基于深度学习的网络流量预测方法、装置、设备及介质与流程

1.本发明涉及通信技术领域，尤其涉及一种基于深度学习的网络流量预测方法、装置、设备及介质。


背景技术：

2.网络流量是衡量整个网络运行状态的重要指标，针对网络流量的特征进行网络流量预测模型的构架，能够更好理解网络上各种性能的表现，对网络的各种拥塞进行提前预警，保障网络服务质量。
3.目前，网络流量预测的方法有很多，包括神经网络、趋势预测等。上述的方法虽然在一定程度上反映了流量的特征，但是，由于上述方法没有对流量数据的特征进行处理，在流量出现短时突发状态时，神经网络很难对其进行识别，导致预测的结果存在很大的误差。


技术实现要素：

4.本发明提供了一种基于深度学习的网络流量预测方法、装置、设备及介质，以实现减小预测结果的误差，提高预测结果的准确度。
5.第一方面，为了解决上述技术问题，本发明提供了一种基于深度学习的网络流量预测方法，包括：
6.获取网络流量数据；
7.对所述网络流量数据进行预处理，得到流量预测数据；
8.基于卷积神经网络和长短期记忆网络对所述流量预测数据进行特征提取，得到时间特征和空间特征；
9.根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
10.优选地，在所述获取网络流量数据之前，所述方法还包括：
11.根据数据类型设置不同的采集周期；
12.基于所述采集周期对相应的数据进行采集。
13.优选地，所述对所述网络流量数据进行预处理，得到流量预测数据，包括：
14.将所述网络流量数据进行切分，得到预训练序列；
15.根据所述采集周期和预设的时间步长，得到观察时间和预测提前时间；
16.基于所述预训练序列、所述观察时间和所述预测提前时间得到流量预测数据。
17.优选地，所述根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果，包括：
18.根据多模态注意力机制网络进行权重提取，得到对应所述时间特征和所述空间特征的权重值；
19.根据所述权重值对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
20.优选地，所述方法还包括：
21.根据tanh激活函数、所述权重值、所述时间特征和所述空间特征，构建损失函数；
22.基于所述损失函数的最小化，对所述权重值进行调整。
23.优选地，所述网络流量数据包括趋势性数据、周期性数据和邻近性数据。
24.第二方面，本发明提供了一种基于深度学习的网络流量预测装置，包括：
25.数据获取模块，用于获取网络流量数据；
26.预处理模块，用于对所述网络流量数据进行预处理，得到流量预测数据；
27.特征提取模块，用于基于卷积神经网络和长短期记忆网络对所述流量预测数据进行特征提取，得到时间特征和空间特征；
28.特征融合模块，用于根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
29.优选地，所述特征融合模块包括：
30.权重提取单元，用于根据多模态注意力机制网络进行权重提取，得到对应所述时间特征和所述空间特征的权重值；
31.特征融合单元，用于根据所述权重值对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
32.第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的基于深度学习的网络流量预测方法。
33.第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于深度学习的网络流量预测方法。
34.相比于现有技术，本发明具有如下有益效果：
35.本发明通过对网络流量数据的预训练，能够在很大程度上熨平流量数据的波动行为，降低了随机因素对流量数据的影响，使得数据的发展方向更加贴近真实的发展轨迹；同时，将流量预测数据进行特征提取，然后对特征进行融合，在融合过程中，采用多模态注意力机制网络实现时间特征和空间特征影响权重的衡量，最终实现网络流量预测，针对此，能够减小预测结果的误差，提高预测结果的准确度。
附图说明
36.图1是本发明第一实施例提供的基于深度学习的网络流量预测方法流程示意图；
37.图2是本发明实施例提供的预处理结果示意图；
38.图3是本发明实施例提供的一个预测值的预测过程示意图；
39.图4是本发明实施例提供的8个预测值的预测过程示意图；
40.图5是本发明第二实施例提供的基于深度学习的网络流量预测装置结构示意图。
具体实施方式
41.下面将结合本发明实施例中的附图，对本发明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。
42.参照图1，本发明第一实施例提供了一种基于深度学习的网络流量预测方法，包括以下步骤：
43.s11，获取网络流量数据；
44.s12，对所述网络流量数据进行预处理，得到流量预测数据；
45.s13，基于卷积神经网络和长短期记忆网络对所述流量预测数据进行特征提取，得到时间特征和空间特征；
46.s14，根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
47.在步骤s11中，所述网络流量数据包括趋势性数据、周期性数据和邻近性数据，需要根据数据类型设置不同的采集周期，然后基于所述采集周期对相应的数据进行采集。
48.具体地，在数据采集之前，应该将工作日和休息日进行区分，然后才对数据进行采样。趋势性数据的时间采集周期为1周，以此反映该区域的数据的趋势变化情况；周期性数据的时间采集周期为1天，以此反映流量的数据的周期变化情况；邻近性数据的采集周期为1小时，以此反映不同相邻时间的数据变化情况。进一步地，最终获得的网络流量数据包括不同时间尺度。
49.在步骤s12中，需要对所述网络流量数据进行预处理，得到流量预测数据，包括：
50.将所述网络流量数据进行切分，得到预训练序列；
51.根据所述采集周期和预设的时间步长，得到观察时间和预测提前时间；
52.基于所述预训练序列、所述观察时间和所述预测提前时间得到流量预测数据。
53.具体地，参照图2，图2即为预训练序列。为了实现数据的预处理，将数据切分，获取在t
s-(to+ta)开始直到ts之间的数据，其中to表示能够直接获取的历史数据，ts表示预测的时刻。历史数据分为“编码”数据和“预测”数据，“预测”数据之间的数量受不同的时间步长t和要提前的时间窗口α的影响，如果步长和提前的时间窗口越大，那么“预测”数据的数量越少，ta为预测提前时间，表示要提前ta时刻才开始预测ts时刻的数据值。
54.进一步地，如果设步长t＝14，那么观察时间长度为to＝αt＝14α，观察时间为6α，预测提前时间ta＝3α，α的大小需要根据上述不同的采集周期决定，那么根据观察时间能够产生8α个流量预测数据。示例性地，t＝7的预测值如图3所示，8-14的预测值如图4所示。
55.需要说明的是，完成预训练序列，将历史数据分为“编码”数据和“预测”数据，“编码”数据用于总结过去的流量特征，“预测”数据用于推理未来将会发生什么。在不同的时间步长的影响下，网络流量数据的预测值数量将会有多个。通过对“预测”数据的多个预测数据的融合，实现“预测”数据序列的预训练。这种预训练在很大程度上熨平流量数据的波动行为，降低了随机因素对流量数据的影响，使得数据的发展方向更加贴近真实的发展轨迹。优选地，还可以预训练的序列放进长短期记忆网络中，按照预训练序列不同的位置，通过不同的迭代次数，实现流量数据的多尺度预测。
56.在步骤s13中，基于卷积神经网络和长短期记忆网络对所述流量预测数据进行特征提取，得到时间特征和空间特征。其中，卷积神经网络(convolutional neural network，cnn)善于捕捉空间关系，长短期记忆网络(long short-term memory，lstm)善于捕捉时间
依赖性，由此产生了趋势性数据、周期性数据和邻近性数据的时间特征和空间特征。
57.在步骤s14中，根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果，包括：
58.根据多模态注意力机制网络进行权重提取，得到对应所述时间特征和所述空间特征的权重值；
59.根据所述权重值对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
60.其中，tanh激活函数的过程为：
[0061][0062]
为网络流量预测结果，w1、w2分别为时间特征和空间特征的权重值，f
cnn
是指拼接后的空间特征；f
lstm
指拼接后的时间特征。
[0063]
进一步地，根据tanh激活函数、所述权重值、所述时间特征和所述空间特征，构建损失函数；
[0064]
基于所述损失函数的最小化，对所述权重值进行调整。
[0065]
具体地，损失函数为：
[0066][0067]
在本实施例中，采用多模态注意力机制网络(modality attention net)对时间特征和空间特征进行融合，结合误差实现三种数据、两种特征权重的自适应调整。
[0068]
本发明通过对网络流量数据的预训练，能够在很大程度上熨平流量数据的波动行为，降低了随机因素对流量数据的影响，使得数据的发展方向更加贴近真实的发展轨迹；同时，将流量预测数据进行特征提取，然后对特征进行融合，在融合过程中，采用多模态注意力机制网络实现时间特征和空间特征影响权重的衡量，最终实现网络流量预测，针对此，能够减小预测结果的误差，提高预测结果的准确度。
[0069]
参照图5，本发明第二实施例提供了一种基于深度学习的网络流量预测装置，包括：
[0070]
数据获取模块，用于获取网络流量数据；
[0071]
预处理模块，用于对所述网络流量数据进行预处理，得到流量预测数据；
[0072]
特征提取模块，用于基于卷积神经网络和长短期记忆网络对所述流量预测数据进行特征提取，得到时间特征和空间特征；
[0073]
特征融合模块，用于根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
[0074]
优选地，所述装置还包括：
[0075]
周期设置模块，用于根据数据类型设置不同的采集周期；
[0076]
数据采集模块，用于基于所述采集周期对相应的数据进行采集。
[0077]
优选地，所述预处理模块包括：
[0078]
数据切分单元，用于将所述网络流量数据进行切分，得到预训练序列；
[0079]
时间获得模块，用于根据所述采集周期和预设的时间步长，得到观察时间和预测
提前时间；
[0080]
预处理单元，用于基于所述预训练序列、所述观察时间和所述预测提前时间得到流量预测数据。
[0081]
优选地，所述特征融合模块包括：
[0082]
权重提取单元，用于根据多模态注意力机制网络进行权重提取，得到对应所述时间特征和所述空间特征的权重值；
[0083]
特征融合单元，用于根据所述权重值对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。
[0084]
优选地，所述装置还包括：
[0085]
函数构建模块，用于根据tanh激活函数、所述权重值、所述时间特征和所述空间特征，构建损失函数；
[0086]
权重值调整模块，用于基于所述损失函数的最小化，对所述权重值进行调整。
[0087]
需要说明的是，本发明实施例提供的一种基于深度学习的网络流量预测装置用于执行上述实施例的一种基于深度学习的网络流量预测方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
[0088]
综上，本发明通过对网络流量数据的预训练，能够在很大程度上熨平流量数据的波动行为，降低了随机因素对流量数据的影响，使得数据的发展方向更加贴近真实的发展轨迹；同时，将流量预测数据进行特征提取，然后对特征进行融合，在融合过程中，采用多模态注意力机制网络实现时间特征和空间特征影响权重的衡量，最终实现网络流量预测，针对此，能够减小预测结果的误差，提高预测结果的准确度。
[0089]
本发明实施例还提供了一种终端设备。该终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于深度学习的网络流量预测程序。所述处理器执行所述计算机程序时实现上述各个基于深度学习的网络流量预测方法实施例中的步骤，例如图1所示的步骤s11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如特征提取模块。
[0090]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
[0091]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0092]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器
等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0093]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0094]
其中，所述终端设备集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0095]
需说明的是，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。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0096]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。