中虚拟资源的方法及装置 | |
CN110633194A (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
Imai et al. | Uncertainty-aware elastic virtual machine scheduling for stream processing systems | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
EP2245539A1 (en) | System and method for estimating combined workloads of systems with uncorrelated and non-deterministic workload patterns | |
CN106803815B (zh) | 一种流量控制方法和装置 | |
CN113326132A (zh) | 一种信息调节方法、设备及存储介质 | |
JP6186303B2 (ja) | トラヒック量上限値予測装置及び方法及びプログラム | |
CN112001563A (zh) | 一种话单量的管理方法、装置、电子设备及存储介质 | |
CN103530190A (zh) | 一种负载预测方法及装置 | |
CN112437015A (zh) | 分流调度方法、装置、***和计算机可读存储介质 | |
Riska et al. | Efficient fitting of long-tailed data sets into phase-type distributions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200320 Assignee: China Telecom Digital Intelligence Technology Co.,Ltd. Assignor: CHINA TELECOM Corp.,Ltd. Contract record no.: X2023110000044 Denomination of invention: Flow prediction method, device, and computer-readable storage medium Granted publication date: 20220628 License type: Common License Record date: 20230317 |
|
EE01 | Entry into force of recordation of patent licensing contract |