本公开涉及人工智能,具体涉及深度学习、互联网等,尤其涉及一种网络流量预测及模型训练方法、装置、设备和存储介质。
背景技术:
1、随着互联网技术的发展,网络规模不断扩大,网络流量也有了大幅度的增长,网络中经常出现拥塞或过载的现象。对网络流量进行精准的预测可以有效的对网络进行管理,提高网络的综合性能。
技术实现思路
1、本公开提供了一种网络流量预测及模型训练方法、装置、设备和存储介质。
2、根据本公开的一方面,提供了一种网络流量预测方法,包括:获取多个网络节点的历史流量数据;基于所述多个网络节点中两两节点间的关联关系,对所述历史流量数据进行处理,以获得融合特征;基于所述融合特征,确定所述多个网络节点的未来流量数据。
3、根据本公开的另一方面,提供了一种网络流量预测模型的训练方法,所述模型包括:图卷积网络,所述方法包括:获取多个网络节点的样本数据,所述样本数据包括:历史流量数据,以及真实未来流量数据;采用所述图卷积网络,基于所述多个网络节点中两两节点间的关联关系,对所述历史流量数据进行处理,以获得融合特征;基于所述融合特征,获得预测未来流量数据;基于所述真实未来流量数据和所述预测未来流量数据,构建损失函数;基于所述损失函数,调整模型参数直至满足预设条件,所述模型参数包括:所述图卷积网络的模型参数。
4、根据本公开的另一方面,提供了一种网络流量预测装置,包括:获取模块,用于获取多个网络节点的历史流量数据;融合模块,用于基于所述多个网络节点中两两节点间的关联关系,对所述历史流量数据进行处理,以获得融合特征;预测模块,用于基于所述融合特征,确定所述多个网络节点的未来流量数据。
5、根据本公开的另一方面,提供了一种网络流量预测模型的训练装置,所述模型包括:图卷积网络,所述装置包括:获取模块,用于获取多个网络节点的样本数据,所述样本数据包括:历史流量数据,以及真实未来流量数据;融合模块,用于采用所述图卷积网络,基于所述多个网络节点中两两节点间的关联关系,对所述历史流量数据进行处理,以获得融合特征;预测模块,用于基于所述融合特征,获得预测未来流量数据;构建模块,用于基于所述真实未来流量数据和所述预测未来流量数据,构建损失函数;调整模块,用于基于所述损失函数,调整模型参数直至满足预设条件,所述模型参数包括:所述图卷积网络的模型参数。
6、根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
7、根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
8、根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
9、根据本公开的技术方案,可以提高网络流量预测的精准度。
10、应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
1.一种网络流量预测方法,包括:
2.根据权利要求1所述的方法,其中,所述基于所述多个网络节点中两两节点间的关联关系,对所述历史流量数据进行处理,以获得融合特征,包括:
3.根据权利要求1所述的方法,其中,所述基于所述融合特征,确定所述多个网络节点的未来流量数据,包括:
4.根据权利要求1-3任一项所述的方法,还包括:
5.根据权利要求3所述的方法,其中,所述基于所述时间特征,获得所述未来流量数据,包括:
6.一种网络流量预测模型的训练方法,所述模型包括:图卷积网络,所述方法包括:
7.根据权利要求6所述的方法,其中,所述模型包括:特征提取网络,所述模型参数还包括:所述特征提取网络的模型参数,所述基于所述融合特征,获得预测未来流量数据,包括:
8.根据权利要求6所述的方法,其中,所述模型还包括:第一全连接层,所述模型参数还包括:所述第一全连接层的模型参数,所述方法还包括:
9.根据权利要求7所述的方法,其中,所述模型还包括:第二全连接层,所述模型参数还包括:所述第二全连接层的模型参数,所述基于所述时间特征获得所述预测未来流量特征,包括:
10.根据权利要求6-9任一项所述的方法,其中,所述获取多个网络节点的样本数据,包括:
11.一种网络流量预测装置,包括:
12.根据权利要求11所述的装置,其中,所述融合模块进一步用于:
13.根据权利要求11所述的装置,其中,所述预测模块进一步用于:
14.根据权利要求11-13任一项所述的装置,还包括:
15.根据权利要求13所述的装置,其中,所述预测模块进一步用于:
16.一种网络流量预测模型的训练装置,所述模型包括:图卷积网络,所述装置包括:
17.根据权利要求16所述的装置,其中,所述模型包括:特征提取网络,所述模型参数还包括:所述特征提取网络的模型参数,所述预测模块进一步用于:
18.根据权利要求16所述的装置,其中,所述模型还包括:第一全连接层,所述模型参数还包括:所述第一全连接层的模型参数,所述装置还包括:
19.根据权利要求17所述的装置,其中,所述模型还包括:第二全连接层,所述模型参数还包括:所述第二全连接层的模型参数,所述预测模块进一步用于:
20.根据权利要求16-19任一项所述的装置,其中,所述获取模块进一步用于:
21.一种电子设备,包括:
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。