一种网络流量的预测方法及系统与流程

本申请涉及通信网管领域，特别涉及一种网络流量的预测方法及系统。

背景技术：

1、随着网民数量和上网时间的扩增，进而导致网络流量的激增，对网络进行精细化、自动化、智能化运维及管理成为新的挑战。精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况，合理分配并高效利用网络资源，以满足日益增长且多样化的用户需求。网络流量在时间和空间上分布复杂，为了使得网络流量能够被精准预测，模型的选择和设计至关重要。

2、目前预测模型分为线性模型(ar、ma、arma、arima等)和非线性模型(svm、神经网络等)两类。但这些模型主要基于时序的视角对单个对象进行模型训练和预测，认为预测对象未来的流量与其自身历史时间节点流量数据有关，所训练出的模型存在过拟合和缺少对变化的自适应，没有考虑其他相关对象历史数据对预测对象的借鉴价值，缺少可靠性和预先识别突发流量的能力。

技术实现思路

1、本申请实施例提供一种网络流量的预测方法及系统，以解决相关技术中可靠性低、预先识别突发流量能力较低的问题。

2、第一方面，提供了一种网络流量的预测方法，包括：

3、基于每个设备的历史数据集建立设备自身模型，通过设备自身模型得到流量预测值，所述历史数据集包括流量数据；

4、选取与预测对象流量相似度大于预设相似度阈值的其他设备作为相关设备，根据对相关设备的流量监测定时更新相关设备模型，得到各相关设备模型的经验预测值；

5、通过流量预测值和所有经验预测值，经过加权计算得到网络流量的预测结果。

6、一些实施例中，对于每个选取的相关设备，将其与预测对象流量相似度的一部分作为经验权重，根据所有相关设备的经验预测值和对应的经验权重，得到加权后的经验预测值。

7、一些实施例中，根据所有相关设备的经验权重得到预测对象的流量权重，通过流量权重得到加权后的流量预测值，所述预测结果为加权后的经验预测值以及加权后的流量预测值的和。

8、一些实施例中，所述历史数据集包括至少一种基准特征的数据，周期性获取预测对象基准特征的数据变化，根据数据变化更新设备自身模型，比较更新前和更新后的设备自身模型，选择准确率高的设备自身模型获取流量预测值。

9、一些实施例中，所述历史数据集包括至少一种基准特征的数据，周期性获取预测对象流量与所有基准特征的相关性分析，选择相关系数较高的预设数量的基准特征作为优化特征，更新设备自身模型，比较更新前和更新后的设备自身模型，选择准确率高的设备自身模型获取流量预测值。

10、一些实施例中，所述其他设备包括同区域的设备和跨区域的设备，分别预设同区域相似度阈值和跨区域相似度阈值，根据对应相似度阈值分别选取相关设备。

11、一些实施例中，对于每个相似度阈值，当有多个大于该相似度阈值的其他设备时，按照相似度由大到小排序，设置对应的数量阈值，选择数量阈值及以前的其他设备作为相关设备。

12、一些实施例中，计算预测对象和其他设备的流量相似度时，流量数据的长度选择预测对象流量的全部长度，或者从最后一个流量数据产生时间点往前截取预测对象流量数据的部分长度。

13、一些实施例中，所述设备自身模型为机器学习线性模型和非线性模型中的一种或多种的组合。

14、另一方面，提供一种所述网络流量的预测方法的预测系统，包括：

15、设备自身模型模块，用于基于每个设备的历史数据集建立设备自身模型，通过设备自身模型得到流量预测值；

16、资源监测模块，用于监测预测对象和相关设备的流量和数据变化；

17、相关设备模型模块，用于选取与预测对象流量相似度大于预设相似度阈值的其他设备作为相关设备，还用于建立相关设备模型，且根据对相关设备的流量监测定时更新相关设备模型，得到各相关设备模型的经验预测值；

18、流量预测模块，用于通过流量预测值和所有经验预测值，经过加权计算得到网络流量的预测结果。

19、一些实施例中，还包括：

20、数据采集模块，用于周期性采集设备历史数据；

21、数据预处理模块，用于将历史数据进行预处理后，形成历史数据集；

22、可视化模块，用于展示数据预处理模块和流量预测模块的数据，显示各种态势分析。

23、本申请提供的技术方案带来的有益效果包括：

24、通过流量预测值结合相关设备的经验预测值，得到预测对象最终的预测结果，解决了仅基于预测对象自身历史数据进行流量预测存在的单一性和偏误性问题，提高了网络流量预测的可靠性，以及提高预先识别突发流量的能力。

25、设备自身模型可以结合基准特征的数据变化进行更新；还可以根据基准特征的变化，通过相关性分析得到优化特征，进而更新设备自身模型；进一步提高了网络流量预测的可靠性和预先识别突发流量的能力。

26、相关设备包括同区域和跨区域的设备，同区域设备记录了与预测对象最接近的场景信息，流量数据变化最为接近，增大了判断预测值的可靠性；跨区域设备记录了多场景下的流量数据变化，从大数据分析的视角提供了分析突发流量的基础。

技术特征：

1.一种网络流量的预测方法，其特征在于，包括：

2.如权利要求1所述的网络流量的预测方法，其特征在于，对于每个选取的相关设备，将其与预测对象流量相似度的一部分作为经验权重，根据所有相关设备的经验预测值和对应的经验权重，得到加权后的经验预测值。

3.如权利要求2所述的网络流量的预测方法，其特征在于，根据所有相关设备的经验权重得到预测对象的流量权重，通过流量权重得到加权后的流量预测值，所述预测结果为加权后的经验预测值以及加权后的流量预测值的和。

4.如权利要求3所述的网络流量的预测方法，其特征在于，所述历史数据集包括至少一种基准特征的数据，周期性获取预测对象基准特征的数据变化，根据数据变化更新设备自身模型，比较更新前和更新后的设备自身模型，选择准确率高的设备自身模型获取流量预测值。

5.如权利要求3所述的网络流量的预测方法，其特征在于，所述历史数据集包括至少一种基准特征的数据，周期性获取预测对象流量与所有基准特征的相关性分析，选择相关系数较高的预设数量的基准特征作为优化特征，更新设备自身模型，比较更新前和更新后的设备自身模型，选择准确率高的设备自身模型获取流量预测值。

6.如权利要求2所述的网络流量的预测方法，其特征在于，所述其他设备包括同区域的设备和跨区域的设备，分别预设同区域相似度阈值和跨区域相似度阈值，根据对应相似度阈值分别选取相关设备。

7.如权利要求6所述的网络流量的预测方法，其特征在于，对于每个相似度阈值，当有多个大于该相似度阈值的其他设备时，按照相似度由大到小排序，设置对应的数量阈值，选择数量阈值及以前的其他设备作为相关设备。

8.如权利要求1所述的网络流量的预测方法，其特征在于，计算预测对象和其他设备的流量相似度时，流量数据的长度选择预测对象流量的全部长度，或者从最后一个流量数据产生时间点往前截取预测对象流量数据的部分长度。

9.如权利要求1所述的网络流量的预测方法，其特征在于，所述设备自身模型为机器学习线性模型和非线性模型中的一种或多种的组合。

10.一种基于权利要求1-9任一项所述网络流量的预测方法的预测系统，其特征在于，包括：

11.如权利要求10所述的预测系统，其特征在于，还包括：

技术总结
一种网络流量的预测方法及系统，涉及通信网管领域，方法包括：基于每个设备的历史数据集建立设备自身模型，通过设备自身模型得到流量预测值，所述历史数据集包括流量数据；选取与预测对象流量相似度大于预设相似度阈值的其他设备作为相关设备，根据对相关设备的流量监测定时更新相关设备模型，得到各相关设备模型的经验预测值；通过流量预测值和所有经验预测值，经过加权计算得到网络流量的预测结果，解决相关技术中可靠性低、预先识别突发流量能力较低的问题。

技术研发人员：廖岭
受保护的技术使用者：武汉烽火技术服务有限公司
技术研发日：
技术公布日：2024/1/14