技术特征：
1.一种网络流量的预测方法，其特征在于，所述方法包括：获取多个用户设备的历史业务相关数据；对所述历史业务相关数据进行特征提取，得到对应各所述用户设备的业务相关特征；基于所述多个用户设备中每两个用户设备之间的业务相关特征的相似度，对所述多个用户设备进行聚类划分，得到至少两个用户设备群；将各用户设备群中用户设备的历史位置数据及历史网络流量数据作为训练样本数据，对相应的所述用户设备群分别进行位置及网络流量的预测模型训练，得到对应各所述用户设备群的位置与网络流量的预测模型；其中，所述预测模型用于预测目标用户设备群的目标位置及网络流量，所述目标位置及网络流量用于供确定对应所述目标位置的总的网络流量预测值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于各所述用户设备的业务相关特征，确定所述多个用户设备中每两个用户设备之间的业务相关特征的相似度。3.根据权利要求2所述的方法，其特征在于，所述基于各所述用户设备的业务相关特征，确定所述多个用户设备中每两个用户设备之间的业务相关特征的相似度，包括：在所述业务相关特征包括运动轨迹、停留区域及业务流量的情况下，分别确定所述多个用户设备中每两个用户设备之间的运动轨迹相似度，以及确定所述多个用户设备中每两个用户设备之间的停留区域相似度，以及确定所述多个用户设备中每两个用户设备之间的业务流量相似度。4.根据权利要求3所述的方法，其特征在于，所述确定所述多个用户设备中每两个用户设备之间的运动轨迹相似度，包括：获取同一时段内两个用户设备中第一用户设备对应的第一运动轨迹，以及第二用户设备对应的第二运动轨迹；确定所述第一运动轨迹与所述第二运动轨迹中对应编号的轨迹点之间的距离；基于所述第一运动轨迹与所述第二运动轨迹中对应编号的轨迹点之间的距离的求和，确定所述两个用户设备之间的运动轨迹相似度。5.根据权利要求3所述的方法，其特征在于，所述确定所述多个用户设备中每两个用户设备之间的停留区域相似度，包括：获取同一时段内两个用户设备中第一用户设备对应的第一停留区域，以及第二用户设备对应的第二停留区域；确定所述第一停留区域与所述第二停留区域的交集区域内停留点的数量；确定所述第一停留区域与所述第二停留区域中总停留点的数量；基于所述交集区域内停留点的数量与所述总停留点的数量的比值，确定所述两个用户设备之间的停留区域相似度。6.根据权利要求3所述的方法，其特征在于，所述确定所述多个用户设备中每两个用户设备之间的业务流量相似度，包括：获取同一时段内两个用户设备中第一用户设备对应的第一业务类别，以及第二用户设备对应的第二业务类别；确定与所述第一业务类别对应的第一业务流量，以及与所述第二业务类别对应的第二
业务流量；基于所述第一业务流量与所述第二业务流量之间的差异值，确定所述两个用户设备之间的业务流量相似度。7.根据权利要求1所述的方法，其特征在于，所述基于所述多个用户设备中每两个用户设备之间的业务相关特征的相似度，对所述多个用户设备进行聚类划分，得到至少两个用户设备群，包括：基于所述多个用户设备中每两个用户设备之间的业务相关特征的相似度，确定所述多个用户设备中每两个用户设备之间的时空分布相似度；基于所述多个用户设备中每两个用户设备之间的时空分布相似度的矩阵表示，构建相似性矩阵；基于所述相似性矩阵建立图模型，并基于所述图模型中超边的权重大小，对所述多个用户设备进行聚类划分，得到至少两个用户设备群。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：将所述相似性矩阵进行归一化处理，得到归一化后的相似性矩阵；所述基于所述相似性矩阵建立图模型，包括：将所述归一化后的相似性矩阵进行图转换，得到所述图模型。9.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标用户设备群在当前时刻的实时业务相关数据，所述实时业务相关数据至少包括实时位置数据及实时网络流量数据；将所述实时位置数据与所述实时网络流量数据分别输入至所述预测模型，得到所述预测模型输出的所述目标用户设备群在目标时刻所处的目标位置，以及所述目标用户设备群在所述目标时刻的网络流量预测值；所述目标时刻用于表征以所述当前时刻为起始时间的任一时刻。10.根据权利要求9所述的方法，其特征在于，所述方法还包括：基于所述目标用户设备群在所述目标时刻所处的目标位置，确定位于同一所述目标位置的目标用户设备群集合；将位于同一所述目标位置的目标用户设备群集合中所有目标用户设备群的网络流量预测值进行汇总，得到对应所述目标位置的总的网络流量预测值。11.一种网络流量的预测方法，其特征在于，所述方法包括：获取目标用户设备群在当前时刻的实时业务相关数据，所述实时业务相关数据至少包括实时位置数据及实时网络流量数据；将所述实时位置数据与所述实时网络流量数据分别输入至预测模型，得到所述预测模型输出的所述目标用户设备群在目标时刻所处的目标位置，以及所述目标用户设备群在所述目标时刻的网络流量预测值；所述目标时刻用于表征以所述当前时刻为起始时间的任一时刻；基于所述目标用户设备群在目标时刻所处的目标位置，以及所述目标用户设备群在所述目标时刻的网络流量预测值，确定所述目标位置的总的网络流量预测值；其中，所述预测模型，基于用户设备群中用户设备的历史位置数据及历史网络流量数据作为训练样本数据进行模型训练得到。
12.根据权利要求11所述的方法，其特征在于，所述基于所述目标用户设备群在目标时刻所处的目标位置，以及所述目标用户设备群在所述目标时刻的网络流量预测值，确定所述目标位置的总的网络流量预测值，包括：基于所述目标用户设备群在所述目标时刻所处的目标位置，确定位于同一所述目标位置的目标用户设备群集合；将位于同一所述目标位置的目标用户设备群集合中所有目标用户设备群的网络流量预测值进行汇总，得到对应所述目标位置的总的网络流量预测值。13.根据权利要求12所述的方法，其特征在于，所述方法还包括：将所述目标位置的总的网络流量预测值与所述目标位置的总网络流量阈值进行比较，得到比较结果；当所述比较结果表征所述目标位置的总的网络流量预测值大于所述总网络流量阈值时，对所述目标位置的网络设备进行维护与优化。14.一种网络流量的预测装置，其特征在于，所述装置包括：第一获取单元，用于获取多个用户设备的历史业务相关数据；特征提取单元，用于对所述历史业务相关数据进行特征提取，得到对应各所述用户设备的业务相关特征；聚类划分单元，用于基于所述多个用户设备中每两个用户设备之间的业务相关特征的相似度，对所述多个用户设备进行聚类划分，得到至少两个用户设备群；模型训练单元，用于将各用户设备群中用户设备的历史位置数据及历史网络流量数据作为训练样本数据，对相应的所述用户设备群分别进行位置及网络流量的预测模型训练，得到对应各所述用户设备群的位置与网络流量的预测模型；其中，所述预测模型用于预测目标用户设备群的目标位置及网络流量，所述目标位置及网络流量用于供确定对应所述目标位置的总的网络流量预测值。15.一种网络流量的预测装置，其特征在于，所述装置包括：第二获取单元，用于获取目标用户设备群在当前时刻的实时业务相关数据，所述实时业务相关数据至少包括实时位置数据及实时网络流量数据；数据输入单元，用于将所述实时位置数据与所述实时网络流量数据分别输入至预测模型，得到所述预测模型输出的所述目标用户设备群在目标时刻所处的目标位置，以及所述目标用户设备群在所述目标时刻的网络流量预测值；所述目标时刻用于表征以所述当前时刻为起始时间的任一时刻；第三确定单元，用于基于所述目标用户设备群在目标时刻所处的目标位置，以及所述目标用户设备群在所述目标时刻的网络流量预测值，确定所述目标位置的总的网络流量预测值；其中，所述预测模型，基于用户设备群中用户设备的历史位置数据及历史网络流量数据作为训练样本数据进行模型训练得到。16.一种网络流量的预测设备，其特征在于，包括：第一处理器和用于存储能够在处理器上运行的计算机程序的第一存储器；其中，所述第一处理器用于运行所述计算机程序时，执行权利要求1至10任一项所述方法的步骤。
17.一种网络流量的预测设备，其特征在于，包括：第二处理器和用于存储能够在处理器上运行的计算机程序的第二存储器；其中，所述第二处理器用于运行所述计算机程序时，执行权利要求11至13任一项所述方法的步骤。18.一种存储介质，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权利要求1至10任一项所述方法的步骤，或者实现权利要求11至13任一项所述方法的步骤。
技术总结
本发明公开了一种网络流量的预测方法、装置、设备及存储介质，包括：获取多个用户设备的历史业务相关数据；对历史业务相关数据进行特征提取，得到对应各用户设备的业务相关特征；基于多个用户设备中每两个用户设备之间的业务相关特征的相似度，对多个用户设备进行聚类划分，得到至少两个用户设备群；将各用户设备群中用户设备的历史位置数据及历史网络流量数据作为训练样本数据，对相应的用户设备群分别进行位置及网络流量的预测模型训练，得到对应各用户设备群的位置与网络流量的预测模型；预测模型用于预测目标用户设备群的目标位置及网络流量，目标位置及网络流量用于供确定对应目标位置的总的网络流量预测值。应目标位置的总的网络流量预测值。应目标位置的总的网络流量预测值。
技术研发人员：邱亚星 边森 王希栋
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2020.03.19
技术公布日：2021/10/11