CN116703466A - 基于改进灰狼算法的***访问量预测方法及其相关设备 - Google Patents
基于改进灰狼算法的***访问量预测方法及其相关设备 Download PDFInfo
- Publication number
- CN116703466A CN116703466A CN202310713976.2A CN202310713976A CN116703466A CN 116703466 A CN116703466 A CN 116703466A CN 202310713976 A CN202310713976 A CN 202310713976A CN 116703466 A CN116703466 A CN 116703466A
- Authority
- CN
- China
- Prior art keywords
- training
- prediction model
- access
- preset
- test
- 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
- 241000282461 Canis lupus Species 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims description 134
- 238000012360 testing method Methods 0.000 claims description 88
- 238000005070 sampling Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 19
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000015556 catabolic process Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000282421 Canidae Species 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于金融科技技术领域，应用于促销活动流量预测中，涉及一种基于改进灰狼算法的***访问量预测方法及其相关设备，包括获取在最新单元时间内目标***对应的***访问量，基于最终访问量预测模型，对目标***的进行访问量预测，通过引入自适应收敛因子和搜索更新惯性权重，获得改进后的灰狼算法，提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间；通过采集最新单元时间内所述目标***对应的***访问量，作为预测样本，预测下一个单元时间内的***访问量，从而辅助促销活动运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
Description
技术领域
本申请涉及金融科技技术领域，应用于促销活动流量预测中，尤其涉及一种基于改进灰狼算法的***访问量预测方法及其相关设备。
背景技术
随着互联网技术的发展，产品销售方式逐渐由传统的线下渠道转变成线上模式。这种线上互联网销售已经成为最大的商品交易渠道，支撑这些线上销售的是各式各样的应用程序，包括APP、WEB应用等。对于这些庞大的交易量也给我们的后台应用带来了巨大的考验，经常出现因为并发量太大而导致应用程序崩溃进而影响业务量的情况。
BP神经网络是目前使用最为广泛的多层感知网络，因其具有方向传播的特性，也经常被用于解决各种场景下的预测问题。但BP神经网络易形成局部极值，算法收敛的速度相对较慢，因此，传统的BP神经网络对***访问量预测上还存在易陷入局部极值，无法及时和准确预测目标***访问量的问题。因此，现有技术进行***访问量预测时，还存在无法及时和准确预测，导致无法为运维人员提高预测辅助，规避***崩溃的问题。
发明内容
本申请实施例的目的在于提出一种基于改进灰狼算法的***访问量预测方法及其相关设备，以解决现有技术进行***访问量预测时，还存在无法及时和准确预测，导致无法为运维人员提高预测辅助，规避***崩溃的问题。
为了解决上述技术问题，本申请实施例提供一种基于改进灰狼算法的***访问量预测方法，采用了如下所述的技术方案：
一种基于改进灰狼算法的***访问量预测方法，包括下述步骤：
根据目标***的访问流量监测日志，获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本；
按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本；
将所述训练样本输入预构建的访问量预测模型，进行模型训练，获得训练完成的访问量预测模型，其中，所述访问量预测模型为基于改进灰狼算法的BP神经网络架构模型；
将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果；
根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型；
获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测。
进一步的，所述访问流量监测日志中记录了所述目标***在每一单元时间的***访问量，所述获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本的步骤，具体包括：
根据所述访问流量监测日志，统计所述预设的时间段内每一单元时间的***访问量，其中，所述单元时间可以为预设的特定时间区间；
获取并将统计结果按照时间递增方式缓存到预设的有序集合内，完成所述初始样本的构建。
进一步的，所述训练样本包括训练组数据集和训练期望数据集，所述测试样本包括测试组数据集和测试期望数据集，所述按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本的步骤，具体包括：
步骤A,根据预设的采样步长和元素下标从小到大的顺序，以元素下标1开始，从所述有序集合内采集i组训练数据和i个训练期望数据，其中，所述预设的采样步长为N，N为预设大于1的正整数；
步骤B，按照采集先后顺序，对所述i组训练数据进行整理，获得训练组数据集，对所述i个训练期望数据进行整理，获得训练期望数据集；
步骤C，按照预设的归一化处理公式，对所述训练组数据集中每一组训练数据进行归一化处理，获得归一化处理结果；
步骤D，在执行完步骤A之后，获取所述有序集合内未被采集到的第一个元素，并获得其元素下标，记为目标下标；
步骤E，根据所述采样步长和元素下标从小到大的顺序，以所述目标下标开始，从所述有序集合内采集j组测试数据和j个测试期望数据；
步骤F，同理，参考步骤B，获得测试组数据集和测试期望数据集。
进一步的，在执行所述将所述训练样本输入预构建的访问量预测模型的步骤之前，所述方法还包括：
引入自适应收敛因子和搜索更新惯性权重，对原始灰狼算法进行改进，获得改进后的灰狼算法，其中，具体的实现方式为：
对原始灰狼算法，其行为表示为：D＝|C.XP(t)-X(t)|，X(t+1)＝XP(t)-A.D，其中，D为灰狼个体与猎物之间的距离，t为当前迭代次数，Xp(t)为猎物在t次迭代的位置向量，X(t)为灰狼个体在t次迭代时的位置向量，A和C为系数向量，A＝2a(r1-1)，C＝2r2，其中，r1和r2为(0,1)之间的随机向量；a为收敛因子，在(2,0)之间线性递减；
通过改进收敛因子a，使得收敛因子从而对系数向量A进行改进，获得A*，其中，amax为收敛因子最大值，tmax为最大迭代次数；
改进猎物在t次迭代的位置向量XP(t)，获得其中，/>为搜索更新惯性权重；
改进后的灰狼算法为：X(t+1)＝XP(t)*-A*D， 其中，/>表示搜索更新惯性权重的最大值，/>表示搜索更新惯性权重的最小值；
获取所述改进后的灰狼算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对访问量预测模型的预构建。
进一步的，所述进行模型训练，获得训练完成的访问量预测模型的步骤，具体包括：
步骤a,获取预先设置的初始化BP权值和阈值，将所述初始化BP权值和阈值部署给预构建的访问量预测模型；
步骤b，将所述训练组数据集中所有组训练数据对应的归一化处理结果，输入所述初始化访问量预测模型，采用所述改进后的灰狼算法进行迭代，获取本次迭代处理后的实际预测数据集；
步骤c，根据所述实际预测数据集、所述训练期望数据集和预设的适应度计算公式，筛选出本次迭代后适应度值为最大值时的BP权值和阈值；
步骤d，将本次迭代后适应度值为最大值时的BP权值和阈值，重新赋值给所述预构建的访问量预测模型，重复执行步骤b至步骤d，直到满足迭代终止条件，获取迭代完成时适应度值为最大值时的BP权值和阈值，其中，所述迭代终止条件包括达到预设的最大迭代次数或适应度值满足预设的误差范围；
步骤e，将迭代完成时适应度值为最大值时的BP权值和阈值设为预构建的访问量预测模型的BP权值和阈值，获得训练完成的访问量预测模型。
进一步的，所述根据所述实际预测数据集、所述训练期望数据集和预设的适应度计算公式，计算本次迭代后适应度值为最大值时的BP权值和阈值的步骤，具体包括：
根据预设的适应度计算公式：计算本次迭代后每一组训练数据的适应度值，其中，L为常量系数；n为节点数，即输入层中训练数据的组数，Yi为节点i的实际输出值；Zi为期望输出值；
从所述训练组数据集中筛选出适应度值为最大值时的目标组训练数据；
获取对所述目标组训练数据进行预测时，所对应的BP神经网格各层神经元节点的BP权值和阈值作为本次迭代后适应度值为最大值时的BP权值和阈值。
进一步的，所述将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果的步骤，具体包括：
获取所述测试组数据集，将其输入到所述训练完成的访问量预测模型内，获得所述测试组数据集中每一组测试数据所对应的测试数据，构建测试数据集作为所述访问量测试结果；
所述根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型的步骤，具体包括：
获取所述访问量测试结果，并根据BP神经网络的误差反向传播算法和所述测试期望数据集，对所述训练完成的访问量预测模型进行二次调优，获得所述最终访问量预测模型。
进一步的，在执行所述获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测的步骤之后，所述方法还包括：
获取访问量预测结果；
根据预设的访问量告警阈值，识别所述访问量预测结果是否达到告警要求；
若所述访问量预测结果超过预设的访问量告警阈值，将所述访问量预测结果发送给预设的访问量监测终端，进行告警处理；
若所述访问量预测结果未超过预设的访问量告警阈值，不进行告警处理。
为了解决上述技术问题，本申请实施例还提供一种基于改进灰狼算法的***访问量预测装置，采用了如下所述的技术方案：
一种基于改进灰狼算法的***访问量预测装置，包括：
初始样本获取模块，用于根据目标***的访问流量监测日志，获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本；
采样处理模块，用于按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本；
预测模型训练模块，用于将所述训练样本输入预构建的访问量预测模型，进行模型训练，获得训练完成的访问量预测模型，其中，所述访问量预测模型为基于改进灰狼算法的BP神经网络架构模型；
预测模型测试模块，用于将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果；
预测模型调优模块，用于根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型；
访问量预测模块，用于获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的基于改进灰狼算法的***访问量预测方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的基于改进灰狼算法的***访问量预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述基于改进灰狼算法的***访问量预测方法，通过获取在最新单元时间内目标***对应的***访问量，基于最终访问量预测模型，对目标***的进行访问量预测，通过引入自适应收敛因子和搜索更新惯性权重，获得改进后的灰狼算法，提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间；通过采集最新单元时间内所述目标***对应的***访问量，作为预测样本，预测下一个单元时间内的***访问量，从而辅助运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性***架构图；
图2根据本申请的基于改进灰狼算法的***访问量预测方法的一个实施例的流程图；
图3是图2所示步骤201的一个具体实施例的流程图；
图4是图2所示步骤202的一个具体实施例的流程图；
图5根据本申请实施例所述的访问量预测模型进行训练的一个具体实施例的流程图；
图6根据本申请的基于改进灰狼算法的***访问量预测装置的一个实施例的结构示意图；
图7根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“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。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于改进灰狼算法的***访问量预测方法一般由服务器/终端设备执行，相应地，基于改进灰狼算法的***访问量预测装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于改进灰狼算法的***访问量预测方法的一个实施例的流程图。所述的基于改进灰狼算法的***访问量预测方法，包括以下步骤：
步骤201，根据目标***的访问流量监测日志，获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本。
本实施例中，所述目标***内包括电商行业平台为进行商品促销而新开发的促销线上活动场景，例如:优惠券线上发放场景、支付折扣促销场景等。
本实施例中，所述访问流量包括电商平台在同一时刻下高并发的交易数据或支付数据或业务数据或购买数据的总数据流量。所述交易数据存储于业务节点对应的交易池中。
本实施例中，所述访问流量监测日志中记录了所述目标***在每一单元时间的***访问量。所述单元时间为预先设定的时间区间值，例如每日、每天、一个小时、一分钟、30秒等。其目的是为了对持续不断的***访问量进行量化处理，通过单元时间对目标***的访问量进行量值化处理，便于运维人员进行监测和分析。
继续参考图3，图3是图2所示步骤201的一个具体实施例的流程图，包括：
步骤301，根据所述访问流量监测日志，统计所述预设的时间段内每一单元时间的***访问量，其中，所述单元时间可以为预设的特定时间区间；
步骤302，获取并将统计结果按照时间递增方式缓存到预设的有序集合内，完成所述初始样本的构建。
通过统计所述预设的时间段内每一单元时间的***访问量，并按照时间递增方式缓存到预设的有序集合内，采用有序集合而不采用无序集合，便于按照访问时间的先后顺序对不同单元时间的***访问量进行后期采样处理。同时，采用有序集合而不采用数组存储，避免了数组存储时的边界问题，减少了对数组的扩容操作，更加符合了对***访问量进行采集时的集合元素数量的预先未知性。
步骤202，按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本。
继续参考图4，图4是图2所示步骤202的一个具体实施例的流程图，包括：
步骤401,根据预设的采样步长和元素下标从小到大的顺序，以元素下标1开始，从所述有序集合内采集i组训练数据和i个训练期望数据，其中，所述预设的采样步长为N，N为预设大于1的正整数；
假设所述单元时间为一天，所述采样步长为7天，即从所述有序集合采集集合下标为1至7的七个元素，获取前6个元素构建为一组训练数据，获取第7个元素作为一个训练期望数据，即在一个采集步长周期内，根据前6天的***访问量，训练出第7天的***访问量，根据训练输出结果与所述训练期望数据进行对比，检验模型是否训练完成。
通过上述方式，采集i组训练数据和i个训练期望数据，丰富训练数据和训练期望数据，同时，仅仅以目标***的访问量为特征因子，降低了因多特征因子引起的模型训练复杂度。
步骤402，按照采集先后顺序，对所述i组训练数据进行整理，获得训练组数据集，对所述i个训练期望数据进行整理，获得训练期望数据集；
继续参考上述实例，假设i＝5，通过对所,5组训练数据进行整理，获得训练组数据集，以组为单位构建6行5列的训练集特征值矩阵，同时，也构建出1行5列的训练期望数据集作为训练输出期望数据。
步骤403，按照预设的归一化处理公式，对所述训练组数据集中每一组训练数据进行归一化处理，获得归一化处理结果；
在本实施例中，所述按照预设的归一化处理公式，对所述训练组数据集中每一组训练数据进行归一化处理，获得归一化处理结果的步骤，具体包括：根据预设的归一化处理公式：对所述训练组数据集中每一组训练数据进行归一化处理，其中，x为当前组训练数据中各个原始数据，xmin为当前组训练数据中的最小数据，xmax为当前组训练数据中的最大数据，m为当前组中训练数据x对应的归一化结果。
通过对所述训练组数据集中每一组训练数据进行归一化处理，即对所述训练集特征值矩阵内每一行数据进行归一化处理，便于模型进行训练，获取每一组的特征值权重。
步骤404，在执行完步骤401之后，获取所述有序集合内未被采集到的第一个元素，并获得其元素下标，记为目标下标；
步骤405，根据所述采样步长和元素下标从小到大的顺序，以所述目标下标开始，从所述有序集合内采集j组测试数据和j个测试期望数据；
步骤406，同理，参考步骤402，获得测试组数据集和测试期望数据集。
采用上述同样的采样步长和采样构建方式，获得测试组数据集和测试期望数据集，便于对后期训练完成的预测模型进行输出测试，由于模型的特征值权重由训练而获得，因此，无需对测试数据再进行归一化处理，通过训练完成的最优模型和测试数据，结合特征值权值进行计算，即可验证测试输出结果与所述测试期望数据集的相似度关系或者一致性关系，从而测试模型是否训练完成。
步骤203，将所述训练样本输入预构建的访问量预测模型，进行模型训练，获得训练完成的访问量预测模型，其中，所述访问量预测模型为基于改进灰狼算法的BP神经网络架构模型。
本实施例中，在执行所述将所述训练样本输入预构建的访问量预测模型的步骤之前，所述方法还包括：引入自适应收敛因子和搜索更新惯性权重，对原始灰狼算法进行改进，获得改进后的灰狼算法，其中，具体的实现方式为：对原始灰狼算法，其行为表示为：D＝|C.XP(t)-X(t)|，X(t+1)＝XP(t)-A.D，其中，D为灰狼个体与猎物之间的距离，t为当前迭代次数，Xp(t)为猎物在t次迭代的位置向量，X(t)为灰狼个体在t次迭代时的位置向量，A和C为系数向量，A＝2a(r1-1)，C＝2r2，其中，r1和r2为(0,1)之间的随机向量；a为收敛因子，在(2,0)之间线性递减；通过改进收敛因子a，使得收敛因子从而对系数向量A进行改进，获得A*，其中，amax为收敛因子最大值，tmax为最大迭代次数；改进猎物在t次迭代的位置向量XP(t)，获得/>其中，/>为搜索更新惯性权重；改进后的灰狼算法为：X(t+1)＝XP(t)*-A*D，/>其中，/>表示搜索更新惯性权重的最大值，/>表示搜索更新惯性权重的最小值；获取所述改进后的灰狼算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对访问量预测模型的预构建。
通过引入自适应收敛因子和搜索更新惯性权重，对原始灰狼算法进行改进，获得改进后的灰狼算法，解决了原始灰狼算法由于收敛因子a只能进行线性递减，不能很好地区分全局搜索和局部搜索的弊端；通过对收敛因子a的变化率改进，使收敛因子的值随迭代次数的增加，呈非线性减小，即收敛前期减小较快，搜索范围较大，在进行全局搜索时，可以更迅速地发现多个潜在极值；随着迭代次数的增加，收敛后期，搜索范围较小，在进行局部搜索时，可以更全面地发现多个潜在极值，即保证了访问量预测模型的收敛速度，也保证了访问量预测模型搜索极值的数量，尽可能的搜索到最优解。
同时，为保证使用灰狼算法在进行位置更新时拥有跳出局部极值的能力，引入搜索更新惯性权重，搜索更新惯性权重是线性递减的。当搜索更新惯性权重设置较大时，可以降低算法陷入局部极值的风险；当搜索更新惯性权重设置较小时，可以提高算法的搜索精度，减少不必要的迭代过程，提高算法计算效率，即提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间。
在向预构建的访问量预测模型内引入改进后的灰狼算法之后，继续参考图5，图5示出了本实施例中对所述访问量预测模型进行训练的一个具体实施例的流程图，包括：
步骤501,获取预先设置的初始化BP权值和阈值，将所述初始化BP权值和阈值部署给预构建的访问量预测模型；
本实施例中，所述初始化BP权重，由于BP神经网络含有多层网络结构，因此，所述初始BP权重为根据每层网络结构的节点数量和网络结构的层数而设置的权重矩阵，假设BP神经网络存在输入层、隐含层、输出层三层结构，其中，待输入进BP神经网络的训练组数据集的组数为3组，此时，设置输入层的节点数量为S＝3，输入层节点数量与所述训练组数据集中组数量相同，而隐含层为2S+1个节点，输出层固定设置1个节点，即模型的最终输出值，或者***访问量的预测值。
步骤502，将所述训练组数据集中所有组训练数据对应的归一化处理结果，输入所述初始化访问量预测模型，采用所述改进后的灰狼算法进行迭代，获取本次迭代处理后的实际预测数据集；
步骤503，根据所述实际预测数据集、所述训练期望数据集和预设的适应度计算公式，筛选出本次迭代后适应度值为最大值时的BP权值和阈值；
本实施例中，所述根据所述实际预测数据集、所述训练期望数据集和预设的适应度计算公式，计算本次迭代后适应度值为最大值时的BP权值和阈值的步骤，具体包括：根据预设的适应度计算公式： 计算本次迭代后每一组训练数据的适应度值，其中，L为常量系数；n为节点数，即输入层中训练数据的组数，Yi为节点i的实际输出值；Zi为节点i的期望输出值，相应的，所述期望输出值即所述训练期望数据集中数据；从所述训练组数据集中筛选出适应度值为最大值时的目标组训练数据；获取对所述目标组训练数据进行预测时，所对应的BP神经网格各层神经元节点的BP权值和阈值作为本次迭代后适应度值为最大值时的BP权值和阈值。
步骤504，将本次迭代后适应度值为最大值时的BP权值和阈值，重新赋值给所述预构建的访问量预测模型，重复执行步骤502至步骤504，直到满足迭代终止条件，获取迭代完成时适应度值为最大值时的BP权值和阈值；
本实施例中，所述迭代终止条件包括达到预设的最大迭代次数或适应度值满足预设的误差范围。
步骤505，将迭代完成时适应度值为最大值时的BP权值和阈值设为预构建的访问量预测模型的BP权值和阈值，获得训练完成的访问量预测模型。
通过采用改进灰狼算法进行访问量预测模型训练，既提高了模型收敛速度，也有利于预测模型快速训练出最优权值，改善BP网络在预测模型训练过程中易陷入局部最优、收敛速度慢的缺点。
步骤204，将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果。
本实施例中，所述将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果的步骤，具体包括：获取所述测试组数据集，将其输入到所述训练完成的访问量预测模型内，获得所述测试组数据集中每一组测试数据所对应的测试数据，构建测试数据集作为所述访问量测试结果。
步骤205，根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型。
本实施例中，所述根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型的步骤，具体包括：获取所述访问量测试结果，并根据BP神经网络的误差反向传播算法和所述测试期望数据集，对所述训练完成的访问量预测模型进行二次调优，获得所述最终访问量预测模型。
通过所述测试组数据集和所述测试期望数据集，采用BP神经网络的误差反向传播算法，对前步骤训练完成的访问量预测模型进行适度二次调优，更进一步的保证了访问量预测模型的高可用性和预测准确率。
步骤206，获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测。
本实施例中，在执行所述获取在最新单元时间内所述目标***对应的***访问量作为预测样本，基于所述预测样本和所述最终访问量预测模型对所述目标***的进行访问量预测的步骤之后，所述方法还包括：获取访问量预测结果；根据预设的访问量告警阈值，识别所述访问量预测结果是否达到告警要求；若所述访问量预测结果超过预设的访问量告警阈值，将所述访问量预测结果发送给预设的访问量监测终端，进行告警处理；若所述访问量预测结果未超过预设的访问量告警阈值，不进行告警处理。
通过采集最新单元时间内所述目标***对应的***访问量，作为预测样本，预测下一个单元时间内的***访问量，从而辅助运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
本申请通过获取在最新单元时间内目标***对应的***访问量，基于最终访问量预测模型，对目标***的进行访问量预测，通过引入自适应收敛因子和搜索更新惯性权重，获得改进后的灰狼算法，提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间；通过采集最新单元时间内所述目标***对应的***访问量，作为预测样本，预测下一个单元时间内的***访问量，从而辅助运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过获取在最新单元时间内目标***对应的***访问量，基于最终访问量预测模型，对目标***的进行访问量预测，通过引入自适应收敛因子和搜索更新惯性权重，获得改进后的灰狼算法，提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间；通过采集最新单元时间内所述目标***对应的***访问量，作为预测样本，预测下一个单元时间内的***访问量，从而辅助运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种基于改进灰狼算法的***访问量预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例所述的基于改进灰狼算法的***访问量预测装置600包括：初始样本获取模块601、采样处理模块602、预测模型训练模块603、预测模型测试模块604、预测模型调优模块605和访问量预测模块606。其中：
初始样本获取模块601，用于根据目标***的访问流量监测日志，获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本；
采样处理模块602，用于按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本；
预测模型训练模块603，用于将所述训练样本输入预构建的访问量预测模型，进行模型训练，获得训练完成的访问量预测模型，其中，所述访问量预测模型为基于改进灰狼算法的BP神经网络架构模型；
预测模型测试模块604，用于将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果；
预测模型调优模块605，用于根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型；
访问量预测模块606，用于获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测。
在本申请的一些具体实施方式中，所述的基于改进灰狼算法的***访问量预测装置600还包括算法优化改进模块，其中，所述算法优化改进模块用于引入自适应收敛因子和搜索更新惯性权重，对原始灰狼算法进行改进，获得改进后的灰狼算法，其中，具体的实现方式为：对原始灰狼算法，其行为表示为：D＝|C.XP(t)-X(t)|，X(t+1)＝XP(t)-A.D，其中，D为灰狼个体与猎物之间的距离，t为当前迭代次数，Xp(t)为猎物在t次迭代的位置向量，X(t)为灰狼个体在t次迭代时的位置向量，A和C为系数向量，A＝2a(r1-1)，C＝2r2，其中，r1和r2为(0,1)之间的随机向量；a为收敛因子，在(2,0)之间线性递减；通过改进收敛因子a，使得收敛因子从而对系数向量A进行改进，获得A*，其中，amax为收敛因子最大值，tmax为最大迭代次数；改进猎物在t次迭代的位置向量XP(t)，获得/>其中，/>为搜索更新惯性权重；改进后的灰狼算法为：X(t+1)＝XP(t)*-A*D，/>其中，/>表示搜索更新惯性权重的最大值，/>表示搜索更新惯性权重的最小值；获取所述改进后的灰狼算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对访问量预测模型的预构建。
在本申请的一些具体实施方式中，所述的基于改进灰狼算法的***访问量预测装置600还包括适应度值计算模块，其中，所述适应度值计算模块用于根据预设的适应度计算公式：计算本次迭代后每一组训练数据的适应度值，其中，L为常量系数；n为节点数，即输入层中训练数据的组数，Yi为节点i的实际输出值；Zi为节点i的期望输出值；还用于从所述训练组数据集中筛选出适应度值为最大值时的目标组训练数据；还用于获取对所述目标组训练数据进行预测时，所对应的BP神经网格各层神经元节点的BP权值和阈值作为本次迭代后适应度值为最大值时的BP权值和阈值。
在本申请的一些具体实施方式中，所述的基于改进灰狼算法的***访问量预测装置600还包括访问量告警提示模块，其中，所述访问量告警提示模块用于获取访问量预测结果；还用于根据预设的访问量告警阈值，识别所述访问量预测结果是否达到告警要求；还用于若所述访问量预测结果超过预设的访问量告警阈值，将所述访问量预测结果发送给预设的访问量监测终端，进行告警处理；还用于若所述访问量预测结果未超过预设的访问量告警阈值，不进行告警处理。
本申请通过获取在最新单元时间内目标***对应的***访问量，基于最终访问量预测模型，对目标***的进行访问量预测，通过引入自适应收敛因子和搜索更新惯性权重，获得改进后的灰狼算法，提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间；通过预测下一个单元时间内的***访问量，从而辅助运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过***总线相互通信连接存储器7a、处理器7b、网络接口7c。需要指出的是，图中仅示出了具有组件7a-7c的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器7a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器7a可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器7a也可以是所述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器7a还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器7a通常用于存储安装于所述计算机设备7的操作***和各类应用软件，例如基于改进灰狼算法的***访问量预测方法的计算机可读指令等。此外，所述存储器7a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器7b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器7b通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器7b用于运行所述存储器7a中存储的计算机可读指令或者处理数据，例如运行所述基于改进灰狼算法的***访问量预测方法的计算机可读指令。
所述网络接口7c可包括无线网络接口或有线网络接口，该网络接口7c通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于金融科技技术领域，应用于促销活动流量预测中。本申请通过获取在最新单元时间内目标***对应的***访问量，基于最终访问量预测模型，对目标***的进行访问量预测，通过引入自适应收敛因子和搜索更新惯性权重，获得改进后的灰狼算法，提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间；通过采集最新单元时间内所述目标***对应的***访问量，作为预测样本，预测下一个单元时间内的***访问量，从而辅助运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的基于改进灰狼算法的***访问量预测方法的步骤。
本实施例提出的计算机可读存储介质，属于金融科技技术领域，应用于促销活动流量预测中。本申请通过获取在最新单元时间内目标***对应的***访问量，基于最终访问量预测模型，对目标***的进行访问量预测，通过引入自适应收敛因子和搜索更新惯性权重，获得改进后的灰狼算法，提高访问量预测模型收敛迭代的效率，一定程度上减少了访问量预测模型的训练时间；同时，预测下一个单元时间内的***访问量，从而辅助运维人员及早预测到高并发的应用场景，进行及时调整，降低企业在***维护方面的成本，减少***崩溃，提升***的稳定性和使用寿命。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (11)
1.一种基于改进灰狼算法的***访问量预测方法，其特征在于，包括下述步骤：
根据目标***的访问流量监测日志，获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本；
按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本；
将所述训练样本输入预构建的访问量预测模型，进行模型训练，获得训练完成的访问量预测模型，其中，所述访问量预测模型为基于改进灰狼算法的BP神经网络架构模型；
将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果；
根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型；
获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测。
2.根据权利要求1所述的基于改进灰狼算法的***访问量预测方法，其特征在于，所述访问流量监测日志中记录了所述目标***在每一单元时间的***访问量，所述获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本的步骤，具体包括：
根据所述访问流量监测日志，统计所述预设的时间段内每一单元时间的***访问量，其中，所述单元时间可以为预设的特定时间区间；
获取并将统计结果按照时间递增方式缓存到预设的有序集合内，完成所述初始样本的构建。
3.根据权利要求2所述的基于改进灰狼算法的***访问量预测方法，其特征在于，所述训练样本包括训练组数据集和训练期望数据集，所述测试样本包括测试组数据集和测试期望数据集，所述按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本的步骤，具体包括：
步骤A,根据预设的采样步长和元素下标从小到大的顺序，以元素下标1开始，从所述有序集合内采集i组训练数据和i个训练期望数据，其中，所述预设的采样步长为N，N为预设大于1的正整数；
步骤B，按照采集先后顺序，对所述i组训练数据进行整理，获得训练组数据集，对所述i个训练期望数据进行整理，获得训练期望数据集；
步骤C，按照预设的归一化处理公式，对所述训练组数据集中每一组训练数据进行归一化处理，获得归一化处理结果；
步骤D，在执行完步骤A之后，获取所述有序集合内未被采集到的第一个元素，并获得其元素下标，记为目标下标；
步骤E，根据所述采样步长和元素下标从小到大的顺序，以所述目标下标开始，从所述有序集合内采集j组测试数据和j个测试期望数据；
步骤F，同理，参考步骤B，获得测试组数据集和测试期望数据集。
4.根据权利要求3所述的基于改进灰狼算法的***访问量预测方法，其特征在于，在执行所述将所述训练样本输入预构建的访问量预测模型的步骤之前，所述方法还包括：
引入自适应收敛因子和搜索更新惯性权重，对原始灰狼算法进行改进，获得改进后的灰狼算法，其中，具体的实现方式为：
对原始灰狼算法，其行为表示为：D＝|C.XP(t)-(t)|，X(t+1)＝XP(t)-.D，其中，D为灰狼个体与猎物之间的距离，t为当前迭代次数，Xp()为猎物在t次迭代的位置向量，X(t)为灰狼个体在t次迭代时的位置向量，A和C为系数向量，A＝2a(r1-1)，C＝2r2，其中，r1和r2为(0,1)之间的随机向量；a为收敛因子，在(2,0)之间线性递减；
通过改进收敛因子a，使得收敛因子从而对系数向量A进行改进，获得A*，其中，amax为收敛因子最大值，tmax为最大迭代次数；
改进猎物在t次迭代的位置向量XP(t)，获得其中，/>为搜索更新惯性权重；
改进后的灰狼算法为：X(t+1)＝XP(t)*-A*D， 其中，/>表示搜索更新惯性权重的最大值，/>表示搜索更新惯性权重的最小值；
获取所述改进后的灰狼算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对访问量预测模型的预构建。
5.根据权利要求4所述的基于改进灰狼算法的***访问量预测方法，其特征在于，所述进行模型训练，获得训练完成的访问量预测模型的步骤，具体包括：
步骤a,获取预先设置的初始化BP权值和阈值，将所述初始化BP权值和阈值部署给预构建的访问量预测模型；
步骤b，将所述训练组数据集中所有组训练数据对应的归一化处理结果，输入所述初始化访问量预测模型，采用所述改进后的灰狼算法进行迭代，获取本次迭代处理后的实际预测数据集；
步骤c，根据所述实际预测数据集、所述训练期望数据集和预设的适应度计算公式，筛选出本次迭代后适应度值为最大值时的BP权值和阈值；
步骤d，将本次迭代后适应度值为最大值时的BP权值和阈值，重新赋值给所述预构建的访问量预测模型，重复执行步骤b至步骤d，直到满足迭代终止条件，获取迭代完成时适应度值为最大值时的BP权值和阈值，其中，所述迭代终止条件包括达到预设的最大迭代次数或适应度值满足预设的误差范围；
步骤e，将迭代完成时适应度值为最大值时的BP权值和阈值设为预构建的访问量预测模型的BP权值和阈值，获得训练完成的访问量预测模型。
6.根据权利要求5所述的基于改进灰狼算法的***访问量预测方法，其特征在于，所述根据所述实际预测数据集、所述训练期望数据集和预设的适应度计算公式，计算本次迭代后适应度值为最大值时的BP权值和阈值的步骤，具体包括：
根据预设的适应度计算公式：计算本次迭代后每一组训练数据的适应度值，其中，L为常量系数；n为节点数，即输入层中训练数据的组数，Yi为节点i的实际输出值；Zi为期望输出值；
从所述训练组数据集中筛选出适应度值为最大值时的目标组训练数据；
获取对所述目标组训练数据进行预测时，所对应的BP神经网格各层神经元节点的BP权值和阈值作为本次迭代后适应度值为最大值时的BP权值和阈值。
7.根据权利要求3至6任一项所述的基于改进灰狼算法的***访问量预测方法，其特征在于，所述将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果的步骤，具体包括：
获取所述测试组数据集，将其输入到所述训练完成的访问量预测模型内，获得所述测试组数据集中每一组测试数据所对应的测试数据，构建测试数据集作为所述访问量测试结果；
所述根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型的步骤，具体包括：
获取所述访问量测试结果，并根据BP神经网络的误差反向传播算法和所述测试期望数据集，对所述训练完成的访问量预测模型进行二次调优，获得所述最终访问量预测模型。
8.根据权利要求7所述的基于改进灰狼算法的***访问量预测方法，其特征在于，在执行所述获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测的步骤之后，所述方法还包括：
获取访问量预测结果；
根据预设的访问量告警阈值，识别所述访问量预测结果是否达到告警要求；
若所述访问量预测结果超过预设的访问量告警阈值，将所述访问量预测结果发送给预设的访问量监测终端，进行告警处理；
若所述访问量预测结果未超过预设的访问量告警阈值，不进行告警处理。
9.一种基于改进灰狼算法的***访问量预测装置，其特征在于，包括：
初始样本获取模块，用于根据目标***的访问流量监测日志，获取所述目标***在预设的时间段内每一单元时间的***访问量，构建初始样本；
采样处理模块，用于按照预设的采样规则对所述初始样本进行采样，获取并根据采样结果生成训练样本、测试样本；
预测模型训练模块，用于将所述训练样本输入预构建的访问量预测模型，进行模型训练，获得训练完成的访问量预测模型，其中，所述访问量预测模型为基于改进灰狼算法的BP神经网络架构模型；
预测模型测试模块，用于将所述测试样本输入所述训练完成的访问量预测模型，获得访问量测试结果；
预测模型调优模块，用于根据所述访问量测试结果，采用BP神经网络的误差反向传播算法对所述训练完成的访问量预测模型进行二次调优，获得最终访问量预测模型；
访问量预测模块，用于获取在最新单元时间内所述目标***对应的***访问量，作为预测样本，基于所述预测样本和所述最终访问量预测模型，对所述目标***的进行访问量预测。
10.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至8中任一项所述的基于改进灰狼算法的***访问量预测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至8中任一项所述的基于改进灰狼算法的***访问量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310713976.2A CN116703466A (zh) | 2023-06-15 | 2023-06-15 | 基于改进灰狼算法的***访问量预测方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310713976.2A CN116703466A (zh) | 2023-06-15 | 2023-06-15 | 基于改进灰狼算法的***访问量预测方法及其相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116703466A true CN116703466A (zh) | 2023-09-05 |
Family
ID=87832217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310713976.2A Pending CN116703466A (zh) | 2023-06-15 | 2023-06-15 | 基于改进灰狼算法的***访问量预测方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703466A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117060984A (zh) * | 2023-10-08 | 2023-11-14 | 中国人民解放军战略支援部队航天工程大学 | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 |
-
2023
- 2023-06-15 CN CN202310713976.2A patent/CN116703466A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117060984A (zh) * | 2023-10-08 | 2023-11-14 | 中国人民解放军战略支援部队航天工程大学 | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 |
| CN117060984B (zh) * | 2023-10-08 | 2024-01-09 | 中国人民解放军战略支援部队航天工程大学 | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902222A (zh) | 一种推荐方法及装置 | |
| CN110555714A (zh) | 用于输出信息的方法和装置 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
| CN116703466A (zh) | 基于改进灰狼算法的***访问量预测方法及其相关设备 | |
| WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
| CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
| CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
| CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN116662160B (zh) | 基于代价敏感宽度学习的软件缺陷预测方法及处理装置 | |
| CN116340864B (zh) | 一种模型漂移检测方法、装置、设备及其存储介质 | |
| CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 | |
| CN111382346B (zh) | 用于推荐内容的方法及*** | |
| CN116681467A (zh) | 基于改进woa算法的销量预测方法及其相关设备 | |
| CN118037455A (zh) | 一种金融数据预测方法、装置、设备及其存储介质 | |
| CN117391782A (zh) | 一种广告投放方法、装置、设备及其存储介质 | |
| CN117056782A (zh) | 一种数据异常识别方法、装置、设备及其存储介质 | |
| CN116611432A (zh) | 一种酒驾风险识别方法、装置、计算机设备及存储介质 | |
| CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
| CN116167872A (zh) | 异常医疗数据检测方法、装置及设备 | |
| CN117172226A (zh) | 一种表单重构方法、装置、设备及其存储介质 | |
| CN116662160A (zh) | 基于代价敏感宽度学习的软件缺陷预测方法及处理装置 | |
| CN117609013A (zh) | 基于模糊加权宽度学习的软件缺陷预测方法及装置 | |
| CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 |
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 |