CN115550195A

CN115550195A - 流量抑制预测方法、电子设备、存储介质

Info

Publication number: CN115550195A
Application number: CN202110656628.7A
Authority: CN
Inventors: 马泽鹏; 刘巧艳; 毛凯; ***; 史珂
Original assignee: ZTE Corp
Current assignee: ZTE Corp
Priority date: 2021-06-11
Filing date: 2021-06-11
Publication date: 2022-12-30
Also published as: EP4354941A1; WO2022257743A1

Abstract

本发明提供了一种流量抑制预测方法、电子设备、存储介质，流量抑制预测方法包括：根据预置的网络流量模型确定抑制点流量值，所述网络流量模型表征传输网络的网络参数的数值与流量值的映射关系，所述抑制点流量值为所述传输网络在当前运行策略下的流量阈值；确定与所述抑制点流量值所对应的目标网络参数的抑制参考值；获取与所述目标网络参数相对应的参数预测值，根据所述参数预测值和所述抑制参考值确定流量抑制预测结果。根据本发明实施例提供的方案，能够在发生流量抑制之前预测出与目标网络参数相对应的流量抑制预测结果，为预先进行网络优化提供数据依据，有效提高用户体验。

Description

流量抑制预测方法、电子设备、存储介质

技术领域

本发明涉及但不限于无线通信技术领域，尤其涉及一种流量抑制预测方法、电子设备、存储介质。

背景技术

随着互联网和通信技术的发展，无线网络在日常生活和工作中已经必不可少，为运营商带来了巨大的流量业务。但是每个小区所能实现的最大流量通常会受到用户数、可用资源和软硬件能力的限制，当流量达到最大值之后，响应流量需求而增加开销不仅不会增加小区的总流量，还可能导致流量下降，这种现象称为流量抑制。然而，不同小区的运行策略和工作状态互不相同，目前并没有流量抑制的预测手段，只能在检测到发生流量抑制之后进行网络诊断，再通过运行策略的调整改善网络状况，存在一定的滞后性，影响用户体验。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种流量抑制预测方法、电子设备、存储介质，能够实现流量抑制的预测，为预先进行网络优化提供数据依据，从而提高用户体验。

第一方面，本发明实施例提供了一种流量抑制预测方法，包括：

根据预置的网络流量模型确定抑制点流量值，所述网络流量模型表征传输网络的网络参数的数值与流量值的映射关系，所述抑制点流量值为所述传输网络在当前运行策略下的流量阈值；

确定与所述抑制点流量值所对应的目标网络参数的抑制参考值；

获取与所述目标网络参数相对应的参数预测值，根据所述参数预测值和所述抑制参考值确定流量抑制预测结果。

第二方面，本发明实施例提供了一种电子设备，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计算机程序时实现如第一方面所述的流量抑制预测方法。

本发明实施例包括：根据预置的网络流量模型确定抑制点流量值，所述网络流量模型表征传输网络的网络参数的数值与流量值的映射关系，所述抑制点流量值为所述传输网络在当前运行策略下的流量阈值；确定与所述抑制点流量值所对应的所述目标网络参数的抑制参考值；获取所述目标网络参数的参数预测值，根据所述参数预测值和所述抑制参考值确定流量抑制预测结果。根据本发明实施例提供的方案，能够根据训练好的网络流量模型确定抑制点流量值，为流量抑制预测提供数据基础，从而在发生流量抑制之前预测出与目标网络参数相对应的流量抑制预测结果，为预先进行网络优化提供数据依据，有效提高用户体验。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明一个实施例提供的流量抑制预测方法的流程图；

图2是本发明另一个实施例提供的根据历史数据训练网络流量模型的流程图；

图3是本发明另一个实施例提供的训练网络流量模型的流程图；

图4是本发明另一个实施例提供的栅格化网络参数样本集的流程图；

图5是本发明另一个实施例提供的确定抑制点流量值的流程图；

图6是本发明另一个实施例提供的数据预处理的流程图；

图7是本发明另一个实施例提供的获取参数预测值的流程图；

图8是本发明另一个实施例提供的训练参数预测模型的流程图；

图9是本发明另一个实施例提供的确定流量抑制程度的流程图；

图10是本发明另一个实施例提供的确定根因网络参数的流程图；

图11是本发明另一个实施例提供的获取历史的流程图；

图12是本发明另一个实施例提供的网络流量管理***的结构图；

图13是本发明另一个实施例提供的示例一的流程图；

图14是本发明另一个实施例提供的网络流量模型的一维映射关系的示意图；

图15是本发明另一个实施例提供的示例二的流程图；

图16是本发明另一个实施例提供的网络流量模型的二维映射关系的示意图；

图17是本发明另一个实施例提供的示例三的流程图；

图18是本发明另一个实施例提供的电子设备的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本发明提供了一种流量抑制预测方法、电子设备、存储介质，流量抑制预测方法包括：根据预置的网络流量模型确定抑制点流量值，所述网络流量模型表征传输网络的网络参数的数值与流量值的映射关系，所述抑制点流量值为所述传输网络在当前运行策略下的流量阈值；确定与所述抑制点流量值所对应的所述目标网络参数的抑制参考值；获取所述目标网络参数的参数预测值，根据所述参数预测值和所述抑制参考值确定流量抑制预测结果。根据本发明实施例提供的方案，能够在发生流量抑制之前预测出与目标网络参数相对应的流量抑制预测结果，为预先进行网络优化提供数据依据，有效提高用户体验。

下面结合附图，对本发明实施例作进一步阐述。

如图1所示，图1是本发明一个实施例提供的流量抑制预测方法的流程图，该流量抑制方法包括但不限于有步骤S110、步骤S120和步骤S130。

步骤S110，根据预置的网络流量模型确定抑制点流量值，网络流量模型表征传输网络的网络参数的数值与流量值的映射关系，抑制点流量值为传输网络在当前运行策略下的流量阈值。

值得注意的是，网络流量模型可以是预先训练好的离线模型，也可以采集数据之后通过在线训练得到。需要说明的是，当网络流量模型采用在线训练的方式得到，还可以预先设定好训练次数的门限值，当网络流量模型训练失败的次数达到该训练次数的门限值，停止后续步骤的执行，避免在网络流量模型不准确的情况下进行错误的流量抑制预测，本领域技术人员熟知如何调整训练次数的门限值以确保网络流量模型能够正常使用，在此不多作赘述。

可以理解的是，网络参数可以是任意能够影响小区流量的参数，例如RRC无线资源控制(Radio Resource Control，RRC)连接用户数、激活用户数、业务信道资源利用率、控制信道资源利用率、频谱效率(Spectrum Efficiency，SE)、小区流量、平均调制与编码方案(Modulation and Coding scheme，MCS)、平均信道质量指示(Channel QualityIndicator，CQI)、平均信噪比(Signal to Interference plus Noise Ratio，SINR)等，本实施例对此不多作限定。

需要说明的是，网络流量模型可以是网络流量和网络参数所服从的规律，由于抑制点所表征的是流量开始下降的拐点，因此流量阈值可以是传输网络能够达到的平均最大流量值，因此，可以从上述网络参数中选取一种或者多种进行流量抑制的预测，当选取一种网络参数进行流量预测，例如选取用户数作为网络参数，则可以根据网络流量模型确定激活用户数与网络流量之间的对应关系，确定激活用户数在不同取值之下能够达到的平均最大流量值，则该平均最大流量值为抑制点流量值；又如，当选取多种的网络参数进行流量预测，以用户数、业务信道资源利用率、控制信道资源利用率和信道质量四种网络参数为例，可以得到上述四种网络参数在不同取值之下，小区所能达到的平均最大流量值，则该平均最大流量值为抑制点流量值，此时的抑制点流量值同时与四种网络参数相关联，从而能够确定在上述四种网络参数的影响下，小区所能实现的最大流量。

可以理解的是，由于小区网络在运行过程中，会根据实际情况采取不同的策略进行网络优化，因此，在不同的运行策略之下，小区网络的抑制点流量值不相同，即抑制点会随着运行策略的不同而发生偏移，因此，为了提高流量抑制预测的准确性，需要针对当前的运行策略进行抑制点流量值的获取。

步骤S120，确定与抑制点流量值所对应的目标网络参数的抑制参考值。

需要说明的是，参考上述描述，目标网络参数的种类数量可以的任意的，因此，为了实现流量抑制的预测，需要确定与抑制点流量值所对应的所有目标网络参数的抑制参考值，例如，当目标网络参数为其中一种，以用户数为例，需要确定与用户数对应的抑制参考值；当目标网络参数包括上述举例的四种类型，需要确定达到抑制点流量值的情况下，用户数、业务信道资源利用率、控制信道资源利用率和信道质量各自的抑制参考值，为流量抑制的预测提供准确的数据基础。

步骤S130，获取目标网络参数的参数预测值，根据参数预测值和抑制参考值确定流量抑制预测结果。

需要说明的是，参数预测值可以是通过模型预测得到，例如预先设定有参数预测模型，从而得到表征小区未来流量状态的参数预测值。可以理解的是，当通过参数预测模型得到参数预测值，其输入的数据既可以是一定时间颗粒度下时间序列特征向量，也可以是表征当前状态的标量，例如，以过去一周的15分钟颗粒度的数据序列为特征向量做为预测模型的输入，来预测未来一天15分钟颗粒小区的参数值，本领域技术人员有动机根据实际需求选取具体的时间维度，本实施例对此不多作限定。

可以理解的是，由于已经通过网络流量模型得到抑制点流量值和抑制参考值，在得到参数预测值之后，可以直接通过参数预测值与抑制参考值进行比对，从而得到流量抑制预测结果，例如，目标网络参数只有一种，当参数预测值大于抑制参考值，则可以确定随着目标网络参数的数值增加，网络流量受限且小于抑制点流量值，发生流量抑制；又如，目标网络参数为上述举例的四种类型，以业务信道资源利用率、控制信道资源利用率和信道质量这三个参数量化通过截面获取用户数与网络流量之间的关系模型；然后根据当前网络的业务信道资源利用率、控制信道资源利用率和信道质量的状态，确定当前所使用的拐点模型，根据单参数的方法判断是否发生抑制，并且获取发生抑制时对应的抑制量，用于后续预测。

值得注意的是，为了提高预测的准确性，可以通过相同的样本集对参数预测模型和网络流量模型进行训练，根据具体选用的模型类型分别从样本集获取对应的训练集和测试集即可，本实施例对此不多作限定。

另外，参照图2，在一实施例中，在执行图1所示实施例中的步骤S110之前，还包括但不限于有以下步骤：

步骤S210，从传输网络的历史数据获取网络参数样本集，网络参数样本集包括网络参数的样本；

步骤S220，根据网络参数样本集训练网络流量模型。

值得注意的是，由于网络流量模型为网络参数与网络流量之间所服从的规律，因此，从传输网络的历史数据获取网路参数样本集并训练网络流量模型，能够使得网络流量模型能够反映出传输网络的历史运行状态，当传输网络在历史运行过程中出现过流量抑制，则能够利用网络流量模型的数学特性快速确定抑制点流量值，例如可以获取历史运行过程中出现的平均最大流量值作为抑制点流量值，能够提高预测的效率。同时，在运行策略不变的前提下，传输网络的抑制点通常位置近似，历史运行过程中的抑制点可以确定为当前网络的抑制点，因此，对比起训练网络流量模型预测出抑制点流量值的方法，通过历史数据训练网络流量模型之后再利用模型的数学特性确定出抑制点，能够有效提高抑制点的准确性，从而提高流量预测的准确性。

需要说明的是，本领域技术人员熟知如何获取传输网络的历史数据，例如从小区网络的网管***、管控网元或者数据服务模块等设备中进行历史数据的采集，本实施例对此不多作赘述。

另外，参照图3，在一实施例中，图2所示实施例中的步骤S220，还包括但不限于有以下步骤：

步骤S310，根据网络参数样本集得到第一训练集和第一测试集；

步骤S320，对第一训练集和第一测试集进行归一化；

步骤S330，获取网络流量模型，根据第一训练集训练网络流量模型，并根据第一测试集检验训练后的网络流量模型。

需要说明的是，在使用网络参数样本集之前，还可以对网络参数样本集进行数据清洗等预处理，从而提高数据的完整性和可用性，本实施例对此不多作赘述。

需要说明的是，本领域技术人员有能力根据实际需求，采用不同策略将网络参数样本集中的样本划分为第一训练集和第一测试集，本实施例对此不多作限定。

值得注意的是，对第一训练集和第一测试集进行归一化，可以采用最大最小归一化方法或者其他可替代归一化方法，本领域技术人员熟知如何运用上述方法对样本集进行归一化，本实施例对此不多作赘述。

需要说明的是，网络流量模型可以是常见的机器学习模型，例如全连接神经网络模型，当然，也可以采用机器学习模型决策树、回归模型等，本领域技术人员有动机根据实际情况选取具体的模型类型。以全连接神经网络模型为例，网络流量模型包含一层输入层、一层输出层和多层隐藏层，其中，输入层用于输入网络参数样本集中的网络参数，输出层用于输出预测结果，例如SE或者小区流量，并且，本领域技术人员熟知如何根据实际情况调整隐藏层的层数和神经元个数，以使训练出的模型能够符合需求，本实施例对此不多作限定。

可以理解的是，由于第一训练集和第一测试集进行了归一化，因此对网络流量模型进行训练和测试之后，需要对测试后的网络流量模型的输出进行逆归一化，从而得到最终的网络流量模型的输出，具体的逆归一化方法与上述归一化的方法相对应即可，本实施例对此不多作赘述。

另外，参照图4，在一实施例中，图3所示实施例中的步骤S310，还包括但不限于有以下步骤：

步骤S410，确定网络参数样本集的数值区间；

步骤S420，根据预置的栅格步长将数值区间划分为若干个栅格区间；

步骤S430，将网络参数的每个样本按照数值对应的原则填充至栅格区间，得到栅格数据集；

步骤S440，根据预置的筛选策略，从栅格数据集筛选出第一训练集和第一测试集。

需要说明的是，确定网络参数样本集的数值区间，可以通过确定网络参数的最大值的方式实现，在此不多作赘述。若涉及多个类型的网络参数，分别确定每个类型的网络参数的最大值即可，并以相同的

值得注意的是，栅格步长的具体数值可以根据实际需求确定，本实施例对此不多作限定，例如网络参数为用户数，其数值区间为[0,UserNumMax]，其中，UserNumMax为用户数的最大值，预先设定的栅格步长为UserNumMeshStep，则可以将数值区间划分为UserNumMeshNum个栅格，其中，UserNumMeshNum＝(UserNumMax/UserNumMeshStep)。若网络参数有多个类型，可以参考上述方式分别划分得到各自对应的栅格区间，在此不多作赘述。

需要说明的是，由于栅格区间实际上为取值区间，因此，可以根据每个网络参数的样本的数值作为键值，将每个网络参数的样本填充到对应的栅格区间中。

需要说明的是，本领域技术人员有动机根据实际情况选取具体的筛选策略，以下以一个具体筛选策略进行举例说明：设定栅格门限值MeshSampleMin，对于每个栅格中数据个数大于2×MeshSampleMin的栅格，在该栅格数据中随机筛选1/2的样本的平均值为该栅格的第一训练集，剩余1/2的样本的平均值为该栅格的第一测试集；对于栅格数据个数小于MeshSampleMin的栅格，丢弃该栅格数据；对于栅格数据介于MeshSampleMin和2*MeshSampleMin的栅格，该栅格的平均值数据均作为第一测试集。

另外，参照图5，在一实施例中，图1所示实施例中的步骤S120，还包括但不限于有以下步骤：

步骤S510，获取预置的门限值，确定网络参数的样本的一阶差分，将一阶差分小于门限值的网络参数的样本确定为目标样本；

步骤S520，根据映射关系确定与目标样本所对应的目标流量值，将目标流量值确定为抑制点流量值。

本领域技术人员可以理解的是，一阶差分为离散函数中连续相邻两项之差，而抑制点流量值为当前传输网络可以实现的平均最大流量值，对于传输网络而言，流量值的变化开始是随着网络参数的数值的增加而增加，在达到抑制点之前增速减慢，最终达到抑制点之后停止增加，再随着网络参数的数值增加而下降，因此，理论上当相邻的两个样本之间的一阶差分为零，则可以确定发生了流量抑制，对应的流量值为抑制点流量值，然而，而实际运用时只能采集有限的样本，很难确保采集到至少两个位于流量抑制区域的样本，因此，可以通过设置较小的门限值，当两个样本之间的一阶差分小于该门限值，则可以认为样本比较接近抑制点，门限值的具体取值根据实际样本的数量调整即可，本实施例对此不多作限定。

需要说明的是，当涉及多个类型的网络参数，例如上述举例中的用户数、业务信道资源利用率、控制信道资源利用率和信道质量，可以针对每种网络参数分别执行步骤S510确定目标样本，在此不多作赘述。

需要说明的是，由于网络流量模型能够表征网络参数的数值与网络流量的映射关系，因此，当确定目标样本后，能够通过目标样本的数值确定对应的目标流量值，从而进一步确定为抑制点流量值，在此不多作赘述。

另外，参照图6，在一实施例中，图2所示实施例中的步骤S210，还包括但不限于有以下步骤：

步骤S610，获取预置的采集粒度和采集周期，其中，采集粒度表征一个采集周期内采集网络参数的频率；

步骤S620，根据采集粒度和采集周期从历史数据中采集网络参数的样本；

步骤S630，对采集到的网络参数的样本进行数据预处理，得到网络参数样本集。

需要说明的是，采集粒度和采集周期的具体数值可以根据实际需求确定，例如采集粒度为一分钟，采集周期为一天，则可以按分钟颗粒度采集一次网络参数以得到样本，本领域技术人员有动机根据实际需求调整，在此不多作限定。

值得注意的是，当完成样本的采集后，可以对数据集进行预处理，例如进行数据时间轴补全、数据时间轴去重和数据补全，本领域技术人员有动机根据实际情况增加或者减少预处理的操作。

可以理解的是，通过数据时间轴补全，可以解决采集过程出现某几个粒度内漏采的情况，如果缺失时间轴上的某些数据信息，对应时间轴的数据可以补全为空，避免从数据集获取数据失败，影响后续操作。

可以理解的是，通过数据时间轴去重，能够解决数据采集过程中出现的某几个粒度内重复采集数据的问题，去重规则可以是保留数据集中第一次出现的数据，删除其后的重复数据，根据实际情况选取具体规则即可。

可以理解的是，通过数据补全，能够解决采集过程的数据缺失。其中，当缺失的数据在数据集头部，则可以将头部空数据填充为自头部起第一个非空数据，当缺失的数据在数据集尾部，统一将尾部空数据填充为自尾部起第一个非空数据，当缺失的数据在数据集中部，可以向前、向后分别查找第一个非空数据，进行线性插值填充，当然也可以采用均值填充的方式，根据实际需求选取即可。

另外，参照图7，在一实施例中，图1所示实施例中的步骤S130，还包括但不限于有以下步骤：

步骤S710，根据采集粒度确定每个采集周期的采集时刻；

步骤S720，从网络参数样本集获取预测样本集，预测样本集的样本数据包括采集时刻和与采集时刻所对应的网络参数的参数值；

步骤S730，根据预测样本集训练出参数预测模型，

步骤S740，获取与目标网络参数相对应的预测特征样本，将预测特征样本输入至参数预测模型以得到参数预测值。

需要说明的是，采集粒度通常表征采集的频率，根据采集频率确定采集周期的采集时刻，例如，采集得到的预测样本集可以参考表1的形式。其中，表1为与一种网络参数所对应的样本数据，多种网络参数相应增加与采集时刻相对应的数据即可，在此不重复赘述。在表1中，N为网络参数样本集的数据长度，表中每一行为一个网络参数的样本，data_i表示第i个样本的参数值，time_i为data_i的采集时刻。

index

0

1

2

...

i

...

N-2

N-1

time

time_0

time_1

time_2

time_i

time_N-2

time_N-1

state_data

data_0

data_1

data_2

...

data_i

...

data_N-2

data_N-1

表1预测样本集数据示例表

可以理解的是，预测样本集的样本数据可以是K+L+M+1维，其中，K为前K周期同一采集时刻的参数值，L为前L时刻的参数值，M为当前数据的时间信息，例如星期、小时、分钟、是否节假日等；同时，每个样本前K+L+M为该标本的特征，最后一维为当前时刻的状态值，用来表示该样本的标签，便于区分不同样本。可以理解的是，每个样本的前K+L维，可以包括全部类型的网络参数，在此不多作赘述。

需要说明的是，预测特征样本可以通过选取时间维度得到，例如需要预测未来K个周期和L个时刻的参数预测值，则可以从预测样本集中获取K+L+M维的数据作为预测特征样本，本领域技术人员有动机根据实际预测需求调整预测特征样本的维度，在此不多作限定。

另外，参照图8，在一实施例中，图7所示实施例中的步骤S730，还包括但不限于有以下步骤：

步骤S810，针对预测样本集的数据进行归一化；

步骤S820，根据预置的分割比例将归一化后的预测样本集分割为第二训练集和第二测试集；

步骤S830，获取初始参数预测模型，并确定初始参数预测模型的训练参数；

步骤S840，根据第二训练集训练初始参数预测模型，并根据第二测试集检验训练后的初始参数预测模型；

步骤S850，将检验后的初始参数预测模型确定为参数预测模型。

需要说明的是，在获取到预测样本集之后，当涉及多种网络参数，还可以针对每个预测样本集的样本的数据归一化，例如针对一个样本的采集时刻、用户数、业务信道资源利用率、控制信道资源利用率和信道质量进行归一化，再通过预先设定的分割比例将归一化后的预测样本集进行分割，从而得到第二训练集和第二测试集。

值得注意的是，初始参数预测模型可以采用长短期记忆(Long Short-TermMemory，LSTM)神经网络，也可以为其他可替代的机器学习模型决策树、回归模型等，本领域技术人员有动机根据实际需求选取具体的模型，在此不多作赘述。

可以理解的是，在对模型进行初始化时，可以随机初始化神经网络权重及偏置，选取激活函数，定义状态预测模型最大迭代训练次数及模型误差，其中模型误差定义为平均绝对误差。参数预测值state_predict与真实值state_true之间的绝对误差可以通过下式得到：

其中N1为输出特征维度、N2为样本数量。

需要说明的是，在获取到预测特样本之后，也可以对特征预测样本进行归一化，并且，归一化的参数与预测样本集的归一化参数相同，并且归一化采用的方式也相同，以确保数据的一致性。

值得注意的是，当具体的模型和参数确定后，本领域技术人员熟知如何通过第二训练集和第二测试集进行模型训练和检验，在此不多作赘述。

另外，参照图9，在一实施例中，图2所示实施例中的步骤S210，还包括但不限于有以下步骤：

步骤S910，确定目标历史数据，目标历史数据为传输网络根据最新的运行策略所得到的历史数据；

步骤S920，从目标历史数据获取网络参数样本。

需要说明的是，在发生流量抑制之后，通常决策模块根据抑制点的特征数据判断引起流量抑制的根因，从而得到网络优化策略，使得小区流量得到提升。因此，当运行策略发生改变，抑制点也会相应发生变化，通过在先运行策略的历史数据训练出的网络流量模型和参数预测模型无法准确预测出当前运行策略下的抑制点，因此，可以在检测到运行策略发生变化时，将最新的运行策略的历史数据确定为目标历史数据，从目标历史数据中重新获取网络参数样本。

可以理解的是，当网络参数样本发生变化，则在先得到的网络流量模型和参数预测模型都需要重新进行训练和检验，以确保预测的准确性，在此不再重复赘述模型的训练和检验方法。

值得注意的是，网络流量模型和参数预测模型的更新既可以响应于运行策略的变动，也可以预先设定定时器和更新周期，从而用最新的数据对模型进行定期更新，有效提高网络流量模型和参数预测模型的准确性。

另外，参照图10，在一实施例中，在执行完图1所示实施例中的步骤S130之后，还包括但不限于有以下步骤：

步骤S1010，当流量抑制预测结果表征发生流量抑制，将参数预测值输入至网络流量模型，得到流量预测值；

步骤S1020，根据流量预测值和抑制参考值确定流量抑制程度。

需要说明的是，在运行策略不变的情况下，参数预测值和流量值的关系也是符合网络流量模型的，因此，通过网络流量模型的映射关系，能够确定与参数预测值所对应的流量预测值。

需要说明的是，在分析流量抑制程度的同时，还可以根据实际需求确定流量损失情况，例如则流量损失绝对量和流量损失相对程度，流量损失绝对量为Max(CellBestThp-CellPredictThp，0)，其中，CellBestThp为抑制点流量值，CellPredictThp为流量预测值；流量损失相对程度为Max(CellBestThp-CellPredictThp，0)/CellBestThp，本领域技术人员也有动机根据实际需求选取其他能够表征流量损失的参数，在此不多作限定。

需要说明的是，当网络参数样本集只涉及一种网络参数，则可以只针对该网络参数进行分析，若涉及多种网络参数，则采取图1中步骤S130所示实施例中描述的参数截平面法，获取用户数和网络流量之间的关系。

另外，在一实施例中，网络流量模型中至少包括两种不同类型的目标网络参数，参照图11，在执行完图10所示实施例中的步骤S1020之后，还包括但不限于有以下步骤：

步骤S1111，确定与每个目标网络参数所对应的流量抑制程度；

步骤S1120，确定引起流量抑制的根因网络参数，根因网络参数为数值最大的流量抑制程度所对应的目标网络参数。

需要说明的是，若涉及多种不同的目标网络参数，每种目标网络参数对流量的影响程度是互不相同的，因此，为了得到更准确的网络优化策略，需要确定对流量抑制的影响最大的目标网络参数。以下以四种目标网络参数为例，对本实施例的技术方案进行举例说明，其中，四种目标网络参数为用户数、业务信道资源利用率、控制信道资源利用率、信道质量。

针对抑制参考值对网络流量模型进行切片操作，从而得到每种目标网络参数的抑制参考值的第一分量切片；由于流量值通常满足先上升至最大再下降，因此可以获取每个第一分量切片前部分一阶差分的平均值，记为第一平均值，例如获取每个第一分量切片的前一半数据，根据实际数据分布确定具体数据范围即可；再针对流量预测值对网络流量模型进行切片操作，从而得到每种目标网络参数的流量预测值的第二分量切片，通过与第一分量切片相同的方式得到第二平均值；根据一阶差分的平均值计算受抑制程度，以用户数为例，用户数的受抑制程度满足以下关系：

UserNum_inhibition_ratio＝(diff_UserNum_best-diff_UserNum)/diff_UserNum_best，

其中，UserNum_inhibition_ratio为受抑制程度，diff_UserNum_best为第一平均值，diff_UserNum为第二平均值。

值得注意的是，当确定每个目标网络参数所对应的流量抑制程度之后，流量抑制程度越大表征收到抑制的程度越高，即更容易出现流量抑制，因此，可以根据流量抑制程度的数值确定根因网络参数，进而确定流量抑制的主要因素，针对该主要因素进行网络优化，能够从更大程度上缓解流量抑制。

另外，在一实施例中，抑制点流量值为传输网络在当前运行策略下的平均最大流量值。

需要说明的是，根据上述实施例中对抑制点的描述，流量阈值可以是传输网络在当前运行策略下的平均最大流量值，例如通过网络流量模型的训练得到的多个流量最大值，再根据多个流量最大值计算出平均最大流量值，从而提高抑制点流量值的预测参考价值。

另外，参考图12，本发明实施例还提供了一种网络流量管理***，包括数据处理模块1210，网络流量模型1220、参数预测模型1230和流量抑制分析模块1240。

数据处理模块1210用于进行数据采集以得到网络参数样本集，还用于进行数据预处理，包括但不限于数据去重和数据补全，其中，数据去重和数据补全的方法可以参考图6所示实施例的描述，在此不多赘述。

网络流量模型1220用于对网络参数样本集进行栅格划分，并根据筛选策略得到第一训练集和第二测试集，具体原理和方法可以参考图4所示实施例的描述，同时，在对模型进行初始化后，进行迭代训练和模型检验，从而得到训练好的网络流量模型，其具体原理和方法可以参考图3所示实施例的描述，在此不再赘述。

参数预测模型1230用于对预处理后的数据进行分割，以得到第二训练集和第二测试集，并通过第二训练集和第二测试集完成参数预测模型的初始化、训练和检验，具体方式参考图8所示实施例的描述；并且，还用于输入预测特征样本之后得到小区未来的参数预测值，具体可以参考图7所示实施例的描述。

流量抑制分析模块1240用于对流量抑制结果进行确定，并在发生流量抑制的情况下确定抑制程度以及抑制原因识别，具体可以参考图10和图11所示实施例的描述，在此不多作赘述。

另外，为了更好地说明本发明的技术方案，以下提出三个具体示例。

示例一：在本示例中，采用一维建模的方式，即采用一种网络参数作为网络参数，以用户数为例，同时，网络流量模型和参数预测模型通过在线训练得到，参数预测值通过模型预测得到，并定期对网络流量模型和参数预测模型进行更新，参照图13，该示例包括但不限于有以下步骤：

步骤S1310，确定网络流量模型及参数预测模型均为在线生成方式，判断网络流量模型训练失败重复执行次数是否达到第一训练门限值，若没有达到门限则执行步骤S1320，若达到则结束。

步骤S1321，根据采集粒度和采集周期采集数据，并对数据进行预处理。

需要说明的是，采集的数据为从网管、网元或数据服务等模块中的历史数据，包括RRC连接用户数或者激活用户数和小区流量，预处理包括数据时间抽补全、数据时间抽去重和数据补全。

在线进行数据时间轴补全，在数据采集过程中可能会出现某几个粒度内漏采的情况，如果缺失时间轴上的某些数据信息，则进行时间轴填补，对应的数据为空。

在线进行数据时间轴去重，在数据采集过程中可能会出现某几个粒度内重复采集，需要对重复采集的数据进行去重，去重规则为保留数据集中第一次出现的数据，删除其后的重复数据。

在线进行数据补全，如果缺失的数据在数据集头部，统一将头部空数据填充为自头部起第一个非空数据；如果缺失的数据在数据集尾部，统一将尾部空数据填充为自尾部起第一个非空数据；如果缺失的数据在数据集中部，向前、向后分别查找第一个非空数据，进行线性插值填充，填充后的数据集合为网络参数样本集。

步骤S1322，获取网络参数样本集的用户数最大值，以栅格步长将用户数栅格划分为若干个栅格，并将网络参数样本集中的样本投递到对应的用户数栅格中。

需要说明的是，用户数最大值为UserNumMax，用户数栅格为[0,UserNumMax]，栅格步长为UserNumMeshStep，栅格的数量为UserNumMeshNum，其中，UserNumMeshNum＝Ceil(UserNumMax/UserNumMeshStep)，再并将网络参数样本集中的数据以用户数投递到对应栅格中。

步骤S1323，对用户数栅格中的数据进行归一化，并根据筛选策略得到第一训练集和第一测试集。

需要说明的是，可以预先设定有效栅格的数量阈值MeshSampleMin，当用户数栅格的数据个数大于2×MeshSampleMin，在该用户数栅格数据中随机筛选1/2的样本的平均值为该栅格的备选训练集，剩余1/2的样本的平均值为该栅格的备选测试集；当用户数栅格数据的个数小于MeshSampleMin，丢弃该栅格数据；当用户数栅格的数量介于MeshSampleMin和2×MeshSampleMin的栅格，该栅格数据的平均值作为备选训练集。再分别对备选训练集和备选测试集进行在线归一化，得到第一训练集和第一测试集。

步骤S1324，根据第一训练集和第一测试集完成网络流量模型的训练和检验。

需要说明的是，网络流量模型构造为神经网络模型，并随机初始化网络流量模型，对网络流量模型使用第一训练集进行训练，训练至最大训练次数后进行模型评估，训练误差满足要求则根据第一测试集对模型进行测试，测试误差满足需求则输出网络流量模型，否则网络流量模型训练失败次数自加1后执行步骤S1310。

步骤S1330，当网络流量模型的更新定时器到达网络流量模型的更新周期，执行步骤S1310，否则执行步骤S1331。

步骤S1331，根据网络流量模型确定抑制点流量值和抑制用户数。

参考图14，图14为网络流量模型的映射关系的示意图，其中，横坐标为其中一维的网络参数，例如用户数、业务信道资源利用率、控制信道资源利用率、信道质量中的任意一个，纵坐标为小区流量或者小区SE的数值，可以看到，在横坐标从原点开始增加的过程中，小区流量或者小区SE逐渐增大，到达抑制点之后开始下降，出现流量抑制。

步骤S1341，当参数预测模型的训练失败重复执行次数未达到第二训练门限值，执行S1342；否则获取用户数的实时参数值，以实时参数值的滤波值作为预测参数值执行S1350；

步骤S1342，在基于时间序列的网络参数样本集上构造预测样本集，根据预测样本集得到第二训练集和第二测试集。

需要说明的是，每一个初始数据包含采集时间和对应的用户数数据，样本数据集合的每一行为一个预测样本，每一个预测样本的维度为K+L+M+1维，其中K为前K周期同一时刻的用户数值，L为前L时刻的用户数值，M为当前数据的时间信息，包括星期、小时、分钟等，最后一维为当前时刻的用户数值，用于表示该预测样本的标签。

需要说明的是，获取到预测样本集之后，可以根据归一化参数对预测样本集的每一列进行最大最小归一化，将归一化后的数据按训练集测试集分割比例参数分割为第二训练集和第二测试集，并通过第二训练集和第二测试集对参数预测模型进行训练和检验，当训练和检验的误差满足预设的参数则输出参数预测模型,否则参数预测模型的训练失败次数自加1后执行步骤S1341。

步骤S1350，获取参数预测值，根据参数预测模型输出的未来时刻状态预测值，进行流量抑制分析。

需要说明的是，在获取参数预测值之前，还需要加载参数预测模型，启动参数预测模型的更新定时器，当参数预测模型的更新定时器到达更新周期，执行步骤S1310。

需要说明的是，为了得到参数预测值，可以对预测特征样本的特征数据使用归一化参数进行归一化，如果归一化后有大于1的数据，统一更新为1，将预测特征样本输入参数预测模型，得出未来时段的中间预测值，将中间预测值进行归一化逆变换，即为未来的参数预测值。

需要说明的是，流量抑制的分析可以判断流量是否会受到抑制及抑制程度。如果参数预测值小于或等于抑制参考值，则未来该时段该流量不受抑制；否则未来该时段将会受到抑制。还可以确定流量损失程度，例如将参数预测值输入网络流量模型，得出小区流量的流量预测值为CellPredictThp，则流量损失绝对量为Max(CellBestThp-CellPredictThp，0)，其中CellBestThp为抑制点流量值，流量损失相对程度为Max(CellBestThp-CellPredictThp，0)/CellBestThp。

示例二：在本示例中，采用多维建模的方式，即采用多个类型的网络参数作为网络参数，以用户数、业务信道资源利用率、控制信道资源利用率、信道质量为例，同时，网络流量模型和参数预测模型采用离线模型，参数预测值通过模型预测得到，参照图15，该示例包括但不限于有以下步骤：

步骤S1510，确定网络流量模型为及参数预测模型均为离线生成方式。

步骤S1521，根据采集粒度和采集周期采集数据，并对数据进行预处理。

需要说明的是，数据预处理离线进行，包括数据时间轴补全，在数据采集过程中可能会出现某几个粒度内漏采的情况，如果缺失时间轴上的某些数据信息，则进行时间轴填补，对应的数据为空。

需要说明的是，数据预处理还包括进行数据补全，如果缺失的数据在数据集头部，统一将头部空数据填充为自头部起第一个非空数据；如果缺失的数据在数据集尾部，统一将尾部空数据填充为自尾部起第一个非空数据；如果缺失的数据在数据集中部，向前、向后分别查找第一个非空数据，进行线性插值填充，填充后的数据集合为网络参数样本集。

步骤S1522，根据每个类型的网络参数的最大值对网络参数样本集进行栅格化，并将网络参数样本集中的样本投递到对应的栅格中。

需要说明的是，栅格化具体包括如下步骤：分别获取用户数、业务信道资源利用率、控制信道资源利用率和信道质量的最大值，按照如上顺序依次记为UserNumMax、ShareChannelMax、ControlChannelMax和ChannelQualityMax。将用户数区间[0,UserNumMax]以栅格步长UserNumMeshStep划分为UserNumMeshNum＝Ceil(UserNumMax/UserNumMeshStep)个栅格、将业务信道资源利用率区间[0,ShareChannelMax]以栅格步长ShareChannelMeshStep划分为ShareChannelMeshNum＝Ceil(ShareChannelMax/ShareChannelMeshStep)个栅格、将控制信道资源利用率区间[0,ControlChannelMax]以栅格步长ControlChannelMeshStep划分为ControlChannelMeshNum＝Ceil(ControlChannelMax/ControlChannelMeshStep)个栅格、将信道质量区间[0,ChannelQualityMax]以栅格步长ChannelQualityMeshStep划分为ChannelQualityMeshNum＝Ceil(ChannelQualityMax/ChannelQualityMeshStep)个栅格，共得到UserNumMeshNum×ShareChannelMeshNum×ControlChannelMeshNum×ChannelQualityMeshNum个栅格，并将数据集中的数据以用户数、业务信道资源利用率、控制信道资源利用率、信道质量为键值投递到对应栅格中。

步骤S1523，对栅格化后的数据进行归一化，并根据筛选策略得到第一训练集和第一测试集。

需要说明的是，可以预先设定有效栅格的数量阈值MeshSampleMin，当栅格的数据个数大于2×MeshSampleMin，在该栅格数据中随机筛选1/2的样本的平均值为该栅格的备选训练集，剩余1/2的样本的平均值为该栅格的备选测试集；当栅格数据的个数小于MeshSampleMin，丢弃该栅格数据；当栅格的数量介于MeshSampleMin和2×MeshSampleMin的栅格，该栅格数据的平均值作为备选训练集。离线对备选训练集和备选测试集的进行归一化，离线构造网络流量模型的第一训练集和第一测试集。

步骤S1524，根据第一训练集和第一测试集完成网络流量模型的训练和检验。

需要说明的是，网络流量模型的训练和检验都是离线完成。

步骤S1530，根据网络流量模型确定每个类型的网络参数的抑制参考值。

需要说明的是，获得流量抑制模型的抑制点记为CellBestThp，并确定每个网络参数所对应的抑制参考值，通过下式表述：CellBest＝[CellBestUserNum,CellBestShareChannel,CellBestControlChannel,CellBestChannelQuality]，其中，CellBestUserNum为用户数的抑制参考值,CellBestShareChannel为业务信道资源利用率的抑制参考值,CellBestControlChannel为控制信道资源利用率的抑制参考值,CellBestChannelQuality为信道质量的抑制参考值。

参考图16，图16为网络流量模型在二维网络参数下，映射关系的示意图，网络参数包括用户数和业务信道资源利用率，纵坐标为小区流量或者小区SE的数值，可以看到，在用户数和业务信道资源利用率从原点开始增加的过程中，小区流量或者小区SE逐渐增大，到达抑制点之后达到平均最大流量值，然后任一网络参数的增加，都会导致流量的下降，即出现流量抑制。

步骤S1540，在基于时间序列的网络参数样本集上离线构造预测样本集，根据预测样本集得到第二训练集和第二测试集。

需要说明的是，预测样本集的样本容量为N_Sample。即预测样本集可以表达为D＝[data_0,...,data_i,...,data_N_Sample-1]，第i个预测样本记为data_i。每一个预测样本维度为K+L+M+1维(其中K为前K周期同一时刻的参数值，L为前L时刻的参数值，M为当前数据的时间信息，包括星期、小时、分钟等)，每个样本前K+L+M为该标本的特征，最后一维为当前时刻的参数值，用来表示该预测样本的标签。对样本数据集D的每一列进行最大最小归一化，归一化参数记为NormParameter，归一化后的数据集记为D_norm。归一化后的数据D_norm按训练集测试集分割比例参数alpha分割为第二训练集和第二测试集。

步骤S1550,根据第二训练集和第二测试集离线完成参数预测模型的训练和检验。

步骤S1560，根据参数预测模型得到参数预测值。

需要说明的是，获取参数预测值包括如下步骤：按照数据处理方法准备数据，构造预测样本的特征数据data，data维度为K+L+M维，其中K为前K周期同一时刻的参数值，L为前L时刻的参数值，M为当前数据的时间信息，包括星期、小时、分钟等。对预测样本的特征数据使用归一化参数NormParameter进行归一化，得到归一化后的特征数据data_norm，将data_norm输入模型参数预测模型，得出未来时段的中间预测值。将中间预测值进行归一化逆变换，得到参数预测值，记为CellStatePredict。

步骤S1570，加载离线的网络流量模型和离线的参数预测模型完成流量抑制分析。

需要说明的是，当每个类型的网络参数所对应的参数预测值CellStatePredict＝[UserNum,ShareChannel,Channel,ChannelQuality]分别小于或等于CellBest＝[CellBestUserNum,CellBestShareChannel,CellBestControlChannel,CellBestChannelQuality]，则未来该时段该流量不受抑制；否则未来该时段将会受到抑制。

需要说明的是，为了确定具体的流量损失，可以将状态预测值CellStatePredict输入网络流量模型，得出该状态下小区流量为CellPredictThp，则流量损失绝对量为Max(CellBestThp-CellPredictThp，0)，流量损失相对程度为Max(CellBestThp-CellPredictThp，0)/CellBestThp。

需要说明的是，分析流量受抑制原因可以通过以下步骤完成：获取网络流量模型在CellBest对应分量CellBestUserNum、CellBestShareChannel、CellBestControlChannel、CellBestChannelQuality的切片，并取曲线预设区域一阶差分的平均值，分别记为diff_UserNum_best,diff_ShareChannel_best,diff_ControlChannel_best,diff_ChannelQuality_best，其中，曲线的预设区域可以是靠近原点的前半部分。分别获取网络流量模型在CellStatePredict对应分量UserNum、ShareChannel、ControlChannel、ChannelQuality的切片并取前后各一个点的一阶差分并取平均值，分别记为diff_UserNum、diff_ShareChannel,diff_ControlChannel,diff_ChannelQuality。

在获取到数据后，进行受抑制程度的计算，其中，用户数的受抑制程度为：UserNum_inhibition_ratio＝(diff_UserNum_best-diff_UserNum)/diff_UserNum_best；业务信道资源的受抑制程度为：ShareChannel_inhibition_ratio＝(diff_ShareChannel_best-diff_ShareChannel)/diff_ShareChannel_best；控制信道资源的受抑制程度为：ControlChannel_inhibition_ratio＝(diff_ControlChannel_best-diff_ControlChannel)/diff_ControlChannel_best；信道质量的受抑制程度为：ChannelQuality_inhibition_ratio＝(diff_ChannelQuality_best-diff_ChannelQuality)/diff_ChannelQuality_best。

需要说明的是，为了分析导致流量抑制的主要因素，可以获取UserNum_inhibition_ratio、ShareChannel_inhibition_ratio、ControlChannel_inhibition_ratio、ChannelQuality_inhibition_ratio中的最大值，并判断引起流量抑制的主要原因。如果最大值为UserNum_inhibition_ratio，则用户数受限为主要因素；如果最大值为ShareChannel_inhibition_ratio，业务信道资源受限为主要因素；如果最大值为ControlChannel_inhibition_ratio，则控制信道资源受限为主要因素；如果最大值为ChannelQuality_inhibition_ratio，则信道质量受限为主要因素。

示例三：在本示例中，采用二维建模的方式，网络参数以业务信道资源利用率、控制信道资源利用率为例，同时，网络流量模型采用在线模型，参数预测值采用实时参数，参照图17，该示例包括但不限于有以下步骤：

步骤S1710，确定网络流量模型为及参数预测模型均为在线生成方式。

步骤S1721，根据采集粒度和采集周期采集数据，并对数据进行预处理。

需要说明的是，数据从网管的历史数据中采集，采集粒度为15分钟、采集周期为28天，包括业务信道资源利用率、控制信道资源利用率、小区流量等。预处理包括数据时间抽补全、数据时间抽去重和数据补全。

步骤S1722，根据每个类型的网络参数的最大值对网络参数样本集进行栅格化，并将网络参数样本集中的样本投递到对应的栅格中。

需要说明的是，栅格化具体包括如下步骤：分别获取用业务信道资源利用率和控制信道资源利用率的最大值，分布记为ShareChannelMax和ControlChannelMax。将业务信道资源利用率区间[0,ShareChannelMax]以栅格步长ShareChannelMeshStep划分为ShareChannelMeshNum＝Ceil(ShareChannelMax/ShareChannelMeshStep)个栅格、将控制信道资源利用率区间[0,ControlChannelMax]以栅格步长ControlChannelMeshStep划分为ControlChannelMeshNum＝Ceil(ControlChannelMax/ControlChannelMeshStep)个栅格；共得到ShareChannelMeshNum×ControlChannelMeshNum个栅格，并将数据集中的数据以业务信道资源利用率和控制信道资源利用率投递到对应栅格中。

步骤S1723，对栅格化后的数据进行归一化，并根据筛选策略得到第一训练集和第一测试集。

需要说明的是，可以预先设定有效栅格的数量阈值MeshSampleMin，当栅格的数据个数大于2×MeshSampleMin，在该栅格数据中随机筛选1/2的样本的平均值为该栅格的备选训练集，剩余1/2的样本的平均值为该栅格的备选测试集；当栅格数据的个数小于MeshSampleMin，丢弃该栅格数据；当栅格的数量介于MeshSampleMin和2×MeshSampleMin的栅格，该栅格数据的平均值作为备选训练集。对备选训练集和备选测试集的进行归一化，构造网络流量模型的第一训练集和第一测试集。

步骤S1724，构造网络流量模型为神经网络模型并随机初始化网络流量模型，根据第一训练集和第一测试集完成网络流量模型的训练和检验。

步骤S1730，根据网络流量模型确定抑制点流量值和每个类型的网络参数的抑制参考值。

需要说明的是，获得流量抑制模型的抑制点记为CellBestThp，并确定每个网络参数所对应的抑制参考值，通过下式表述：CellBest＝[CellBestShareChannel,CellBestControlChannel]，其中，CellBestShareChannel为业务信道资源利用率的抑制参考值,CellBestControlChannel为控制信道资源利用率的抑制参考值。同时，获得网络流量模型的抑制点流量值记为CellBestThp，对应的特征记为CellBest＝[CellBestShareChannel,CellBestControlChannel]。

步骤S1740,加载网络流量模型，完成流量抑制分析。

需要说明的是，采用网络参数的实时滤波值作为参数预测值，记为CellStatePredict。当未来时刻状态CellStatePredict小于等于CellBest，则未来该时段该流量不受抑制；否则未来该时段将会受到抑制。

需要说明的是，分析流量受抑制原因可以通过以下步骤完成：获取网络流量模型在CellBest对应分量CellBestShareChannel、CellBestControlChannel的切片，并取曲线预设区域一阶差分的平均值，分别记为diff_ShareChannel_best,diff_ControlChannel_best,其中，曲线的预设区域可以是靠近原点的前半部分。分别获取网络流量模型在CellStatePredict对应分量ShareChannel、ControlChannel的切片并取前后各一个点的一阶差分并取平均值，分别记为diff_ShareChannel,diff_ControlChannel。

在获取到数据后，进行受抑制程度的计算，其中，业务信道资源的受抑制程度为：ShareChannel_inhibition_ratio＝(diff_ShareChannel_best-diff_ShareChannel)/diff_ShareChannel_best；控制信道资源的受抑制程度为：ControlChannel_inhibition_ratio＝(diff_ControlChannel_best-diff_ControlChannel)/diff_ControlChannel_best。

需要说明的是，为了分析导致流量抑制的主要因素，可以获取UShareChannel_inhibition_ratio、ControlChannel_inhibition_ratio中的最大值，并判断引起流量抑制的主要原因。如果最大值为ShareChannel_inhibition_ratio，业务信道资源受限为主要因素；如果最大值为ControlChannel_inhibition_ratio，则控制信道资源受限为主要因素。

另外，参照图18，本发明的一个实施例还提供了一种电子设备，该电子设备1800包括：存储器1810、处理器1820及存储在存储器1810上并可在处理器1820上运行的计算机程序。

处理器1820和存储器1810可以通过总线或者其他方式连接。

实现上述实施例的流量抑制预测方法所需的非暂态软件程序以及指令存储在存储器1810中，当被处理器1820执行时，执行上述实施例中的流量抑制预测方法，例如，执行以上描述的图1中的方法步骤S110至步骤S130、图2中的方法步骤S210至步骤S220、图3中的方法步骤S310至步骤S330、图4中的方法步骤S410至步骤S440、图5中的方法步骤S510至步骤S520、图6中的方法步骤S610至步骤S630、图7中的方法步骤S710至步骤S740、图8中的方法步骤S810至步骤S850、图9中的方法步骤S910至步骤S920、图10中的方法步骤S1010至步骤S1020、图11中的方法步骤S1110至步骤S1120、图13中的方法步骤S1310至步骤S1350、图15中的方法步骤S1510至步骤S1570、图17中的方法步骤S1710至步骤S1740。

以上所描述的装置实施例仅仅是示意性的，其中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，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。

此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的流量抑制预测方法，例如，执行以上描述的图1中的方法步骤S110至步骤S130、图2中的方法步骤S210至步骤S220、图3中的方法步骤S310至步骤S330、图4中的方法步骤S410至步骤S440、图5中的方法步骤S510至步骤S520、图6中的方法步骤S610至步骤S630、图7中的方法步骤S710至步骤S740、图8中的方法步骤S810至步骤S850、图9中的方法步骤S910至步骤S920、图10中的方法步骤S1010至步骤S1020、图11中的方法步骤S1110至步骤S1120、图13中的方法步骤S1310至步骤S1350、图15中的方法步骤S1510至步骤S1570、图17中的方法步骤S1710至步骤S1740。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims

1.一种流量抑制预测方法，包括：

2.根据权利要求1所述的方法，其特征在于，在所述根据预置的网络流量模型确定抑制点流量值之前，所述方法还包括：

从所述传输网络的历史数据获取网络参数样本集，所述网络参数样本集包括所述网络参数的样本；

根据所述网络参数样本集训练所述网络流量模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述网络参数样本集训练所述网络流量模型，包括：

根据网络参数样本集得到第一训练集和第一测试集；

对所述第一训练集和第一测试集进行归一化；

获取网络流量模型，根据所述第一训练集训练所述网络流量模型，并根据所述第一测试集检验训练后的所述网络流量模型。

4.根据权利要求3所述的方法，其特征在于，所述根据网络参数样本集得到第一训练集和第一测试集，包括：

确定所述网络参数样本集的数值区间；

根据预置的栅格步长将所述数值区间划分为若干个栅格区间；

将所述网络参数的每个样本按照数值对应的原则填充至所述栅格区间，得到栅格数据集；

根据预置的筛选策略，从所述栅格数据集筛选出所述第一训练集和所述第一测试集。

5.根据权利要求2所述的方法，其特征在于，所述根据预置的网络流量模型确定抑制点流量值，包括：

获取预置的门限值，确定所述网络参数的样本的一阶差分，将一阶差分小于所述门限值的所述网络参数的样本确定为目标样本；

根据所述映射关系确定与所述目标样本所对应的目标流量值，将所述目标流量值确定为所述抑制点流量值。

6.根据权利要求2所述的方法，其特征在于，所述从所述传输网络的历史数据获取网络参数样本集，包括：

获取预置的采集粒度和采集周期，其中，所述采集粒度表征一个所述采集周期内采集所述网络参数的频率；

根据所述采集粒度和所述采集周期从所述历史数据中采集网络参数的样本；

对采集到的网络参数的样本进行数据预处理，得到所述网络参数样本集。

7.根据权利要求6所述的方法，其特征在于，所述获取与所述目标网络参数相对应的参数预测值，包括：

根据所述采集粒度确定每个采集周期的采集时刻；

从所述网络参数样本集获取预测样本集，所述预测样本集的样本数据包括采集时刻和与所述采集时刻所对应的所述网络参数的参数值；

根据所述预测样本集训练出参数预测模型，

获取与所述目标网络参数相对应的预测特征样本，将所述预测特征样本输入至所述参数预测模型以得到所述参数预测值。

8.根据权利要求7所述的方法，其特征在于，所述根据所述预测样本集训练出参数预测模型，包括：

针对所述预测样本集的数据进行归一化；

根据预置的分割比例将归一化后的所述预测样本集分割为第二训练集和第二测试集；

获取初始参数预测模型，并确定所述初始参数预测模型的训练参数；

根据所述第二训练集训练所述初始参数预测模型，并根据所述第二测试集检验训练后的所述初始参数预测模型；

将检验后的所述初始参数预测模型确定为所述参数预测模型。

9.根据权利要求2所述的方法，其特征在于，所述从传输网络的历史数据获取网络参数样本，包括：

确定目标历史数据，所述目标历史数据为所述传输网络根据最新的运行策略所得到的历史数据；

从所述目标历史数据获取网络参数样本。

10.根据权利要求1所述的方法，其特征在于，在所述根据所述参数预测值和所述抑制参考值确定流量抑制预测结果之后，所述方法还包括：

当所述流量抑制预测结果表征发生流量抑制，将所述参数预测值输入至所述网络流量模型，得到流量预测值；

根据所述流量预测值和所述抑制参考值确定流量抑制程度。

11.根据权利要求10所述的方法，其特征在于，所述网络流量模型中至少包括两种不同类型的目标网络参数，在所述根据所述流量预测值和所述抑制参考值确定流量抑制程度之后，所述方法还包括：

确定与每个所述目标网络参数所对应的所述流量抑制程度；

确定引起流量抑制的根因网络参数，所述根因网络参数为数值最大的所述流量抑制程度所对应的目标网络参数。

12.根据权利要求1所述的方法，其特征在于：所述抑制点流量值为所述传输网络在当前运行策略下的平均最大流量值。

13.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至12中任意一项所述的流量抑制预测方法。

14.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至12中任意一项所述的流量抑制预测方法。