CN113179175B - 一种电力通信网业务的实时带宽预测方法及装置 - Google Patents
一种电力通信网业务的实时带宽预测方法及装置 Download PDFInfo
- Publication number
- CN113179175B CN113179175B CN202110282173.7A CN202110282173A CN113179175B CN 113179175 B CN113179175 B CN 113179175B CN 202110282173 A CN202110282173 A CN 202110282173A CN 113179175 B CN113179175 B CN 113179175B
- Authority
- CN
- China
- Prior art keywords
- real
- time
- bandwidth
- information
- prediction
- 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
- H04L41/08—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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- 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
- H04L43/0888—Throughput
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种电力通信网业务的实时带宽预测方法及装置,该方法包括:基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;根据修正后的业务流量信息,利用目标带宽分配模型进行带宽分配,得到目标规划路径;其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。通过构建了一个同时考虑了长期样本流量信息和实时样本流量信息的实时流量预测模型,使得模型能够很好的兼顾周期性与实时性需求,得到模型输出的预测结果后,还提出了一种基于动量的预测修正算法,能有效修正预测的结果,进一步提升预测精度。
Description
技术领域
本发明涉及电力通信网技术领域,尤其涉及一种电力通信网业务的实时带宽预测方法及装置。
背景技术
随着智能电网的快速发展和新电力业务的不断出现,电力通信网可靠、高效、稳定的运行是电力***安全稳定的重要保障。
电力通信网是电网安全运行和实现电网智能化的关键一环,已经深入到了电力生产、调配、经营和管理的各个阶段。因此建立一个安全可靠的电力通信网是建设智能电网的关键环节。能实时的准确预测出业务的流量信息对带宽分配有着重大的意义,即可以避免带宽分配过少导致无法满足业务带宽需求,也能避免带宽分配过多导致的资源浪费,因此实时准确的业务流量预测和带宽分配是电力通信网安全稳定运行的重要保障,对业务流量预测的实时性和精确性对数据网络正常稳定运行至关重要,也是高提升电网运行效率的关键技术。目前,随着一系列新兴电网业务的出现,如视频会议业务、调度自动化业务等,业务流量的波动更加复杂,现有的业务流量预测模型已经无法很好的拟合目前的网络流量。
因此如何更好的实现对于电力通信网业务的实时带宽预测已经成为业界亟待解决的问题。
发明内容
本发明提供及一种电力通信网业务的实时带宽预测方法及装置,用以解决现有技术中无法很好的实电力通信网业务的实时带宽预测的问题。
本发明提供一种电力通信网业务的实时带宽预测方法,包括:
基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;
对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;
其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。
基于本发明提供的一种电力通信网业务的实时带宽预测方法,在得到修正后的预测带宽信息的步骤之后,所述方法还包括:
将所述修正后的预测带宽信息输入目标带宽分配模型,得到目标规划路径;
其中,所述目标带宽分配模型是基于DDQN算法构建的。
基于本发明提供的一种电力通信网业务的实时带宽预测方法,所述训练好的实时流量预测模型中包括:多个长期流量信息模块和多个实时流量信息模块;
所述长期流量信息模块根据长期样本流量信息,对于业务流量信息的预测,在长周期上进行建模;
所述实时流量信息模块根据实时样本流量信息,,对于业务流量信息的预测,在短周期上进行建模;
通过所述长期流量信息模块和所述实时流量信息模块,共同实现对于实时流量预测模型的训练,得到训练好的实时流量预测模型。
基于本发明提供的一种电力通信网业务的实时带宽预测方法,对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息的步骤,具体包括:
当前时刻的预测带宽信息大于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上上升修正值,得到修正后的预测带宽信息;
或当前时刻的预测带宽信息小于或等于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上下降修正值,得到修正后的预测带宽信息。
基于本发明提供的一种电力通信网业务的实时带宽预测方法,所述目标带宽分配模型的状态空间为:
St=(At,Bt,Ct);
其中,At={A1,t,…,A|V|,t}表示网络中在t时刻每个节点上的业务数量;Bt={B1,t,…,B|W|,t}表示网络t时刻每条链路上承载的业务数量;Ct来表示当前业务的位置信息。
基于本发明提供的一种电力通信网业务的实时带宽预测方法,所述目标带宽分配模型的奖励函数为:
其中,r2是当选择动作后,分配给业务的带宽小于带宽的预测值时的奖励;r2是当选择的动作a是无效动作时反馈的奖励;r3是给业务分配路径后,网络能够满足业务的实时带宽需求时的奖励。
本发明还提供一种电力通信网业务的实时带宽预测装置,包括:
预测模块,用于基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;
修正模块,用于对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;
其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。
所述装置还包括:分配模块;
所述分配模块用于将所述修正后的预测带宽信息输入目标带宽分配模型,得到目标规划路径;
其中,所述目标带宽分配模型是基于DDQN算法构建的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述电力通信网业务的实时带宽预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述电力通信网业务的实时带宽预测方法的步骤。
本发明提供的一种电力通信网业务的实时带宽预测方法及装置,通过构建了一个同时考虑了长期样本流量信息和实时样本流量信息的实时流量预测模型,使得模型能够很好的兼顾周期性与实时性需求,使得预测结果更精准,同时得到模型输出的预测结果后,本发明实施例中还提出了一种基于动量的预测修正算法,它能有效修正预测的结果,进一步提升预测精度。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的电力通信网业务的实时带宽预测方法的流程示意图;
图2为本发明实施例所提供的AUGRU的实时流量预测模型结构示意图;
图3为本发明实施例提供的仿真网络A网拓扑图;
图4为本发明实施例提供的s1业务的时延图;
图5为本发明实施例提供的s2业务的时延图;
图6为本发明实施例提供的s3业务的时延图;
图7为本发明实施例提供的s4业务的时延图;
图8为本发明提供的电力通信网业务的电力通信网业务的实时带宽预测装置示意图;
图9为本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的电力通信网业务的实时带宽预测方法的流程示意图,如图1所示,包括:
步骤S1,基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;
具体的,本发明中所描述的目标时间段,就是指需要进行预测的特定时间段,该时间段的设定可以根据个人需求进行设定。
本发明中所描述的训练好的实时流量预测模型是基于AUGRU的预测模型,其能够很好处理和预测序列数据,并且对于当序列长度过长的序列数据,也可以通过AUGRU中的attention机制来进行准确预测。
步骤S2,对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;
其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。
具体的,本发明中在通过大量的实验发现,基于AUGRU的实时流量预测模型预测得到的流量数据在数值上与真实值存在一些差异,但是整体的变化规律是一致的,因此本发明实施例中通过参考动量算法,提出了一种基于动量的修正方法,可以进一步的提升预测的准确性。
本发明实施例通过构建了一个同时考虑了长期样本流量信息和实时样本流量信息的实时流量预测模型,可以准确的进行带宽预测,同时得到模型输出的预测结果后,本发明实施例中还提出了一种基于动量的预测修正算法,它能有效修正预测的结果,进一步提升预测精度。
基于上述任一实施例,在得到修正后的预测带宽信息的步骤之后,所述方法还包括:
将所述修正后的预测带宽信息输入目标带宽分配模型,得到目标规划路径;
其中,所述目标带宽分配模型是基于DDQN算法构建的。
具体的,本发明实施例在得到预测带宽信息后,仍然还要考虑如何针对预测值,为业务分配合理的带宽以及路由,保证业务在电力通信网中能安全、可靠以及高效的传播到目的地址。
因此本发明实施例中基于DDQN算法构建了一个目标带宽分配模型,其能够通过Q学习算法的思想,找到应用于其特定状态空间和动作空间的最优策略选择,从而得到目标规划路径。
本发明实施例通过目标带宽分配模型,在得到预测带宽后,进一步进行了带宽分配,更有利于解决实际应用的问题。
基于上述任一实施例,所述训练好的实时流量预测模型中包括:多个长期流量信息模块和多个实时流量信息模块;
所述长期流量信息模块根据长期样本流量信息,对于业务流量信息的预测,在长周期上进行建模;
所述实时流量信息模块根据实时样本流量信息,,对于业务流量信息的预测,在短周期上进行建模;
通过所述长期流量信息模块和所述实时流量信息模块,共同实现对于实时流量预测模型的训练,得到训练好的实时流量预测模型。
具体的,本发明实施例中提出了基于AUGRU的预测模型,在建模时加入了实时序列,以及利用attention机制代替GRU中的更新门机制来对序列信息进行建模。因为电力通信网中业务的周期性一般较长,通常是以天为单位,要做到实时预测业务量大小,AUGRU就是一种很好的选择。。
AUGRU使用attention系数来直接控制隐状态的更新,AUGRU的隐状态的更新公式为:
图2为本发明实施例所提供的AUGRU的实时流量预测模型结构示意图,如图2所示,模型在结构上分为两部分,分别为长期流量信息模块和实时流量信息模块。长期流量信息模块对要预测的业务流量信息在长周期上进行建模,例如过去一周的流量信息。实时流量信息模块对业务流量的实时模块进行建模,例如过去30分钟。这两个模块使得模型能够学到业务在长周期上的流量变化规律,都是还能够根据业务在短期内流量的突发变化,对长周期结果进行一定调整,使得模型兼顾了预测的实时性以及周期性。其次,关于本发明实施例模型中的attention score的计算方式如下所示:
attention score=sigmoid(Ht*ht)
Ht是对长期流量信息处理后,最后一个unit的输出,ht是实时流量信息模块的输入,即t时刻业务的流量信息。需要注意的是,本发明实施例的长期序列模块部分,输入的序列采样的时间间隔是15分钟,而实时流量序列的采样时间间隔是2分钟,这样模型能更加准确把握序列的实时流量信息变化。此外,实时流量信息模块最后一个unit的输出就是预测的业务实时流量。
本发明实施例中通过同时考虑了长期样本流量信息和实时样本流量信息的实时流量预测模型,可以准确的进行带宽预测。
基于上述任一实施例,对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息的步骤,具体包括:
当前时刻的预测带宽信息大于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上上升修正值,得到修正后的预测带宽信息;
或当前时刻的预测带宽信息小于或等于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上下降修正值,得到修正后的预测带宽信息。
具体的,本发明实施例通过大量的实验发现,基于AUGRU的实时流量预测模型预测得到的流量数据在数值上与真实值存在一些差异,但是整体的变化规律是一致的。基于这一点,本发明实施例参考动量算法,提出了一种基于动量的修正方式,具体公式如下所示:
aup=μupaup+(1-μup)θ
adown=μdownadown+(1-μdown)θ
其中,aup表示上升修正值,adown表示下降修正值,μup表示上升方向的保留度,可以看作是阻力值,μdown表示下降方向的保留度。
接下来介绍如何使用预测修正机制去调整基于AUGRU的预测结果,修正方式如下所示:
在经过LSTM模型预测完之后,将预测结果中当前时刻流量值与前一时刻的流量值进行比较,如果当前时刻的值大于前一时刻的值,则为当前时刻的流量值加上aup进行修正,同时对aup值进行更新;同理,如果当前时刻的值小于前一时刻的值,则为当前时刻的流量值加上adown进行修正,同时对adown值进行更新。
本发明实施例中在对电力通信网的业务做带宽预测时,某业务在某时刻出现流量激增,导致预测的带宽和实际的带宽出现偏差,因此建立一套合理的带宽补偿机制,该机制能够根据预测和现实的流量偏差,在给业务分配带宽时进行一定调整,避免出现因分配带宽不足导致业务流量增加时出现大量丢包问题,实现电力通信***对业务带宽实时动态的调整。
基于上述任一实施例,在建立完训练好的实时流量预测模型之后,还要考虑如何针对预测值,为业务分配合理的带宽以及路由,保证业务在电力通信网中能安全、可靠以及高效的传播到目的地址。针对这个问题,本发明实施例提出了基于DDQN的业务带宽实时分配方法。
DDQN作为深度学习与强化学习的结合体被广泛应用,同时DDQN算法解决了传统DQN算法对Q值估计过高的问题。DDQN是Q学习算法的拓展,Q学习算法本质上是一种查表法,当状态空间S非常大时,查表法不适用。DDQN借助神经网络来表示动作状态价值函数,使得DDQN能够应用于状态空间或动作空间更复杂的场景。
与DQN类似,DDQN也需要根据本发明实施例的背景定义好状态空间以及奖励函数。首先,本发明实施例需要定义好状态空间。令At={A1,t,…,A|V|,t}表示网络中在t时刻每个节点上的业务数量,Bt={B1,t,…,B|W|,t}表示网络t时刻每条链路上承载的业务数量。网络的状态可以用(At,Bt)定义。此外,网络的状态会随着业务选择了一个跳转节点后发生变化,因此对于某条业务来说,当其处于不同的节点时,它的下一跳可选路径是不一样的,因此本发明实施例用Ct来表示当前业务的位置信息,它可以用一个独热编码来表示,向量长度为节点数量。如果当前业务处于第i个节点,那么向量中第i个位置就是1,其余都是0。至此DDQN的状态空间可以表示为St=(At,Bt,Ct)。
奖励函数的目的是评估在某个状态下选择某个动作后的价值。由于本发明实施例的目标是保障业务的带宽,同时考虑业务时延,因此奖励函数的设计既要考虑业务带宽分配的合理性,也要保证业务能在可接受时延内到达目的地址。因此,本发明实施例把是否保障业务的带宽分配需求作为奖励函数,同时还要考虑业务的优先级,即在有限带宽下,先为高优先级业务分配带宽资源,其次再考虑低优先级的业务。
同时,由于在实际的电力生产过程中需要对指标有所要求,所以需要设置对每项指标的约束条件。为此构建强化学习的奖励函数:
其中,r2是当选择动作后,分配给业务的带宽小于带宽的预测值时的奖励,r2是当选择的动作a是无效动作时反馈的奖励,一般是个较大的负数,来避免模型继续选择这种动作。r3是给业务分配路径后,网络能够满足业务的实时带宽需求,此时考虑的主要因素是平均业务时延,因此,此时的奖励值是平均业务时延。
此外还需要定义价值函数,强化学习的目的是为了最大化选择动作的价值,找到一个最优的决策,在DDQN中,先用MainNet找到maxa′Q(s′,a′;θi)的Action(θi是MainNet的参数),再去TargetNet中找到这个Action的Q值以构成Target Q值,这个Q值在TargetNet中不一定是最大的,因此可以避免宣导高估值的次优Action。最终要学习的Loss Functiion为:
L(θ)=E[(TargetQ-Q(s,a;θi))2]
上式中,L(θ)表示在DDQN的损失函数,γ为折扣系数。Q(s,a;θi)为动作状态价值函数。
本发明实施例在对业务路径进行分配时,采用基于深度强化学习算法业务路由规划算法,在采用DDQN算法做业务路由规划时,基于实际业务环境,定义了DDQN算法的动作空间和状态空间,以及DDQN算法的奖励函数,这样合理的设定奖励函数使得DDQN算法能够收敛找到最优的规划路径。
在另一实施例中,为了验证本专利提出方法的有效性,仿真场景图如下所示,该电力通信***共有17个节点,15条通信链路。此通信网络上总共有6条业务,分别是{[0,10],[0,15],[1,15],[2,12],[3,7],[4,14]}。实验设置上面一共承载有4条业务,分别为s1,s2,s3和s4,优先级为从高到低。图3为本发明实施例提供的仿真网络A网拓扑图,如图3所示,本发明实施例中分别采用朴素-带宽分配算法(Naive Bandwidth Allocation Algorithm,N-BA),基于高阶移动平均预测-带宽分配算法(Dynamic Bandwidth Allocation Algorithmbased on High-order Moving Average Model,HMAM-DBA),基于AUGRU的实时流量预测模型以及基于DDQN的实时带宽分配方法(AUGRU-DDQN)。
图4为本发明实施例提供的s1业务的时延图,如图4所示,对于s1高优先级业务,由于N-BA算法采用的是固定带宽分配模式,因此对于高优先级业务来说,总能优先满足其带宽需求。相较于N-BA算法,采用HMAM-DBA算法会使得高优先级业务的时延增长约25%左右。本文提出的AUGRU-DDQN算法由于采用AUGRU算法进行实时带宽预测,然后经过预测修正后,在预测的精确度上较HMAM-DBA算法的预测精度有一定提升,在进行带宽分配时,通过DDQN实时带宽分配模型寻找最优的带宽分配分式,因此时延较HMAM-DBA算法有了较大缩短,整体表现与N-BA算法相似。
图5为本发明实施例提供的s2业务的时延图,如图5所示,相较于N-BA算法,HMAM-DBA算法和AUGRU-DDQN算法在延迟性能上有了显著提升。其中,HMAM-DBA算法对比N-BA算法在网络负载度较高的情况下延迟性能大约提升了33%-40%;AUGRU-DDQN算法提升了约37%-44%。这是由于N-BA算法在网络负载较高时,分配给高优先级业务的带宽过多导致的。
图6为本发明实施例提供的s3业务的时延图,如图6所示,对于s3业务来说,相较于N-BA算法,HMAM-DBA算法、延迟上下降了约14%,LSTM-DBA算法减低了约17%。HMAM-DBA算法和AUGRU-DDQN算法在s3业务上获得延迟性能方面的提升的原因主要有两点:第一,通过实时带宽预测,再通过阈值设定为s3业务保障了最低分配带宽;第二,在第一次带宽分配结束后,通过二次分配将剩余带宽进行有效利用。因此,总体来说,本文提出的AUGRU-DDQN算法在通信网处于低负载和高负载时都有不错的表现。
图7为本发明实施例提供的s4业务的时延图,如图7所示,对于低优先级的s4业务来说,N-DBA算法在降低时延性方面的表现明显优于HMAM-BA算法和AUGRU-DDQN算法。尤其是当通信网处于高负载的情况下,时延较后两者降低了约65%。这是因为N-DBA算法的固定带宽分配方式导致总会为s4带宽预留一定带宽,这也导致N-DBA算法在s1-s3业务上的总体表现不如后两者。虽然HMAM-BA算法和AUGRU-DDQN算法在s4业务上的时延较高,但由于s4业务对时延性要求并不高,所以结果也是处于可接受范围。而AUGRU-DDQN算法在高负载情况下的表现优于HMAM-BA算法是因为AUGRU在预测上的精确度更高,并且得益于对s1-s3设定的阈值。
图8为本发明提供的电力通信网业务的电力通信网业务的实时带宽预测装置示意图,如图8所示,包括:预测模块810用于基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;
修正模块820用于对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;
其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。
所述装置还包括:分配模块;
所述分配模块用于将所述修正后的预测带宽信息输入目标带宽分配模型,得到目标规划路径;
其中,所述目标带宽分配模型是基于DDQN算法构建的。
本发明实施例通过构建了一个同时考虑了长期样本流量信息和实时样本流量信息的实时流量预测模型,使得模型能够很好的兼顾周期性与实时性需求,使得预测结果更精准,同时得到模型输出的预测结果后,本发明实施例中还提出了一种基于动量的预测修正算法,它能有效修正预测的结果,进一步提升预测精度。
图9为本发明提供的电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)990和通信总线940,其中,处理器910,通信接口920,存储器990通过通信总线940完成相互间的通信。处理器910可以调用存储器990中的逻辑指令,以执行电力通信网业务的实时带宽预测方法,该方法包括:基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。
此外,上述的存储器990中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的电力通信网业务的实时带宽预测方法,该方法包括:基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的电力通信网业务的实时带宽预测方法,该方法包括:基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;其中,所述于训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种电力通信网业务的实时带宽预测方法,其特征在于,包括:
基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;
对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;
其中,所述训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的;
其中,对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息的步骤,具体包括:
当前时刻的预测带宽信息大于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上上升修正值,得到修正后的预测带宽信息;
或当前时刻的预测带宽信息小于或等于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上下降修正值,得到修正后的预测带宽信息。
2.根据权利要求1所述电力通信网业务的实时带宽预测方法,其特征在于,在得到修正后的预测带宽信息的步骤之后,所述方法还包括:
将所述修正后的预测带宽信息输入目标带宽分配模型,得到目标规划路径;
其中,所述目标带宽分配模型是基于DDQN算法构建的。
3.根据权利要求1所述电力通信网业务的实时带宽预测方法,其特征在于,所述训练好的实时流量预测模型中包括:多个长期流量信息模块和多个实时流量信息模块;
所述长期流量信息模块根据长期样本流量信息,对于业务流量信息的预测,在长周期上进行建模;
所述实时流量信息模块根据实时样本流量信息,对于业务流量信息的预测,在短周期上进行建模;
通过所述长期流量信息模块和所述实时流量信息模块,共同实现对于实时流量预测模型的训练,得到训练好的实时流量预测模型。
4.根据权利要求2所述电力通信网业务的实时带宽预测方法,其特征在于,所述目标带宽分配模型的状态空间为:
St=(At,Bt,Ct);
其中,At={A1,t,…,A|V|,t}表示网络中在t时刻每个节点上的业务数量;Bt={B1,t,…,B|W|,t}表示网络t时刻每条链路上承载的业务数量;Ct来表示当前业务的位置信息。
6.一种电力通信网业务的实时带宽预测装置,其特征在于,包括:
预测模块,用于基于训练好的实时流量预测模型进行目标时间段的带宽预测,得到预测带宽信息;
修正模块,用于对所述预测带宽信息进行基于动量的修正,得到修正后的预测带宽信息;
其中,所述训练好的实时流量预测模型是基于长期样本流量信息和实时样本流量信息共同训练得到的;
其中,所述装置还用于:
当前时刻的预测带宽信息大于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上上升修正值,得到修正后的预测带宽信息;
或当前时刻的预测带宽信息小于或等于前一时刻的预测带宽信息,则为当前时刻的预测带宽信息加上下降修正值,得到修正后的预测带宽信息。
7.根据权利要求6所述电力通信网业务的实时带宽预测装置,其特征在于,所述装置还包括:分配模块;
所述分配模块用于将所述修正后的预测带宽信息输入目标带宽分配模型,得到目标规划路径;
其中,所述目标带宽分配模型是基于DDQN算法构建的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述电力通信网业务的实时带宽预测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述电力通信网业务的实时带宽预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110282173.7A CN113179175B (zh) | 2021-03-16 | 2021-03-16 | 一种电力通信网业务的实时带宽预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110282173.7A CN113179175B (zh) | 2021-03-16 | 2021-03-16 | 一种电力通信网业务的实时带宽预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113179175A CN113179175A (zh) | 2021-07-27 |
CN113179175B true CN113179175B (zh) | 2022-12-20 |
Family
ID=76922083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110282173.7A Active CN113179175B (zh) | 2021-03-16 | 2021-03-16 | 一种电力通信网业务的实时带宽预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113179175B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113904948B (zh) * | 2021-11-12 | 2023-11-03 | 福州大学 | 基于跨层的多维参数的5g网络带宽预测***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
CN104463351A (zh) * | 2014-11-15 | 2015-03-25 | 国家电网公司 | 基于电力业务需求的通信带宽预测方法及装置 |
CN105071992A (zh) * | 2015-08-26 | 2015-11-18 | 国家电网公司 | 变电站配用电业务通信带宽预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104079447A (zh) * | 2013-12-29 | 2014-10-01 | 国家电网公司 | 基于自适应滤波的带宽预测方法 |
US10855550B2 (en) * | 2016-11-16 | 2020-12-01 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN109510715B (zh) * | 2017-09-14 | 2022-02-08 | 中国电信股份有限公司 | 带宽分配方法、装置、数据中心以及存储介质 |
CN111464323A (zh) * | 2019-01-18 | 2020-07-28 | 北京沃东天骏信息技术有限公司 | 节点带宽的调度方法和调度装置 |
CN110417650B (zh) * | 2019-08-02 | 2021-12-10 | 广东中兴新支点技术有限公司 | 多链路数据分配方法、装置及电子设备 |
CN111371626B (zh) * | 2020-03-20 | 2021-05-28 | 南京大学 | 一种基于神经网络的带宽预测方法 |
-
2021
- 2021-03-16 CN CN202110282173.7A patent/CN113179175B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
CN104463351A (zh) * | 2014-11-15 | 2015-03-25 | 国家电网公司 | 基于电力业务需求的通信带宽预测方法及装置 |
CN105071992A (zh) * | 2015-08-26 | 2015-11-18 | 国家电网公司 | 变电站配用电业务通信带宽预测方法 |
Non-Patent Citations (1)
Title |
---|
Neural Machine Translation With GRU-Gated Attention Model;Biao Zhang等;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20201130;第31卷(第11期);第4688-4698页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113179175A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109768940B (zh) | 多业务sdn网络的流量分配方法及装置 | |
CN111211987B (zh) | 网络中流量动态调整方法、***、电子设备及存储介质 | |
CN113098714A (zh) | 一种基于深度强化学习的低时延网络切片的方法 | |
CN114443249A (zh) | 一种基于深度强化学习的容器集群资源调度方法及*** | |
WO2023124947A1 (zh) | 一种任务处理方法、装置及相关设备 | |
CN111416774A (zh) | 网络拥塞控制方法、装置、计算机设备及存储介质 | |
CN113179175B (zh) | 一种电力通信网业务的实时带宽预测方法及装置 | |
CN113395723B (zh) | 基于强化学习的5g nr下行调度时延优化*** | |
EP4024212B1 (en) | Method for scheduling inference workloads on edge network resources | |
CN111585915B (zh) | 长、短流量均衡传输方法、***、存储介质、云服务器 | |
CN115033359A (zh) | 一种基于时延控制的物联代理多任务调度方法和*** | |
US20230112534A1 (en) | Artificial intelligence planning method and real-time radio access network intelligence controller | |
CN114710439B (zh) | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 | |
CN116669068A (zh) | 一种基于gcn的时延业务端到端切片部署方法及*** | |
CN112231117B (zh) | 基于动态向量混合遗传算法的云机器人服务选择方法及*** | |
CN114090108A (zh) | 算力任务执行方法、装置、电子设备及存储介质 | |
CN112600827B (zh) | 基于增量式最小费用最大流的虚拟服务迁移方法及*** | |
CN110392377B (zh) | 一种5g超密集组网资源分配方法及装置 | |
KR102336297B1 (ko) | 공유 gpu 클러스터를 위한 분산 딥러닝 작업 스케줄링 방법 및 이를 기록한 컴퓨터 판독 가능 기록매체 | |
Che et al. | Deep reinforcement learning in M2M communication for resource scheduling | |
CN115314399B (zh) | 一种基于逆强化学习的数据中心流量调度方法 | |
CN115150335B (zh) | 一种基于深度强化学习的最优流量分割的方法和*** | |
CN115499365A (zh) | 路由优化方法、装置、设备及介质 | |
CN108965016B (zh) | 一种虚拟网络的映射方法及装置 | |
Chu et al. | Reinforcement learning based multi-access control with energy harvesting |
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 |