CN114786190A - 一种流量的预测方法、装置及存储介质 - Google Patents
一种流量的预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114786190A CN114786190A CN202210498906.5A CN202210498906A CN114786190A CN 114786190 A CN114786190 A CN 114786190A CN 202210498906 A CN202210498906 A CN 202210498906A CN 114786190 A CN114786190 A CN 114786190A
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- prediction model
- error value
- trained
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 abstract description 11
- 238000013461 design Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 17
- 230000001932 seasonal effect Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001595 flow curve Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种流量的预测方法、装置及存储介质，涉及通信技术领域，用于预测端口的流量数据。该方法包括：获取目标端口的第一历史流量数据，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，流量预测模型是基于Holt‑Winters算法和Prophet算法构建的，流量预测模型用于预测在当前时间之后的第二预设时段内的流量数据。
Description
技术领域
本申请涉及通信领域，尤其涉及一种流量的预测方法、装置及存储介质。
背景技术
随着科技的快速发展，云网业务、垂直行业的创新业务等均需要大量的流量数据，大量的流量数据可能导致网络发生异常。为了避免网络发生异常，可以提前对流量数据进行预测，以便对网络设备进行维护。
流量数据预测是网络管理和规划的重要依据，对于网络监测、资源分配和威胁检测起着重要的作用。准确的流量预测能够帮助管理者提前制定网络资源分配策略，有效解决即将到来的拥塞事件。因此，如何预测流量数据成为一个亟待解决的技术问题。
发明内容
本申请提供一种流量的预测方法、装置及存储介质，可以预测端口的流量数据。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提供一种流量的预测方法。该方法中，获取目标端口的第一历史流量数据，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，流量预测模型是基于Holt-Winters算法和Prophet算法构建的，流量预测模型用于预测在当前时间之后的第二预设时段内的流量数据。
基于上述技术方案，服务器获取目标端口的第一历史流量数据，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。之后，服务器将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，由于流量预测模型是基于Holt-Winters算法和Prophet算法构建的，Prophet算法和Holt-Winters算法均为时间序列算法，可以适应平稳序列的变化，且流量数据通常处于平稳变化。因此，通过训练后的流量预测模型，可以预测流量数据，进而对网络资源进行预配置，避免发生网络拥塞。
一种可能的设计中，训练后的流量预测模型包括：训练后的第一预测模型和训练后的第二预测模型，第一预测模型是基于Holt-Winters算法构建的，第二预测模型是基于Prophet算法构建的。将第一历史流量数据输入训练后的第一预测模型，得到第一预测流量。该流量的预测模型还可以包括：将第一历史流量数据输入训练后的第二预测模型，得到第二预测流量。根据第一预设权重、第一预测流量、第二预设权重和第二预测流量，确定预测流量数据，第一预设权重与训练后的第一预测模型相对应，第二预设权重与训练后的第二预测模型相对应。
一种可能的设计中，第一预设权重是基于第一误差值和第二误差值得到的，第二预设权重是基于第一误差值和第二误差值得到的。其中，第一误差值用于反映通过训练后的第一预测模型得到预测数据的准确程度，第二误差值用于反映通过训练后的第二预测模型得到预测数据的准确程度。
一种可能的设计中，在第一误差值大于第二误差值的情况下，第一预设权重小于第二预设权重。在第二误差值大于第一误差值的情况下，第二预设权重小于第一预设权重。
一种可能的设计中，该流量的预测模型还可以包括：获取目标端口的第二历史流量数据，第二历史流量数据为在当前时间之前的第一预设时段内的原始流量数据。对第二历史流量数据进行数据预处理，得到第一历史流量数据。
第二方面，本申请提供一种流量的预测装置，该装置包括获取单元和处理单元。
获取单元，用于获取目标端口的第一历史流量数据，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。处理单元，用于将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，流量预测模型是基于Holt-Winters算法和Prophet算法构建的，流量预测模型用于预测在当前时间之后的第二预设时段内的流量数据。
一种可能的设计中，训练后的流量预测模型包括：训练后的第一预测模型和训练后的第二预测模型，第一预测模型是基于Holt-Winters算法构建的，第二预测模型是基于Prophet算法构建的。处理单元，具体用于将第一历史流量数据输入训练后的第一预测模型，得到第一预测流量。处理单元，具体用于将第一历史流量数据输入训练后的第二预测模型，得到第二预测流量。处理单元，具体用于根据第一预设权重、第一预测流量、第二预设权重和第二预测流量，确定预测流量数据，第一预设权重与训练后的第一预测模型相对应，第二预设权重与训练后的第二预测模型相对应。
一种可能的设计中，第一预设权重是基于第一误差值和第二误差值得到的，第二预设权重是基于第一误差值和第二误差值得到的。其中，第一误差值用于反映通过训练后的第一预测模型得到预测数据的准确程度，第二误差值用于反映通过训练后的第二预测模型得到预测数据的准确程度。
一种可能的设计中，在第一误差值大于第二误差值的情况下，第一预设权重小于第二预设权重。在第二误差值大于第一误差值的情况下，第二预设权重小于第一预设权重。
一种可能的设计中，获取单元，具体用于获取目标端口的第二历史流量数据，第二历史流量数据为在当前时间之前的第一预设时段内的原始流量数据。处理单元，具体用于对第二历史流量数据进行数据预处理，得到第一历史流量数据。
第三方面，本申请提供了一种流量的预测装置，该装置包括：处理器和存储器；所述处理器和所述存储器耦合；所述存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该流量的预测装置运行时，处理器执行该存储器存储的该计算机执行指令，以实现如第一方面和第一方面的任一种可能的实现方式中所描述的流量的预测方法。
第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行上述第一方面和第一方面的任一种可能的实现方式中所描述的流量的预测方法。
第五方面，本申请提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如第一方面和第一方面的任一种可能的实现方式中所描述的流量的预测方法。
上述方案中，流量的预测装置、计算机设备、计算机存储介质或者芯片所能解决的技术问题以及实现的技术效果可以参见上述第一方面所解决的技术问题以及技术效果，在此不再赘述。
附图说明
图1为本申请实施例提供的一种通信***的***架构图；
图2为本申请实施例提供的一种流量的预测方法的流程示意图；
图3为本申请实施例提供的另一种流量的预测方法的流程示意图；
图4为本申请实施例提供的另一种流量的预测方法的流程示意图；
图5为本申请实施例提供的另一种流量的预测方法的流程示意图；
图6为本申请实施例提供的另一种流量的预测方法的流程示意图；
图7为本申请实施例提供的一种流量的预测装置的结构示意图；
图8为本申请实施例提供的另一种流量的预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
本文中字符“/”，一般表示前后关联对象是一种“或者”的关系。例如，A/B可以理解为A或者B。
本申请的说明书和权利要求书中的术语“第一”和“第二”是用于区别不同的对象，而不是用于描述对象的特定顺序。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、***、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括其他没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
另外，在本申请实施例中，“示例性的”、或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”、或者“例如”等词旨在以具体方式呈现概念。
为了便于理解，下面先对本申请实施例所涉及的术语进行介绍。
1、Holt-Winters算法。
Holt-Winters算法是一种时间序列分析和预测算法。该Holt-Winters算法对含有线性趋势和周期波动的非平稳序列适用，Holt-Winters算法可以利用指数移动平均值(Exponential Moving Average，EMA)或者指数平滑法(Exponential Smoothing，ES)让Holt-Winters算法的参数不断适应非平稳序列的变化，并对未来趋势进行短期预报。
Holt-Winters算法有两种不同的季节性组成部分。当季节变化在该时间序列中大致保持不变时，通常选择加法算法。而当季节变化与时间序列的水平成比例变化时，通常选择乘法算法。
2、Prophet算法。
Prophet算法是一个基于加法算法的时间序列数据预测算法。其中，Prophet算法的非线性趋势与时间周期(如以年为单位的时间周期、以周为单位的时间周期、以日为单位的时间周期)的季节性以及假日效应相匹配。Prophet算法可以适用于具有强烈季节性影响的时间序列和几个季节的历史数据。Prophet算法对数据缺失和趋势变化非常敏感，能够很好地处理异常值。
3、箱线图法。
箱线图于1977年由美国著名统计学家约翰·图基发明。箱线图又称为盒须图、盒式图、盒状图或箱形图，是一种用作显示一组数据分散情况资料的统计图。箱线图能显示出一组数据的最大值、最小值、中位数、及上下四分位数，可以直观地识别数据中异常值(可以称为离群点)。
4、插值法。
插值法就是一个从已知点计算未知点的近似计算方法。插值法可以构造一个多项式函数，使其通过所有已知点，然后用求得的函数预测未知点。也就是说，在离散数据的基础上补插连续函数，使得一条连续曲线通过全部给定的离散数据点。
以上是本申请实施例所涉及的术语的介绍，以下不再赘述。
随着科技的快速发展，云网业务、垂直行业的创新业务等均需要大量的流量数据，大量的流量数据可能导致网络发生异常。为了避免网络发生异常，可以提前对流量数据进行预测，以便对网络设备进行维护。
流量数据预测是网络管理和规划的重要依据，对于网络监测、资源分配和威胁检测起着重要的作用。准确的流量预测能够帮助管理者提前制定网络资源分配策略，有效解决即将到来的拥塞事件。因此，如何预测流量数据成为一个亟待解决的技术问题。
目前的技术方案中，可以采用基于长短时记忆网络(Long Short-Term Memory，LSTM)对流量进行预测。LSTM是循环神经网络(Recurrent Neural Network,RNN)的改进，通过不同三个门控制之前信息对当前信息的影响。它适合处理和预测时间序列问题，分类准确度高，具备联想记忆的功能。但是神经网络需要训练大量的参数和大量的训练数据。并且，LSTM不能观察学习过程，输出结果难以解释，会影响到结果的可信度和接受程度。并且，LSTM的训练时间过长，有时甚至达不到学习目的，并不适合产品上线采用。
本申请实施例公开了一种流量的预测方法。该方法中，服务器获取目标端口的第一历史流量数据，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。服务器将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，流量预测模型是基于Holt-Winters算法和Prophet算法构建的，流量预测模型用于预测在当前时间之后的第二预设时段内的流量数据。由于Holt-Winters算法和Prophet算法均为时间序列算法，可以适应平稳序列的变化，且流量数据通常处于平稳变化。因此，通过训练后的流量预测模型，可以预测流量数据，进而对网络资源进行预配置，避免发生网络拥塞。并且，Holt-Winters算法和Prophet算法所需要训练的参数数量和训练数据较少，可以提高训练速度，提高预测效率。
在对本申请实施例的流量的预测方法进行详细介绍之前，先对本申请实施例的实施环境和应用场景进行介绍。
如图1所示，为本申请实施例提供的一种通信***，该通信***包括网络设备(例如路由器或者基站等)和服务器。
基站可以包括各种形式的基站，例如：宏基站，微基站(也称为小站)，中继站，接入点等。具体可以为：是无线局域网(Wireless Local Area Network，WLAN)中的接入点(access point，AP)，全球移动通信***(Global System for Mobile Communications，GSM)或码分多址接入(Code Division Multiple Access，CDMA)中的基站(BaseTransceiver Station，BTS)，也可以是宽带码分多址(Wideband Code Division MultipleAccess，WCDMA)中的基站(NodeB，NB)，还可以是LTE中的演进型基站(Evolved Node B，eNB或eNodeB)，或者中继站或接入点，或者车载设备、可穿戴设备以及未来5G网络中的下一代节点B(The Next Generation Node B，gNB)或者未来演进的公用陆地移动网(Public LandMobile Network，PLMN)网络中的基站等。
服务器可以为物理服务器，也可以为云端服务器。服务器可以与网络设备(例如基站)进行通信。例如，服务器获取网络设备的信息(例如出厂信息、网络设备设置信息)。并且，服务器可以对网络设备的信息进行处理。并且，服务器还可以保存网络设备的信息。
以下实施例中的方法均可以在上述***架构中实现。以下实施例中以上述服务器为执行主体为例，结合说明书附图对本申请实施例进行具体说明。
如图2所示，为本申请实施例提供的一种流量的预测方法，该方法包括：
S201、服务器获取目标端口的第一历史流量数据。
其中，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。
示例性的，假如目标端口为端口A，当前时间为2019年10月30日，第一预设时段为当前时间之前5天内的时间段，即第一预设时段为2019年10月25日-2019年10月29日，第一历史流量数据包括端口A在2019年10月25日-2019年10月29日内的流量数据。假如当前时间为2019年10月30日，第一预设时段为当前时间之前29天内的时间段，即第一预设时段为2019年10月01日-2019年10月29日，第一历史流量数据包括端口A在2019年10月01日-2019年10月29日内的流量数据。
需要说明的是，第一历史流量数据包括在当前时间之前的第一预设时段内多个时刻的瞬时流量。例如，假如第一预设时段为2019年10月29日，多个时刻可以包括：06:00、12:00、18:00，即第一历史流量数据包括目标端口在2019年10月29日06:00的流量数据、12:00的流量数据、18:00的流量数据。
需要说明的是，本申请实施例对时刻的最小单位不作限定。例如，时间单位可以精确到秒，如12点30分01秒时的瞬时流量数据。又例如，时间单位可以精确到毫秒。又例如，时间单位可以精确到纳秒。
在一种可能的实现方式中，服务器可以通过简单网络管理协议(Simple NetworkManagement Protocol，SNMP)协议采集目标端口的第一历史信息，第一历史信息包括第一历史流量数据。之后，服务器存储第一历史流量数据。然后，服务器可以根据从存储的数据中获取第一历史流量数据。
示例性的，服务器可以周期性按照预设间隔时段采集目标端口的第一历史信息。例如，预设间隔时段可以为1分钟。又例如，预设间隔时段为5分钟。又例如，预设间隔时段为15分钟。
一种可能的设计中，第一历史信息可以包括：采集时刻、设备标识、端口标识、流入流量、流出流量、流量类型、地区(如省和市)。
需要说明的是，采集时刻为采集流量数据的时刻。设备标识为网络设备的标识。端口标识为网络设备中端口的标识。流入流量为流入端口的流量，流出流量为流出端口的流量。地区为端口所在的地区。
例如，如表1所示，其示出了第一历史信息。
表1第一历史信息
其中，Datetime用于表示采集时刻。例如，datetime为1619798400，表示采集时刻为距离原始时刻1619798400秒的时刻。Devid用于表示设备标识，index用于表示端口标识，Inbit用于表示流入流量，Outbit用于表示流出流量，Type用于表示流量类型。Provid用于表示端口所在省份。Cityid用于表示端口所在城市。
以第一条数据为例，在距离原始时刻1619798400秒的时刻，采集设备标识为201000702的设备中端口标识为72的端口的流入流量为7143.5，流出流量为7153。流量的流量类型为0，端口所在省份为102(如102对应的为河南)，端口所在的城市为0(如0对应的为郑州)。
S202、服务器将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据。
其中，流量预测模型是基于Holt-Winters算法和Prophet算法构建的，流量预测模型用于预测在当前时间之后的第二预设时段内的流量数据。
示例性的，如图3所示，假如目标端口为端口A，当前时间为2019年10月30日，第一预设时段为当前时间之前5天内的时间段，即第一预设时段为2019年10月25日-2019年10月29日。第二预设时段为当前时间之后2天内的时间段，即第一预设时段为2019年10月31日-2019年11月01日。则可以将2019年10月25日-2019年10月29日的流量数据输入训练后的流量预测模型，得到2019年10月31日-2019年11月01日的流量数据。
需要说明的是，Holt-Winters算法有两种不同的季节性算法模型(加法模型和乘法模型)。当季节变化对时间序列中数据的影响程度较小时，通常选择加法模型。当季节变化对时间序列中数据的影响程度较大时，通常选择乘法模型。通常情况下，在预测流量数据的场景中，可以采用加法模型。本发明采用基于加法模型的Holt-Winters算法，该Holt-Winters算法可以满足公式一。
lt＝α(yt-st-m)+(1-α)(lt-1+bt-1)
bt＝β(lt-lt-1)+(1-β)bt-1
st＝γ(yt-lt-1-bt-1)+(1-γ)st-m
其中，
用于表示第一预测模型。lt用于表示水平方向的分量，lt-1为lt的前一个时间点。bt用于表示预测垂直趋势，bt-1为bt的前一个时间点。st用于表示季节性分量。yt用于表示季节性调整的观察值。
用于表示通过Holt-Winters算法确定的第h个预测流量数据。st-m用于表示st的前一个周期。st-m+h用于表示前一个季节对应的第h个点的季节分量。t和m均用于表示时间。
可选的，m还用于表示季节频率。例如，季节频率可以为1天。又例如，季节频率可以为10天。又例如，季节频率可以为3天。
需要说明的是，lt是预测流量数据的基准，不随时间变化。bt是预测流量数据随时间变化的向上、向下趋势。st用于反映流量数据的周期性变化的趋势。
其中，α为lt的平滑系数，β为bt的平滑系数，γ为st的平滑系数，
用于表示季节性调整的预测值，
用于表示要预测的第h个流量值，st-m+h用于表示前一个季节对应的第h个点的季节分量。
Prophet算法可以满足公式二。
y2(t)＝g(t)+s(t)+h(t)+εt 公式二。
其中，y2(t)用于表示第二预测模型。g(t)用于表示流量数据的趋势函数，s(t)用于表示流量数据的周期性变化，h(t)用于表示特定时间点(如假期)对流量数据的影响，εt用于表示误差项，表示流量预测模型中不能适应的特殊变化并认为它服从正态分布。
需要说明的是，时间单位为天、或者周时，流量数据存在趋势。例如，以天为周期时，晚上的流量数据大于早上。以周为周期时，周末(周六和周日)的流量数据大于工作日(周一至周五)。
示例性的，设置4个模型参数，预测类型、光滑参数、置信区间和寻找突变点的比例，分别为linear(流量预测中增长函数为线性函数)，0.05(流量预测用来控制趋势的灵活度)，0.9(预测出的数据有90％的可能会落在置信区间内)和0.8(变点的选择是基于流量时间序列的前80％的历史数据)。
需要说明的是，Prophet使用了两种趋势算法：饱和增长算法和分段线性算法。两种算法都包含了不同程度的假设和一些调节光滑的参数，并通过选择变化点来预测趋势变化。
其中，饱和增长算法可以满足公式三。
分段线性算法满足公式四。
g(t)＝(k+a(t)Tδ)t+(u+a(t)Tγ) 公式四。
其中，C(t)用于表示流量数据变化中的最大渐近值函数，K用于表示流量曲线的增长率，u用于表示流量曲线的中点，δ用于表示流量变化中在一段时间上增加率的变化量，u用于表示抵消参数，a(t)用于表示指示函数。
一种可能的设计中，prophet的周期模型使用傅里叶级数来建立。
prophet算法可以通过公式五表示。
其中，P用于表示预测流量数据的周期。例如，P为1时，则可以将预测流量数据的周期设置为1天。又例如，P为7时，则可以将预测流量数据的周期设置为7天。又例如，P为30时，则可以将预测流量数据的周期设置为30天。
基于上述技术方案，服务器获取目标端口的第一历史流量数据，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。之后，服务器将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，由于流量预测模型是基于Holt-Winters算法和Prophet算法构建的，Prophet算法和Holt-Winters算法均为时间序列算法，可以适应平稳序列的变化，且流量数据通常处于平稳变化。因此，通过训练后的流量预测模型，可以预测流量数据，进而对网络资源进行预配置，避免发生网络拥塞。
在一些实施例中，服务器可以周期性训练流量预测模型，并更新训练后的流量预测模型。
示例性的，服务器可以每三天采集一次端口A的历史流量数据，训练流量预测模型。
如图4所示，为本申请实施例提供的另一种流量的预测方法，该方法中S202可以包括：
S401、服务器将第一历史流量数据输入训练后的第一预测模型，得到第一预测流量。
在本申请实施例中，训练后的流量预测模型包括训练后的第一预测模型，第一预测模型是基于Holt-Winters算法构建的。
S402、服务器将第一历史流量数据输入训练后的第二预测模型，得到第二预测流量。
在本申请实施例中，训练后的流量预测模型还包括训练后的第二预测模型，第二预测模型是基于Prophet算法构建的。
S403、服务器根据第一预设权重、第一预测流量、第二预设权重和第二预测流量，确定预测流量数据。
其中，第一预设权重与训练后的第一预测模型相对应，第二预设权重与训练后的第二预测模型相对应。
一种可能的设计中，预测流量数据可以满足公式六。
y(t)＝W1×y1(t)+W2×y2(t) 公式六。
其中，y(t)用于表示预测流量数据，W1用于表示第一预测模型对应的权重，y1(t)用于表示第一预测模型，W2用于表示第二预测模型对应的权重，y2(t)用于表示第二预测模型。
需要说明的是，第一预设权重与第二预设权重之间的和为1。
示例性的，如图5所示，假如第一预测模型得到的第一预测流量为100，第二预测模型得到的第二预测流量为200。若第一预设权重为0.2，第二预设权重为0.8，则流量预测模型得到的预测流量数据为180。又例如，若第一预设权重为0.8，第二预设权重为0.2，则流量预测模型得到的预测流量数据为120。
可以理解的是，不同的预测模型得到的预测数据可能不同。将第一历史流量数据输入训练后的第一预测模型，得到第一预测流量。将第一历史流量数据输入训练后的第二预测模型，得到第二预测流量。之后，可以根据第一预设权重、第一预测流量、第二预设权重和第二预测流量，确定预测流量数据。如此，可以结合第一预设权重调整第一预测模型的预测结果(即第一预测流量)对最终的预测流量数据的影响分子，结合第二预设权重调整第二预测模型的预测结果(即第二预测流量)对最终的预测流量数据的影响分子，以改善流量预测模型预测流量数据的准确度。
在一些实施例中，第一预设权重是基于第一误差值和第二误差值得到的，第二预设权重是基于第一误差值和第二误差值得到的。
其中，第一误差值用于反映通过训练后的第一预测模型得到预测数据的准确程度，第二误差值用于反映通过训练后的第二预测模型得到预测数据的准确程度。
示例性的，误差值可以为平均绝对百分比误差值。平均绝对百分比误差值可以满足公式七。
其中，MAPE用于表示平均绝对百分比误差值，y′用于表示预测流量数据，y用于表示真实流量数据，n用于表示样本数量。
在一种可能的实现方式中，服务器可以根据第一误差值和第二误差值，确定第一预设权重，并根据第一误差值和第二误差值，确定第二预设权重。
示例性的，第一误差值与第二误差值之间的比值，和第一预设权重与第二预设权重之间的比值呈反比。假如第一误差值为0.6，第二误差值为0.4，则第一预设权重为0.4，第二预设权重为0.6。假如第一误差值为0.7，第二误差值为0.3，则第一预设权重为0.3，第二预设权重为0.7。
可以理解的是，第一误差值用于反映通过训练后的第一预测模型得到预测数据的准确程度，第二误差值用于反映通过训练后的第二预测模型得到预测数据的准确程度。如此，通过第一误差值和第二误差值得到第一预设权重和第二预设权重，可以较为准确地调整流量预测模型的侧重点，保障预测流量数据的准确性。
在本申请实施例中，误差值越大，误差值对应的权重越小。
一种可能的设计中，在第一误差值大于第二误差值的情况下，第一预设权重小于第二预设权重。
示例性的，第一误差值与第二误差值之间的比值，和第一预设权重与第二预设权重之间的比值呈反比。假如第一误差值为0.7，第二误差值为0.3，则第一预设权重为0.3，第二预设权重为0.7。
另一种可能的设计中，在第二误差值大于第一误差值的情况下，第二预设权重小于第一预设权重。
示例性的，第一误差值与第二误差值之间的比值，和第一预设权重与第二预设权重之间的比值呈反比。假如第一误差值为0.6，第二误差值为0.4，则第一预设权重为0.4，第二预设权重为0.6。
可以理解的是，误差值越大，说明预测模型得到预测数据的准确程度越低。如此，在第一误差值大于第二误差值的情况下，说明第二预测模型预测的准确程度较高。第一预设权重小于第二预设权重，可以提高第二预测模型得到的预测数据对最终的预测流量数据的影响分子，以提高流量预测模型得到的预测流量数据的准确度。在第二误差值大于第一误差值的情况下，说明第一预测模型预测的准确程度较高。第二预设权重小于第一预设权重，可以提高第一预测模型得到的预测数据对最终的预测流量数据的影响分子，以提高流量预测模型得到的预测流量数据的准确度。
需要说明的是，服务器获取的端口的历史流量数据中可能存在异常数据。如此，可能导致训练的流量预测模型的预测准确度较低，预测流量数据不准确。
如图6所示，为本申请实施例提供的另一种流量的预测方法，该方法中S201可以包括：
S601、服务器获取目标端口的第二历史流量数据。
其中，第二历史流量数据为在当前时间之前的第一预设时段内的原始流量数据。
在一种可能的实现方式中，服务器可以通过SNMP协议采集目标端口的第二历史信息，第二历史信息包括第二历史流量数据。之后，服务器存储第二历史流量数据。然后，服务器可以根据从存储的数据中获取第一历史流量数据。
示例性的，如表2所示，其示出了第二历史信息。
表2第二历史信息
需要说明的是，具体对于表2的描述，可以参考对于表1的介绍，此处不予赘述。
结合表2可知，在距离原始时刻1619799000秒的时刻，采集设备标识为201000702的设备中端口标识为72的端口的流入流量为100，在距离原始时刻1619799600秒的时刻，流入流量为511，在距离原始时刻1619800200秒的时刻，流入流量为17179.5。
S602、服务器对第二历史流量数据进行数据预处理，得到第一历史流量数据。
其中，第一历史流量数据为进行数据预处理后的第二历史流量数据。
在一种可能的实现方式中，服务器采用预设处理算法对第二历史流量数据进行数据预处理，得到第一历史流量数据。
需要说明的是，本申请实施例对预设处理算法不作限定。例如，预设处理算法可以为箱线图法。又例如，预设处理算法可以为插值法，如第二历史流量数据中存在空值，可以补全空值。
一种可能的设计中，预设处理算法(如箱线图法)可以满足公式八。
Qmax＝Q3+1.5*IQR
Qmin＝Q1-1.5*IQR 公式八。
其中，Qmax和Qmin用于表示流量数据中异常数据的取值界限。也就是说，当流量数据大于Qmax，则该流量数据可以为异常数据。当流量数据小于Qmax，则该流量数据为异常数据。
示例性的，假如Qmax为1000，Qmin为50。假如流量数据为2000，则该流量数据为异常数据。假如流量数据为800，则该流量数据为正常的流量数据(即不存在异常)。假如流量数据为1，则该流量数据为异常数据。
Q3用于表示上四分位数，Q1用于表示下四分位数。IQR用于表示Q3和Q1之间的差值。
示例性的，结合表2可知，在距离原始时刻1619799000秒的时刻，采集设备标识为201000702的设备中端口标识为72的端口的流入流量为100，在距离原始时刻1619799600秒的时刻，流入流量为511，在距离原始时刻1619800200秒的时刻，流入流量为17179.5。通过箱线图法可以将上述数据(距离原始时刻1619799000秒的数据、距离原始时刻1619799600秒的数据、距离原始时刻1619800200秒的数据)确定为异常数据。即第一历史数据中不包括上述数据(距离原始时刻1619799000秒的数据、距离原始时刻1619799600秒的数据、距离原始时刻1619800200秒的数据)。
可以理解的是，获取目标端口的第二历史流量数据，第二历史流量数据为在当前时间之前的第一预设时段内的原始流量数据。对第二历史流量数据进行数据预处理，得到第一历史流量数据。这样一来，可以保障得到的第一历史流量数据中的数据异常概率较低，进而提升得到的预测流量数据的准确性。
在一些实施例中，服务器可以发出通过流量预测模型确定的预测流量数据，并显示预测流量数据。
可选的，服务器可以显示第一历史流量数据，和/或第二历史流量数据。
可以理解的是，通过显示流量数据，可以使维护人员了解当前流量状况，进而可以及时地维护网络设备。
在一些实施例中，若预测流量数据大于预设流量阈值，则生成告警信息。
上述主要从计算机设备的角度对本申请实施例提供的方案进行了介绍。可以理解的是，计算机设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本申请所公开的实施例描述的各示例的流量的预测方法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例还提供一种流量的预测装置。该流量的预测装置可以为计算机设备，也可以是上述计算机设备中的CPU，还可以是上述计算机设备中用于确定流量的预测流量的预测的处理模块，还可以是上述计算机设备中用于流量的预测的客户端。
本申请实施例可以根据上述方法示例对流量的预测进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
如图7所示，为本申请实施例提供的一种流量的预测装置的结构示意图。流量的预测装置可以包括获取单元701和处理单元702。
获取单元701，用于获取目标端口的第一历史流量数据，第一历史流量数据为在当前时间之前的第一预设时段内的流量数据。处理单元702，用于将第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，流量预测模型是基于Holt-Winters算法和Prophet算法构建的，流量预测模型用于预测在当前时间之后的第二预设时段内的流量数据。
一种可能的设计中，训练后的流量预测模型包括：训练后的第一预测模型和训练后的第二预测模型，第一预测模型是基于Holt-Winters算法构建的，第二预测模型是基于Prophet算法构建的。处理单元702，具体用于将第一历史流量数据输入训练后的第一预测模型，得到第一预测流量。处理单元702，具体用于将第一历史流量数据输入训练后的第二预测模型，得到第二预测流量。处理单元702，具体用于根据第一预设权重、第一预测流量、第二预设权重和第二预测流量，确定预测流量数据，第一预设权重与训练后的第一预测模型相对应，第二预设权重与训练后的第二预测模型相对应。
一种可能的设计中，第一预设权重是基于第一误差值和第二误差值得到的，第二预设权重是基于第一误差值和第二误差值得到的。其中，第一误差值用于反映通过训练后的第一预测模型得到预测数据的准确程度，第二误差值用于反映通过训练后的第二预测模型得到预测数据的准确程度。
一种可能的设计中，在第一误差值大于第二误差值的情况下，第一预设权重小于第二预设权重。在第二误差值大于第一误差值的情况下，第二预设权重小于第一预设权重。
一种可能的设计中，获取单元701，具体用于获取目标端口的第二历史流量数据，第二历史流量数据为在当前时间之前的第一预设时段内的原始流量数据。处理单元702，具体用于对第二历史流量数据进行数据预处理，得到第一历史流量数据。
图8示出了上述实施例中所涉及的流量的预测装置的又一种可能的结构。该流量的预测装置包括：处理器801和通信接口802。处理器801用于对装置的动作进行控制管理，例如，执行上述方法实施例中所示的方法流程中的各个步骤，和/或用于执行本文所描述的技术的其它过程。通信接口802用于支持该流量的预测装置与其他网络实体的通信。流量的预测装置还可以包括存储器803和总线804，存储器803用于存储装置的程序代码和数据。
其中，上述处理器801可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，单元和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，单元和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
存储器803可以包括易失性存储器，例如随机存取存储器；该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘；该存储器还可以包括上述种类的存储器的组合。
总线804可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线804可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在实际实现时，获取单元701可以由图8所示的通信接口802实现，处理单元702可以由图8所示的处理器801调用存储器803中的程序代码来实现。其具体的执行过程可参考图2所示的流量的预测方法部分的描述，这里不再赘述。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得该计算机执行上述方法实施例中的流量的预测方法。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得该计算机执行上述方法实施例所示的方法流程中的流量的预测方法。
其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
由于本发明的实施例中的流量的预测装置、计算机可读存储介质、计算机程序产品可以应用于上述方法，因此，其所能获得的技术效果也可参考上述方法实施例，本发明实施例在此不再赘述。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (12)
1.一种流量的预测方法，其特征在于，所述方法包括：
获取目标端口的第一历史流量数据，所述第一历史流量数据为在当前时间之前的第一预设时段内的流量数据；
将所述第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，所述流量预测模型是基于Holt-Winters算法和Prophet算法构建的，所述流量预测模型用于预测在所述当前时间之后的第二预设时段内的流量数据。
2.根据权利要求1所述的方法，其特征在于，所述训练后的流量预测模型包括：训练后的第一预测模型和训练后的第二预测模型，所述第一预测模型是基于所述Holt-Winters算法构建的，所述第二预测模型是基于所述Prophet算法构建的；
将所述第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，包括：
将所述第一历史流量数据输入所述训练后的第一预测模型，得到第一预测流量；
将所述第一历史流量数据输入所述训练后的第二预测模型，得到第二预测流量；
根据第一预设权重、所述第一预测流量、第二预设权重和所述第二预测流量，确定所述预测流量数据，所述第一预设权重与所述训练后的第一预测模型相对应，所述第二预设权重与所述训练后的第二预测模型相对应。
3.根据权利要求2所述的方法，其特征在于，所述第一预设权重是基于第一误差值和第二误差值得到的，所述第二预设权重是基于第一误差值和第二误差值得到的；
其中，所述第一误差值用于反映通过所述训练后的第一预测模型得到预测数据的准确程度，所述第二误差值用于反映通过所述训练后的第二预测模型得到预测数据的准确程度。
4.根据权利要求3所述的方法，其特征在于，
在所述第一误差值大于所述第二误差值的情况下，所述第一预设权重小于所述第二预设权重；
在所述第二误差值大于所述第一误差值的情况下，所述第二预设权重小于所述第一预设权重。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述获取目标端口的第一历史流量数据，包括：
获取所述目标端口的第二历史流量数据，所述第二历史流量数据为在所述当前时间之前的所述第一预设时段内的原始流量数据；
对所述第二历史流量数据进行数据预处理，得到所述第一历史流量数据。
6.一种流量的预测装置，其特征在于，所述装置包括：
获取单元，用于获取目标端口的第一历史流量数据，所述第一历史流量数据为在当前时间之前的第一预设时段内的流量数据；
处理单元，用于将所述第一历史流量数据输入训练后的流量预测模型，得到预测流量数据，所述流量预测模型是基于Holt-Winters算法和Prophet算法构建的，所述流量预测模型用于预测在所述当前时间之后的第二预设时段内的流量数据。
7.根据权利要求6所述的装置，其特征在于，所述训练后的流量预测模型包括：训练后的第一预测模型和训练后的第二预测模型，所述第一预测模型是基于所述Holt-Winters算法构建的，所述第二预测模型是基于所述Prophet算法构建的；
所述处理单元，具体用于将所述第一历史流量数据输入所述训练后的第一预测模型，得到第一预测流量；
所述处理单元，具体用于将所述第一历史流量数据输入所述训练后的第二预测模型，得到第二预测流量；
所述处理单元，具体用于根据第一预设权重、所述第一预测流量、第二预设权重和所述第二预测流量，确定所述预测流量数据，所述第一预设权重与所述训练后的第一预测模型相对应，所述第二预设权重与所述训练后的第二预测模型相对应。
8.根据权利要求7所述的装置，其特征在于，所述第一预设权重是基于第一误差值和第二误差值得到的，所述第二预设权重是基于第一误差值和第二误差值得到的；
其中，所述第一误差值用于反映通过所述训练后的第一预测模型得到预测数据的准确程度，所述第二误差值用于反映通过所述训练后的第二预测模型得到预测数据的准确程度。
9.根据权利要求8所述的装置，其特征在于，
在所述第一误差值大于所述第二误差值的情况下，所述第一预设权重小于所述第二预设权重；
在所述第二误差值大于所述第一误差值的情况下，所述第二预设权重小于所述第一预设权重。
10.根据权利要求6-9中任一项所述的装置，其特征在于，
所述获取单元，具体用于获取所述目标端口的第二历史流量数据，所述第二历史流量数据为在所述当前时间之前的所述第一预设时段内的原始流量数据；
所述处理单元，具体用于对所述第二历史流量数据进行数据预处理，得到所述第一历史流量数据。
11.一种流量的预测装置，其特征在于，包括：处理器和存储器；所述处理器和所述存储器耦合；所述存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该流量的预测装置运行时，处理器执行该存储器存储的该计算机执行指令，以使该流量的预测装置执行如权利要求1-5中任一项所述的方法。
12.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当计算机执行该指令时，该计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210498906.5A CN114786190A (zh) | 2022-05-09 | 2022-05-09 | 一种流量的预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210498906.5A CN114786190A (zh) | 2022-05-09 | 2022-05-09 | 一种流量的预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114786190A true CN114786190A (zh) | 2022-07-22 |
Family
ID=82437684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210498906.5A Pending CN114786190A (zh) | 2022-05-09 | 2022-05-09 | 一种流量的预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114786190A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116074209A (zh) * | 2023-02-20 | 2023-05-05 | 中移动信息技术有限公司 | 数据预测方法、装置、设备及计算机存储介质 |
| CN116341189A (zh) * | 2023-01-12 | 2023-06-27 | 山西大学 | 基于小波变换的Prophet和Holt-Winters组合模型的热舒适度预测方法 |
| CN117479219A (zh) * | 2023-11-07 | 2024-01-30 | 广州方舟文化科技有限公司 | 一种手机流量卡套餐监测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
| CN113037531A (zh) * | 2019-12-25 | 2021-06-25 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
| CN113055923A (zh) * | 2019-12-27 | 2021-06-29 | ***通信集团湖南有限公司 | 移动网络流量预测方法、装置及设备 |
| CN114282648A (zh) * | 2021-12-10 | 2022-04-05 | 中国联合网络通信集团有限公司 | 一种流量预测方法、装置及存储介质 |
-
2022
- 2022-05-09 CN CN202210498906.5A patent/CN114786190A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113037531A (zh) * | 2019-12-25 | 2021-06-25 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
| CN113055923A (zh) * | 2019-12-27 | 2021-06-29 | ***通信集团湖南有限公司 | 移动网络流量预测方法、装置及设备 |
| CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
| CN114282648A (zh) * | 2021-12-10 | 2022-04-05 | 中国联合网络通信集团有限公司 | 一种流量预测方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| AI蜗牛车: "【时间序列】Holt-Winters 指数平滑方法及其 Python 实践", 《CSDN》, pages 1 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341189A (zh) * | 2023-01-12 | 2023-06-27 | 山西大学 | 基于小波变换的Prophet和Holt-Winters组合模型的热舒适度预测方法 |
| CN116074209A (zh) * | 2023-02-20 | 2023-05-05 | 中移动信息技术有限公司 | 数据预测方法、装置、设备及计算机存储介质 |
| CN117479219A (zh) * | 2023-11-07 | 2024-01-30 | 广州方舟文化科技有限公司 | 一种手机流量卡套餐监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114786190A (zh) | 一种流量的预测方法、装置及存储介质 | |
| US10387802B2 (en) | Weather-driven multi-category infrastructure impact forecasting | |
| Dang-Ha et al. | Local short term electricity load forecasting: Automatic approaches | |
| WO2017202226A1 (zh) | 人群流量的确定方法及装置 | |
| CN106878952B (zh) | 区域人员数量的预测方法及装置 | |
| CN110209560B (zh) | 数据异常检测方法及检测装置 | |
| CN101764893B (zh) | 基于数据中间层的通信话务波动监控方法 | |
| CN106126391A (zh) | ***监控方法和装置 | |
| Chen et al. | Multi‐model ensemble for short‐term traffic flow prediction under normal and abnormal conditions | |
| CN111198808A (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
| CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
| CN113886010A (zh) | 容器资源的控制方法、设备及计算机存储介质 | |
| Imai et al. | Uncertainty-aware elastic virtual machine scheduling for stream processing systems | |
| CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
| CN111835536B (zh) | 一种流量预测方法和装置 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| Hosseini et al. | A flexible forecasting model for production systems | |
| JP2012253445A (ja) | トラヒック予測方法及び装置及びプログラム | |
| CN110443451B (zh) | 事件定级方法、装置、计算机设备和存储介质 | |
| CN112738340A (zh) | 话务量的预测方法、装置、设备及存储介质 | |
| CN116756522A (zh) | 概率预报方法、装置、存储介质及电子设备 | |
| WO2023111392A1 (en) | Method and system for modifying state of device using detected anomalous behavior | |
| CN113393046B (zh) | 一种光伏功率预测方法及其应用装置 | |
| CN115169731A (zh) | 一种智慧校园能耗预测方法、装置、设备及介质 | |
| CN112929887B (zh) | 基于流量预测设置室分站的方法、装置和电子设备 |
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 |