一种流量预测方法、网络训练方法、装置及电子设备

1.本发明涉及流量预测领域，具体涉及一种流量预测方法、网络训练方法、装置及电子设备。


背景技术：

2.近年来，用户互联网流量使用量逐年增加，特别是今年5g网络在全球范围内的逐步应用更是对运营商提出了更高要求。运营商要提高服务效率就要处理好网络资源分配的问题，当某些节点资源分配不足时，会造成用户过饱和，增加了节点服务载荷，降低用户体验；相反地，当节点资源分配过多时，又会造成资源浪费，甚至有可能使周边节点服务压力过大等问题。近年来，一些常见的深度学习方法也应用于流量预测的应用中。
3.目前的流量预测技术并未考虑到周期性数据对预测的影响，或者考虑到的周期性数据对流量预测来说也不是严格的周期性数据，流量可能会在同周期的时间点存在一定的动态波动，导致预测结果会存在一定的偏差。


技术实现要素：

4.为解决现有存在的技术问题，本发明实施例提供一种流量预测方法、网络训练方法、装置及电子设备。
5.为达到上述目的，本发明实施例的技术方案是这样实现的：
6.第一方面，本发明实施例提供了一种用于流量预测的网络训练方法，所述方法包括：
7.获得包含有多个第一数据的数据集合，基于所述数据集合和第一网络得到预测时间点的第一预测数据；所述多个第一数据为所述预测时间点之前的历史流量数据；
8.获得多个第二数据，基于所述多个第二数据和第二网络得到调整数据，所述多个第二数据为与所述预测时间点同周期的历史流量数据；所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
9.根据所述调整数据和动态调整参数对所述第一预测数据进行调整，得到第二预测数据，基于获得的多个第二预测数据生成预测序列数据；
10.将所述预测序列数据经全连接网络处理后、与目标序列数据确定损失，根据所述损失对所述第一网络、所述第二网络和所述全连接网络进行训练。
11.上述方案中，所述方法还包括：将所述第二预测数据添加至所述数据集合，并删除所述数据集合中的一个第一数据得到更新的数据集合；
12.基于更新的数据集合和所述第一网络重新得到所述预测时间点的第一预测数据。
13.上述方案中，所述多个第二数据中包括与所述预测时间点同周期的时间点的第一历史流量数据、与所述预测时间点同周期的时间点的前一时间点的第二历史流量数据以及与所述预测时间点同周期的时间点的后一时间点的第三历史流量数据；
14.所述基于所述多个第二数据和第二网络得到调整数据，包括：
15.基于所述第二网络分别获得所述第一历史流量数据、第二历史流量数据和所述第三历史流量数据对应的第一调整数据、第二调整数据和第三调整数据；
16.对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权处理，根据加权处理结果得到所述调整数据。
17.上述方案中，所述对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权处理，包括：
18.以动态调整参数α作为所述第一调整数据的权值、(1-α)/2作为所述第二调整数据和所述第三调整数据的权值，对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权求和处理，得到加权处理结果。
19.上述方案中，所述根据所述调整数据和动态调整参数对所述第一预测数据进行调整，得到第二预测数据，包括：
20.利用动态修正因子β与所述调整数据的乘积获得修正值，对所述修正值与所述第一预测数据进行加和处理得到所述第二预测数据。
21.上述方案中，所述将所述预测序列数据经全连接网络处理后、与目标序列数据确定损失，包括：
22.获得经全连接网络处理后的预测序列数据中的第三数据，获得所述目标序列数据中的第四数据；所述第三数据为所述预测序列数据中的第i个数据，所述第四数据为所述目标序列数据中的第i个数据；i的取值为大于0小于等于所述预测序列数据或所述目标序列数据中包含的数据的数量；
23.确定所述第三数据和所述第四数据之间的平均绝对百分比误差，以及确定所述第三数据和所述第四数据之间的余弦距离，基于所述平均绝对百分比误差和所述余弦距离确定损失。
24.第二方面，本发明实施例还提供了一种流量预测方法，所述方法包括：
25.获得第一类数据和第二类数据，所述第一类数据包括预测时间点之前的多个历史流量数据，所述第二类数据包括与所述预测时间点同周期的多个历史流量数据，所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
26.基于所述第一类数据和训练得到的第一网络得到初始预测数据，基于所述第二类数据和训练得到的第二网络得到调整数据；
27.根据所述调整数据和动态调整参数对所述初始预测数据进行调整，得到预测数据；
28.基于获得的多个预测数据生成预测序列数据，将所述预测序列数据经全连接网络处理后，得到所述预测时间点的流量预测结果。
29.上述方案中，所述第一网络、所述第二网络和所述全连接网络基于本发明实施例前述第一方面所述的方法训练获得。
30.第三方面，本发明实施例还提供了一种用于流量预测的网络训练装置，所述装置包括：第一处理单元、第二处理单元、调整单元和训练单元；其中，
31.所述第一处理单元，用于获得包含有多个第一数据的数据集合，基于所述数据集
合和第一网络得到预测时间点的第一预测数据；所述多个第一数据为所述预测时间点之前的历史流量数据；
32.所述第二处理单元，用于获得多个第二数据，基于所述多个第二数据和第二网络得到调整数据，所述多个第二数据为与所述预测时间点同周期的历史流量数据；所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
33.所述调整单元，用于根据所述调整数据和动态调整参数对所述第一预测数据进行调整，得到第二预测数据，基于获得的多个第二预测数据生成预测序列数据；
34.所述训练单元，用于将所述预测序列数据经全连接网络处理后、与目标序列数据确定损失，根据所述损失对所述第一网络、所述第二网络和所述全连接网络进行训练。
35.上述方案中，所述第一处理单元，还用于将所述第二预测数据添加至所述数据集合，并删除所述数据集合中的一个第一数据得到更新的数据集合；基于更新的数据集合和所述第一网络重新得到所述预测时间点的第一预测数据。
36.上述方案中，所述多个第二数据中包括与所述预测时间点同周期的时间点的第一历史流量数据、与所述预测时间点同周期的时间点的前一时间点的第二历史流量数据以及与所述预测时间点同周期的时间点的后一时间点的第三历史流量数据；
37.所述第二处理单元，用于基于所述第二网络分别获得所述第一历史流量数据、第二历史流量数据和所述第三历史流量数据对应的第一调整数据、第二调整数据和第三调整数据；对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权处理，根据加权处理结果得到所述调整数据。
38.上述方案中，所述第二处理单元，用于以动态调整参数α作为所述第一调整数据的权值、(1-α)/2作为所述第二调整数据和所述第三调整数据的权值，对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权求和处理，得到加权处理结果。
39.上述方案中，所述调整单元，用于利用动态修正因子β与所述调整数据的乘积获得修正值，对所述修正值与所述第一预测数据进行加和处理得到所述第二预测数据。
40.上述方案中，所述训练单元，用于获得经全连接网络处理后的预测序列数据中的第三数据，获得所述目标序列数据中的第四数据；所述第三数据为所述预测序列数据中的第i个数据，所述第四数据为所述目标序列数据中的第i个数据；i的取值为大于0小于等于所述预测序列数据或所述目标序列数据中包含的数据的数量；确定所述第三数据和所述第四数据之间的平均绝对百分比误差，以及确定所述第三数据和所述第四数据之间的余弦距离，基于所述平均绝对百分比误差和所述余弦距离确定损失。
41.第四方面，本发明实施例还提供了一种流量预测装置，所述装置包括：数据获取单元和第三处理单元；其中，
42.所述数据获取单元，用于获得第一类数据和第二类数据，所述第一类数据包括预测时间点之前的多个历史流量数据，所述第二类数据包括与所述预测时间点同周期的多个历史流量数据，所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
43.所述第三处理单元，用于基于所述第一类数据和训练得到的第一网络得到初始预测数据；基于所述第二类数据和训练得到的第二网络得到调整数据；根据所述调整数据和
动态调整参数对所述初始预测数据进行调整，得到预测数据；基于获得的多个预测数据生成预测序列数据，将所述预测序列数据经全连接网络处理后，得到所述预测时间点的流量预测结果。
44.上述方案中，所述第一网络、所述第二网络和所述全连接网络基于本发明实施例前述第三方面所述的用于流量预测的网络训练装置训练获得。
45.第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例前述第一方面或第二方面所述方法的步骤。
46.第六方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例前述第一方面或第二方面所述方法的步骤。
47.本发明实施例提供的流量预测方法、网络训练方法、装置及电子设备，所述网络训练方法包括：获得包含有多个第一数据的数据集合，基于所述数据集合和第一网络得到预测时间点的第一预测数据；所述多个第一数据为所述预测时间点之前的历史流量数据；获得多个第二数据，基于所述多个第二数据和第二网络得到调整数据，所述多个第二数据为与所述预测时间点同周期的历史流量数据；所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；根据所述调整数据和动态调整参数对所述第一预测数据进行调整，得到第二预测数据，基于获得的多个第二预测数据生成预测序列数据；将所述预测序列数据经全连接网络处理后、与目标序列数据确定损失，根据所述损失对所述第一网络、所述第二网络和所述全连接网络进行训练。采用本发明实施例的技术方案，一方面，通过第一网络学习历史流量数据的动态时间紧密度特征，通过第二网络学习周期性数据的周期性特征，通过基于与预测时间点同周期的时间点以及前后时间点的历史流量数据确定调整数据，从而基于该调整数据对第一预测数据进行调整，也即在对流量的预测过程中考虑到周期性数据的影响；另一方面，对流量的预测过程中，考虑到周期性数据以及周期性的时间点之前和/或之后的数据对预测的影响，并且采用动态调整参数结合调整数据对第一预测数据进行调整，从而提升了流量预测的准确度。
附图说明
48.图1为本发明实施例的用于流量预测的网络训练方法的流程示意图；
49.图2为本发明实施例的用于流量预测的网络训练方法的处理流程示意框图；
50.图3为本发明实施例的流量预测方法的流程示意图；
51.图4为本发明实施例的用于流量预测的网络训练装置的组成结构示意图；
52.图5为本发明实施例的流量预测装置的组成结构示意图；
53.图6为本发明实施例的电子设备的硬件组成结构示意图。
具体实施方式
54.下面结合附图及具体实施例对本发明作进一步详细的说明。
55.本公开的说明书和权利要求书及上述附图中的术语“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。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
56.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公开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。
57.本发明实施例提供了一种用于流量预测的网络训练方法。本发明实施例可以应用于各种电子设备中，该电子设备包括但不限于固定设备和/或移动设备，例如，所述固定设备包括但不限于：个人电脑(pc，personal computer)、或者服务器等，所述服务器可以是云服务器或普通服务器。
58.图1为本发明实施例的用于流量预测的网络训练方法的流程示意图；如图1所示，所述方法包括：
59.步骤101：获得包含有多个第一数据的数据集合，基于所述数据集合和第一网络得到预测时间点的第一预测数据；所述多个第一数据为所述预测时间点之前的历史流量数据；
60.步骤102：获得多个第二数据，基于所述多个第二数据和第二网络得到调整数据，所述多个第二数据为与所述预测时间点同周期的历史流量数据；所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
61.步骤103：根据所述调整数据对所述第一预测数据进行调整，得到第二预测数据，基于获得的多个第二预测数据生成预测序列数据；
62.步骤104：将所述预测序列数据经全连接网络处理后、与目标序列数据确定损失，根据所述损失对所述第一网络、所述第二网络和所述全连接网络进行训练。
63.本实施例中，第一网络为深度学习网络，具体可以说是循环神经网络。示例性的，第一网络可采用长短期记忆(lstm，long short-term memory)网络。本实施例通过第一网络对多个历史流量数据进行分析处理，学习时间紧密度特征，从而预测得到预测时间点的第一预测数据。
64.其中，所述数据集合中包括的多个第一数据具体是预测时间点之前的多个数据，示例性的，多个第一数据可以是满足一定时间参数的多个历史流量数据。例如，从历史流量数据中、可在距离预测时间点之前的预设时间段的时间范围内随机获得多个历史流量数据。可选地，各个第一数据表示历史某个时刻或某个时间段对应的历史流量信息，也即第一数据可携带有时间参数。
65.本实施例中，第二网络用于学习周期性特征。示例性的，第二网络可通过多层感知器(mlp，multi-layer perceptron)网络实现。本实施例通过第二网络对与预测时间点同周期的历史流量数据进行分析处理，学习周期性特征。
66.其中，各个第二数据表示历史某个时刻(时间点)对应的历史流量。其中，多个第二数据中、至少包括与预设时间点同周期时间点的历史流量数据，还可以包括预设时间点同
周期时间点的前一时间点和/或后一时间点的历史流量数据。示例性的，第二数据可通过序列的形式表示。
67.考虑到周期性动态变化产生的扰动一般在预测时间点同周期的时间点的相邻时间较短的位置，因此本实施例中，上述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据。在一些可选实施例中，所述多个第二数据中包括与所述预测时间点同周期的时间点的第一历史流量数据、与所述预测时间点同周期的时间点的前一时间点的第二历史流量数据以及与所述预测时间点同周期的时间点的后一时间点的第三历史流量数据；也即可选取与预测时间点同周期的时间点作为第一时间点、该第一时间点前一时刻和后一时刻的时间点分别作为第二时间点和第三时间点，分别将第一时间点对应的第一历史流量数据、第二时间点对应的第二历史流量数据以及第三时间点对应的第三历史流量数据作为上述第二数据。当然，本实施例中上述第二数据也不限于上述示例，也可以是与第一时间点相隔预设时刻的时间点作为上述第二时间点和第三时间点，预设时刻的长度可依据实际情况而设置。
68.本实施例中，基于多个第二数据和第二网络得到的调整数据用于对第一预测数据进行调整，从而调整单个预测数据(即第一预测数据)的精度。
69.在本发明的一些可选实施例中，所述多个第二数据中包括与所述预测时间点同周期的时间点的第一历史流量数据、与所述预测时间点同周期的时间点的前一时间点的第二历史流量数据以及与所述预测时间点同周期的时间点的后一时间点的第三历史流量数据；所述基于所述多个第二数据和第二网络得到调整数据，包括：基于所述第二网络分别获得所述第一历史流量数据、第二历史流量数据和所述第三历史流量数据对应的第一调整数据、第二调整数据和第三调整数据；对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权处理，根据加权处理结果得到所述调整数据。
70.其中，在一些可选实施例中，所述对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权处理，包括：以动态调整参数α作为所述第一调整数据的权值、(1-α)/2作为所述第二调整数据和所述第三调整数据的权值，对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权求和处理，得到加权处理结果。
71.本实施例以多个第二数据包括预测时间点同周期的时间点的第一历史流量数据、与所述预测时间点同周期的时间点的前一时间点的第二历史流量数据以及与所述预测时间点同周期的时间点的后一时间点的第三历史流量数据为例进行说明，通过第二网络分别对第一历史流量数据、第二历史流量数据以及第三流量数据进行处理，分别获得第一历史流量数据对应的第一调整数据(记为q1)、第二历史流量数据对应的第二调整数据(记为q2)以及第三历史流量数据对应的第三调整参数(记为q2)，以参数α作为所述第一调整数据的权值、(1-α)/2作为所述第二调整数据和所述第三调整数据的权值，则调整数据q满足：
[0072][0073]
其中，α的取值范围为大于0小于1。当然，本实施例中α的取值范围也不限于上述示例。
[0074]
在本发明的一些可选实施例中，所述根据所述调整数据对所述第一预测数据进行
调整，得到第二预测数据，包括：利用动态修正因子与所述调整数据的乘积获得修正值，对所述修正值与所述第一预测数据进行加和处理得到所述第二预测数据。
[0075]
本实施例中，设定第一预测数据为s1，调整数据依旧记为q，修正因子记为β，则第二预测数据s2满足：
[0076]
s2＝s1 β
×qꢀꢀ
(2)
[0077]
示例性的，β的取值范围为大于-0.5小于0.5。当然，本实施例中β的取值范围也不限于上述示例。
[0078]
本实施例中，在一些可选实施例中，可基于获得的多组数据集合按照上述步骤101至步骤102的处理，得到多个第二预测数据。
[0079]
在另一些可选实施例中，所述方法还包括：将所述第二预测数据添加至所述数据集合，并删除所述数据集合中的一个第一数据得到更新的数据集合；基于更新的数据集合和所述第一网络重新得到所述预测时间点的第一预测数据。
[0080]
本实施例中，所述数据集合可以为按照一定顺序排列的数据序列，则在获得首个第二预测数据后，将所述第二预测数据添加至数据集合(即数据序列)，并删除数据集合(即数据序列)中的第一个数据，从而得到新的数据集合，进而按照上述步骤101至步骤102的处理，得到第二个第二预测数据，进而重复将该第二个第二预测数据添加至数据集合(即数据序列)，并删除数据集合(即数据序列)中的第一个数据，从而得到新的数据集合，进而按照上述步骤101至步骤102的处理，得到第三个第二预测数据，以此类推，直至得到预测序列数据，所述预测序列数据中包含有设定数量的上述第二预测数据。
[0081]
在本发明的一些可选实施例中，所述将所述预测序列数据经全连接网络处理后、与目标序列数据确定损失，包括：获得所述预测序列数据中的第三数据，获得所述目标序列数据中的第四数据；所述第三数据为所述预测序列数据中的第i个数据，所述第四数据为所述目标序列数据中的第i个数据；i的取值为大于0小于等于所述预测序列数据或所述目标序列数据中包含的数据的数量；确定所述第三数据和所述第四数据之间的平均绝对百分比误差，以及确定所述第三数据和所述第四数据之间的余弦距离，基于所述平均绝对百分比误差和所述余弦距离确定损失。
[0082]
本实施例中，上述损失可采用映射余弦距离(m-c，mape-cosine distance)混合损失函数，也即上述损失包含两部分：一部分是预测数据与实际数据(即目标数据)之间的平均绝对百分比误差，另一部分是预测数据与实际数据(即目标数据)之间的余弦距离。
[0083]
示例性的，损失l满足：
[0084][0085]
其中，k为调节余弦距离比重的超参数，k的取值为小于-1，yi为目标序列数据的第i个值，pi为预测序列数据的第i个值；n表示目标序列数据和预测序列数据中的数据的数量。
[0086]
本实施例中，上述步骤103获得的预测序列数据在通过全连接网络处理后，根据全连接网络的处理结果以及目标序列数据按照上述公式(3)确定损失l，根据损失l对前述第一网络、第二网络和全连接网络中的参数进行调整，也即对第一网络、第二网络和全连接网
络进行训练，使得基于预测序列数据和目标序列数据得到的损失l满足收敛条件。
[0087]
采用本发明实施例的技术方案，第一方面，通过第一网络学习历史流量数据的动态时间紧密度特征，通过第二网络学习周期性数据的周期性特征，通过基于与预测时间点同周期的时间点以及前后时间点的历史流量数据确定调整数据，从而基于该调整数据对第一预测数据进行调整，也即在对流量的预测过程中考虑到周期性数据的影响；第二方面，对流量的预测过程中，考虑到周期性数据以及周期性的时间点之前和/或之后的数据对预测的影响，并且采用动态调整参数(包括动态调整参数α以及动态修正因子β)结合调整数据对第一预测数据进行调整，从而提升了单个的预测数据(例如第二预测数据)的准确度。第三方面，本技术的损失函数包括平均绝对百分比误差和余弦距离两部分，能够减少预测数据与实际数据之间的偏差，从而也能够提升网络的精度，提高流量预测的准确性。
[0088]
下面结合一个具体的示例对本发明实施例的网络训练方法进行说明。
[0089]
图2为本发明实施例的用于流量预测的网络训练方法的处理流程示意框图；如图2所示，本实施例中，输入数据包括：维度为n
×
p的三个周期性序列{p0}n×
p
、{p-1
}n×
p
、{p1}n×
p
和长度为w的前序时间序列{w}w×1，{w}w×1中包括w个数据。其中，上述{w}w×1则为前述实施例中的数据集合，上述{p0}n×
p
、{p-1
}n×
p
、{p1}n×
p
则为前述实施例中的第二数据。输出数据为:长度为p的预测序列{w}
p
×1。
[0090]
步骤1:将预测时间点之前的长度为w的序列{wi}w×1作为输入经神经网络后输出预测数据s
1i
；其中，i的取值范围为但与等于1小于等于w。
[0091]
步骤2:将预测时间点之前n个周期的对应时间点以及相邻时间点的序列{p0}n×i、{p-1
}n×i、{p1}n×i分别经过第二网络并用动态参数α加权后输出调整数据s
2i
；
[0092]
其中，假设{p0}n×i、{p-1
}n×i、{p1}n×i分别经第二网络的输出结果分别记为q1、q2和q3，则调整数据s
2i
满足：
[0093][0094]
其中，α的取值范围为大于0小于1。
[0095]
步骤3:基于步骤2学习到的数据周期性特征的邻近动态性得到的结果s
2i
以及动态修正因子β调整预测数据s
1i
；得到预测数据si；
[0096]
这里，si＝s
1i
β
×s2i
[0097]
其中，β的取值范围为大于-0.5小于0.5。通过动态修正因子β来调整预测点s
1i
，提高单值预测精度并输出预测值si。
[0098]
步骤4:将预测数据si赋值为wi补入{wi}w×1，并删除{wi}w×1中的第一个数据，生成长度仍为w的{w
i 1
}w×1的新的输入数据，并利用新的数据重新执行步骤1至步骤4。
[0099]
步骤5:实现以上p次循环得到一个长度为p的序列{s}
p
×1；其中，{s}
p
×1中的每个值为前述步骤3中每次循环得到的预测数据si。
[0100]
步骤6:{s}
p
×1经过全连接(fc，fully connected)网络后、计算与目标序列数据之间的混合损失函数，根据混合损失函数的计算结果对前述第一网络、第二网络以及fc网络进行训练，使其与目标序列数据在值和时间上的偏移度满足预设收敛条件。
[0101]
上述过程为网络训练过程。在基于图中所示的第一网络、第二网络以及fc网络进行流量预测时，可按照前述步骤1至步骤5执行得到序列{s}
p
×1，序列{s}
p
×1经fc网络处理后
得到流量预测结果{s}
p
×1。
[0102]
基于前述实施例，本发明实施例还提供了一种流量预测方法。图3为本发明实施例的流量预测方法的流程示意图；如图3所示，所述方法包括：
[0103]
步骤201：获得第一类数据和第二类数据，所述第一类数据包括预测时间点之前的多个历史流量数据，所述第二类数据包括与所述预测时间点同周期的多个历史流量数据，所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
[0104]
步骤202：基于所述第一类数据和训练得到的第一网络得到初始预测数据，基于所述第二类数据和训练得到的第二网络得到调整数据；
[0105]
步骤203：根据所述调整数据对所述初始预测数据进行调整，得到预测数据；
[0106]
步骤204：基于获得的多个预测数据生成预测序列数据，将所述预测序列数据经全连接网络处理后，得到所述预测时间点的流量预测结果。
[0107]
本实施例中步骤201至步骤204中的详细处理过程，可参照前述网络训练方法实施例中的相关步骤的记载，这里不再赘述。
[0108]
本实施例中，所述第一网络、所述第二网络和所述全连接网络基于本技术前述实施例中所述的网络训练方法训练获得。
[0109]
本发明实施例还提供了一种用于流量预测的网络训练装置。图4为本发明实施例的用于流量预测的网络训练装置的组成结构示意图，如图4所示，所述装置包括：第一处理单元31、第二处理单元32、调整单元33和训练单元34；其中，
[0110]
所述第一处理单元31，用于获得包含有多个第一数据的数据集合，基于所述数据集合和第一网络得到预测时间点的第一预测数据；所述多个第一数据为所述预测时间点之前的历史流量数据；
[0111]
所述第二处理单元32，用于获得多个第二数据，基于所述多个第二数据和第二网络得到调整数据，所述多个第二数据为与所述预测时间点同周期的历史流量数据；所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
[0112]
所述调整单元33，用于根据所述调整数据和动态调整参数对所述第一预测数据进行调整，得到第二预测数据，基于获得的多个第二预测数据生成预测序列数据；
[0113]
所述训练单元34，用于将所述预测序列数据经全连接网络处理后、与目标序列数据确定损失，根据所述损失对所述第一网络、所述第二网络和所述全连接网络进行训练。
[0114]
在本发明的一些可选实施例中，所述第一处理单元31，还用于将所述第二预测数据添加至所述数据集合，并删除所述数据集合中的一个第一数据得到更新的数据集合；基于更新的数据集合和所述第一网络重新得到所述预测时间点的第一预测数据。
[0115]
在本发明的一些可选实施例中，所述多个第二数据中包括与所述预测时间点同周期的时间点的第一历史流量数据、与所述预测时间点同周期的时间点的前一时间点的第二历史流量数据以及与所述预测时间点同周期的时间点的后一时间点的第三历史流量数据；
[0116]
所述第二处理单元32，用于基于所述第二网络分别获得所述第一历史流量数据、第二历史流量数据和所述第三历史流量数据对应的第一调整数据、第二调整数据和第三调整数据；对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权处理，根据
加权处理结果得到所述调整数据。
[0117]
在本发明的一些可选实施例中，所述第二处理单元32，用于以动态调整参数α作为所述第一调整数据的权值、(1-α)/2作为所述第二调整数据和所述第三调整数据的权值，对所述第一调整数据、所述第二调整数据和所述第三调整数据进行加权求和处理，得到加权处理结果。
[0118]
在本发明的一些可选实施例中，所述调整单元33，用于利用动态修正因子β与所述调整数据的乘积获得修正值，对所述修正值与所述第一预测数据进行加和处理得到所述第二预测数据。
[0119]
在本发明的一些可选实施例中，所述训练单元34，用于获得经全连接网络处理后的预测序列数据中的第三数据，获得所述目标序列数据中的第四数据；所述第三数据为所述预测序列数据中的第i个数据，所述第四数据为所述目标序列数据中的第i个数据；i的取值为大于0小于等于所述预测序列数据或所述目标序列数据中包含的数据的数量；确定所述第三数据和所述第四数据之间的平均绝对百分比误差，以及确定所述第三数据和所述第四数据之间的余弦距离，基于所述平均绝对百分比误差和所述余弦距离确定损失。
[0120]
本发明实施例中，所述装置中的第一处理单元31、第二处理单元32、调整单元33和训练单元34，在实际应用中均可由中央处理器(cpu，central processing unit)、数字信号处理器(dsp，digital signal processor)、微控制单元(mcu，microcontroller unit)或可编程门阵列(fpga，field－programmable gate array)实现。
[0121]
需要说明的是：上述实施例提供的用于流量预测的网络训练装置在进行网络训练时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的用于流量预测的网络训练装置与用于流量预测的网络训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0122]
本发明实施例还提供了一种流量预测装置。图5为本发明实施例的流量预测装置的组成结构示意图；如图5所示，所述装置包括：数据获取单元41和第三处理单元42；其中，
[0123]
所述数据获取单元41，用于获得第一类数据和第二类数据，所述第一类数据包括预测时间点之前的多个历史流量数据，所述第二类数据包括与所述预测时间点同周期的多个历史流量数据，所述多个第二数据中包括与所述预测时间点同周期的时间点的历史流量数据，还包括在所述预测时间点同周期的时间点之前和/或之后的时间点的历史流量数据；
[0124]
所述第三处理单元42，用于基于所述第一类数据和训练得到的第一网络得到初始预测数据；基于所述第二类数据和训练得到的第二网络得到调整数据；根据所述调整数据和动态调整参数对所述初始预测数据进行调整，得到预测数据；基于获得的多个预测数据生成预测序列数据，将所述预测序列数据经全连接网络处理后，得到所述预测时间点的流量预测结果。
[0125]
本发明实施例中，所述装置中的数据获取单元41和第三处理单元42，在实际应用中均可由cpu、dsp、mcu或fpga实现。
[0126]
需要说明的是：上述实施例提供的流量预测装置在进行流量预测时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程
序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的流量预测装置与流量预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0127]
本发明实施例还提供了一种电子设备，所述电子设备可包括前述实施例中的用于流量预测的网络训练装置或流量预测装置。图6为本发明实施例的电子设备的硬件组成结构示意图，如图6所示，所述电子设备包括存储器52、处理器51及存储在存储器52上并可在处理器51上运行的计算机程序，所述处理器51执行所述程序时实现本发明前述实施例所述的用于流量预测的网络训练方法的步骤，或者，所述处理器51执行所述程序时实现本发明前述实施例所述的流量预测方法的步骤。
[0128]
可选地，电子设备中的各个组件通过总线系统53耦合在一起。可理解，总线系统53用于实现这些组件之间的连接通信。总线系统53除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统53。
[0129]
可以理解，存储器52可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本发明实施例描述的存储器52旨在包括但不限于这些和任意其它适合类型的存储器。
[0130]
上述本发明实施例揭示的方法可以应用于处理器51中，或者由处理器51实现。处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器、dsp，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。处理器51可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成前述方法的步骤。
[0131]
在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、fpga、通用处理器、控制器、mcu、微处理器(microprocessor)、或其他电子元件实现，用于执行前述方法。
[0132]
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器52，上述计算机程序可由电子设备的处理器51执行，以完成前述方法所述步骤。计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
[0133]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明前述实施例所述的用于流量预测的网络训练方法的步骤，或者，该程序被处理器执行时实现本发明前述实施例所述的流量预测方法的步骤。
[0134]
本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0135]
本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0136]
本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0137]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0138]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
[0139]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0140]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0141]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例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中，包括若干指令用以使得一台计算机设备(可以
是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0142]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。