一种请求量预测方法、装置、电子设备及存储介质与流程

1.本发明涉及智能算法预测技术领域，尤其涉及一种请求量预测方法、装置、电子设备及存储介质。


背景技术：

2.在互联网行业中，服务商所提供的服务应尽可能稳定，因此，全面的服务监控至关重要，它能保证服务的最大限度的可用性。然而，监控只能在问题发生时进行处理，在用户数量增加，请求量上升时却无法提前感知并进行处理，降低了用户体验，因此提前感知服务接口请求量的变化，实现有效的预警机制就格外重要。
3.因此，目前亟需一种能够准确预测请求量的技术方案。


技术实现要素：

4.本发明实施例提供了一种请求量预测方法、装置、电子设备及存储介质，用以提供一种能够准确预测请求量的技术方案。
5.本发明实施例提供了一种请求量预测方法，所述方法包括：
6.获取历史请求量数据，根据所述历史请求量数据确定输入数据；
7.将所述输入数据输入预先训练完成的请求量预测模型，基于所述请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始预测请求量数据对应的权重矩阵；
8.根据所述初始预测请求量数据及对应的权重矩阵，确定所述预测时刻的目标预测请求量数据。
9.进一步地，所述根据所述历史请求量数据确定输入数据包括：
10.对所述历史请求量数据进行自相关分析，确定与所述预测时刻相关度较高的预设数量的历史请求量数据；将所述预设数量的历史请求量数据作为输入数据。
11.进一步地，所述将所述预设数量的历史请求量数据作为输入数据包括：
12.确定所述预设数量的历史请求量数据各自对应的节日类型信息和天气信息；
13.将所述预设数量的历史请求量数据及各自对应的节日类型信息和天气信息作为输入数据。
14.进一步地，所述请求量预测模型的训练过程包括：
15.获取训练集中的样本输入数据及对应的样本预测时刻的真实请求量数据，其中，所述样本输入数据是根据样本历史请求量数据确定的；
16.将所述样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器，所述基于极限学习机的降噪收缩自编码器输出样本预测时刻的初始样本预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始样本预测请求量数据对应的样本权重矩阵；
17.根据所述初始样本预测请求量数据及对应的样本权重矩阵，确定所述样本预测时刻的训练预测请求量数据；
18.根据所述训练预测请求量数据和所述样本预测时刻的真实请求量数据，对所述请求量预测模型中的基于极限学习机的降噪收缩自编码器和加权极限学习机进行训练。
19.进一步地，所述将所述样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器之前，所述方法还包括：
20.随机生成m组隐藏层初始参数，共生成2g个m组遗传粒子群算法的初始种群；
21.将所述初始参数赋值给基于极限学习机的降噪收缩自编码器，将样本输入数据输入所述基于极限学习机的降噪收缩自编码器，确定所述样本输入数据和所述基于极限学习机的降噪收缩自编码器输出的初始样本预测请求量数据的适应度；
22.将适应度较强的前g个m组个体组成一个种群，根据迭代次数不同，将奇数代种群通过遗传算子来更新粒子群的速度和位置，偶数代利用粒子群算子更新粒子群的速度和位置，形成一个新的混合种群；
23.进行循环迭代，直到达到最大迭代次数后，得到一组各隐藏层的最优参数。
24.进一步地，所述将所述样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器包括：
25.将所述样本输入数据利用高斯噪声进行干扰得到加噪后的样本输入数据；
26.将所述加噪后的样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器。
27.进一步地，所述基于极限学习机的降噪收缩自编码器输出样本预测时刻的初始样本预测请求量数据包括：
28.根据所述样本输入数据计算所述基于极限学习机的降噪收缩自编码器中每个自编码器的第一权重矩阵；
29.根据所述样本输入数据和所述每个自编码器的第一权重矩阵确定样本预测时刻的初始样本预测请求量数据并输出。
30.另一方面，本发明实施例提供了一种请求量预测装置，所述装置包括：
31.获取模块，用于获取历史请求量数据，根据所述历史请求量数据确定输入数据；
32.确定模块，用于将所述输入数据输入预先训练完成的请求量预测模型，基于所述请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始预测请求量数据对应的权重矩阵；
33.预测模块，用于根据所述初始预测请求量数据及对应的权重矩阵，确定所述预测时刻的目标预测请求量数据。
34.所述获取模块，具体用于对所述历史请求量数据进行自相关分析，确定与所述预测时刻相关度较高的预设数量的历史请求量数据；将所述预设数量的历史请求量数据作为输入数据。
35.所述获取模块，具体用于确定所述预设数量的历史请求量数据各自对应的节日类型信息和天气信息；将所述预设数量的历史请求量数据及各自对应的节日类型信息和天气信息作为输入数据。
36.所述装置还包括：
37.训练模块，用于获取训练集中的样本输入数据及对应的样本预测时刻的真实请求量数据，其中，所述样本输入数据是根据样本历史请求量数据确定的；将所述样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器，所述基于极限学习机的降噪收缩自编码器输出样本预测时刻的初始样本预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始样本预测请求量数据对应的样本权重矩阵；根据所述初始样本预测请求量数据及对应的样本权重矩阵，确定所述样本预测时刻的训练预测请求量数据；根据所述训练预测请求量数据和所述样本预测时刻的真实请求量数据，对所述请求量预测模型中的基于极限学习机的降噪收缩自编码器和加权极限学习机进行训练。
38.所述训练模块，还用于随机生成m组隐藏层初始参数，共生成2g个m组遗传粒子群算法的初始种群；将所述初始参数赋值给基于极限学习机的降噪收缩自编码器，将样本输入数据输入所述基于极限学习机的降噪收缩自编码器，确定所述样本输入数据和所述基于极限学习机的降噪收缩自编码器输出的初始样本预测请求量数据的适应度；将适应度较强的前g个m组个体组成一个种群，根据迭代次数不同，将奇数代种群通过遗传算子来更新粒子群的速度和位置，偶数代利用粒子群算子更新粒子群的速度和位置，形成一个新的混合种群；进行循环迭代，直到达到最大迭代次数后，得到一组各隐藏层的最优参数。
39.所述训练模块，具体用于将所述样本输入数据利用高斯噪声进行干扰得到加噪后的样本输入数据；将所述加噪后的样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器。
40.所述训练模块，具体用于根据所述样本输入数据计算所述基于极限学习机的降噪收缩自编码器中每个自编码器的第一权重矩阵；根据所述样本输入数据和所述每个自编码器的第一权重矩阵确定样本预测时刻的初始样本预测请求量数据并输出。
41.另一方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
42.存储器，用于存放计算机程序；
43.处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。
44.另一方面，本发明实施例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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
45.本发明实施例提供了一种请求量预测方法、装置、电子设备及存储介质，所述方法包括：获取历史请求量数据，根据所述历史请求量数据确定输入数据；将所述输入数据输入预先训练完成的请求量预测模型，基于所述请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始预测请求量数据对应的权重矩阵；根据所述初始预测请求量数据及对应的权重矩阵，确定所述预测时刻的目标预测请求量数据。
46.上述的技术方案具有如下优点或有益效果：
47.在本发明实施例中，电子设备保存有预先训练完成的请求量预测模型，请求量预测模型包括两部分，第一部分是基于极限学习机的降噪收缩自编码器，第二部分是加权极
限学习机。在根据历史请求量数据确定出输入数据之后，基于极限学习机的降噪收缩自编码器输出预测时刻的初始预测请求量数据，基于加权极限学习机输出初始预测请求量数据对应的权重矩阵。最后结合第一部分和第二部分的输出得到最终的目标预测请求量数据。本发明实施例利用降噪收缩自编码器产生一个深层的请求量预测模型，并结合加权极限学习机实现目标预测请求量数据的预测。可有效提取输入数据的特征，提升了预测精度和稳定性。因此本发明实施例提供了一种能够准确预测请求量的技术方案。
附图说明
48.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
49.图1为本发明实施例提供的请求量预测过程示意图；
50.图2为本发明实施例提供的请求量预测模型的训练流程图；
51.图3为本发明实施例提供的请求量预测模型的结构示意图；
52.图4为本发明实施例提供的请求量预测装置结构示意图；
53.图5为本发明实施例提供的电子设备结构示意图。
具体实施方式
54.下面将结合附图对本发明作进一步地详细描述，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
55.实施例1：
56.图1为本发明实施例提供的请求量预测过程示意图，该过程包括：
57.s101：获取历史请求量数据，根据所述历史请求量数据确定输入数据。
58.s102：将所述输入数据输入预先训练完成的请求量预测模型，基于所述请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始预测请求量数据对应的权重矩阵。
59.s103：根据所述初始预测请求量数据及对应的权重矩阵，确定所述预测时刻的目标预测请求量数据。
60.本发明实施例提供请求量预测方法应用于电子设备，该电子设备可以是pc、平板电脑等设备，也可以是服务器。电子设备中保存有预先训练完成的请求量预测模型，其中，可以直接在该电子设备中对请求量预测模型进行训练，并保存。当需要进行请求量预测时，根据保存的请求量预测模型确定预测时刻的目标预测请求量数据。也可以是在其它设备上对请求量预测模型进行训练，训练完成后将请求量预测模型配置在电子设备中并保存，以便后续确定预测时刻的目标预测请求量数据。
61.请求量预测模型包括两部分，第一部分是基于极限学习机的降噪收缩自编码器，第二部分是加权极限学习机。在对请求量预测模型进行训练时，首先获取训练集中的样本
历史请求量数据，然后根据样本历史请求量数据确定样本输入数据。其中，可以将所有的样本历史请求量数据都作为输入数据，也可以从样本历史请求量数据中选取一部分数据作为输入数据。选取规则可以是对样本历史请求量数据进行自相关分析，确定与样本预测时刻相关度较高的预设数量的样本历史请求量数据；将预设数量的样本历史请求量数据作为输入数据。进一步的，还可以确定预设数量的样本历史请求量数据各自对应的节日类型信息和天气信息；将预设数量的样本历史请求量数据及各自对应的节日类型信息和天气信息作为样本输入数据。
62.将样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器，基于极限学习机的降噪收缩自编码器输出样本预测时刻的初始样本预测请求量数据至请求量预测模型中的加权极限学习机，基于加权极限学习机，输出所述初始样本预测请求量数据对应的样本权重矩阵；根据初始样本预测请求量数据及对应的样本权重矩阵，确定样本预测时刻的训练预测请求量数据。
63.最后根据训练预测请求量数据和样本预测时刻的真实请求量数据，对请求量预测模型中的基于极限学习机的降噪收缩自编码器和加权极限学习机进行训练。
64.请求量预测模型训练完成之后，在基于请求量预测模型进行请求量预测时，首先获取并根据历史请求量数据确定将要输入到请求量预测模型中的输入数据。其中，可以将获取到的历史请求量数据都作为输入数据输入到请求量预测模型中。基于请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请求量数据至请求量预测模型中的加权极限学习机，基于加权极限学习机，输出初始预测请求量数据对应的权重矩阵。最后根据初始预测请求量数据及对应的权重矩阵，确定预测时刻的目标预测请求量数据。
65.在本发明实施例中，电子设备保存有预先训练完成的请求量预测模型，请求量预测模型包括两部分，第一部分是基于极限学习机的降噪收缩自编码器，第二部分是加权极限学习机。在根据历史请求量数据确定出输入数据之后，基于极限学习机的降噪收缩自编码器输出预测时刻的初始预测请求量数据，基于加权极限学习机输出初始预测请求量数据对应的权重矩阵。最后结合第一部分和第二部分的输出得到最终的目标预测请求量数据。本发明实施例利用降噪收缩自编码器产生一个深层的请求量预测模型，并结合加权极限学习机实现目标预测请求量数据的预测。可有效提取输入数据的特征，提升了预测精度和稳定性。因此本发明实施例提供了一种能够准确预测请求量的技术方案。
66.实施例2：
67.为了降低请求量预测模型的计算量，提高请求量预测效率，在上述实施例的基础上，在本发明实施例中，所述根据所述历史请求量数据确定输入数据包括：
68.对所述历史请求量数据进行自相关分析，确定与所述预测时刻相关度较高的预设数量的历史请求量数据；将所述预设数量的历史请求量数据作为输入数据。
69.本发明实施例中，电子设备获取到历史请求量数据之后，首先对历史请求量数据进行自相关分析，确定与预测时刻相关度较高的预设数量的历史请求量数据。这样可以选取出对请求量预测影响较大的历史请求量数据作为输入数据，即保证了请求量预测的准确性，也减少了输入的数据量，降低请求量预测模型的计算量，提高请求量预测效率。
70.对历史请求量数据进行自相关分析，确定与预测时刻相关度较高的预设数量的历
史请求量数据的具体过程如下：
71.基于自相关函数(autocorrelation function，acf)对历史请求量数据的时间序列进行相关性分析。
[0072][0073]
其中，rk表示历史请求量数据在时刻t值y
t
和t k时刻值y
t k
的相关度，取值在[-1,1]，其绝对值越接近1，数据之间的相关性越大。c0是历史请求量数据的方差，ck是一个中间变量，由如下公式给出：
[0074][0075]
式中，为历史请求量数据的均值。通过时间序列的相关性分析可以得到与预测时刻相关度较大的时间点个数n，从而可以进一步利用预测时刻前n个时刻的历史请求量数据进行预测。
[0076]
实施例3：
[0077]
考虑到从常理上推理，节假日放假，监控设备的访问量变多，天气状态，影响出行，也可能影响访问量，这些都是可能影响到请求量数据的一些因素，可能有影响，也可能没影响，加入后算法可自动识别关联的因素。基于上述考虑，为了使请求量预测更准确，需要保证输入数据的准确性。因此，在上述各实施例的基础上，在本发明实施例中，所述将所述预设数量的历史请求量数据作为输入数据包括：
[0078]
确定所述预设数量的历史请求量数据各自对应的节日类型信息和天气信息；
[0079]
将所述预设数量的历史请求量数据及各自对应的节日类型信息和天气信息作为输入数据。
[0080]
本发明实施例中，在对历史请求量数据进行自相关分析，确定与预测时刻相关度较高的预设数量的历史请求量数据之后，分别确定预设数量的历史请求量数据各自对应的节日类型信息和天气信息。其中，确定出的预设数量的历史请求量数据包含日期标识，根据日期标识可以确定出预设数量的历史请求量数据分别对应的节日类型信息以及天气信息。将预设数量的历史请求量数据及各自对应的节日类型信息和天气信息作为输入数据。这样可以保证输入数据包含更全面的影响预测请求量数据的特征。请求量预测模型基于预设数量的历史请求量数据及各自对应的节日类型信息和天气信息确定预测时刻的目标预测请求量数据。可以保证提取到更多的影响特征，从而使得最终得到的目标预测请求量数据更准确。
[0081]
实施例4：
[0082]
在对请求量预测模型进行训练时，尤其是在训练请求量预测模型中的降噪收缩自编码器时，如果直接采用初始化得到的降噪收缩自编码器各隐藏层的参数进行训练，容易造成模型适应性差的问题，为了解决上述问题，需要对初始化得到的降噪收缩自编码器各隐藏层的参数进行调优，得到降噪收缩自编码器各隐藏层的一组最优参数，然后将最优参数赋给降噪收缩自编码器，再进行后续的训练过程。基于上述考虑，在上述各实施例的基础上，在本发明实施例中，所述将所述样本输入数据输入请求量预测模型中的基于极限学习
机的降噪收缩自编码器之前，所述方法还包括：
[0083]
随机生成m组隐藏层初始参数，共生成2g个m组遗传粒子群算法的初始种群；
[0084]
将所述初始参数赋值给基于极限学习机的降噪收缩自编码器，将样本输入数据输入所述基于极限学习机的降噪收缩自编码器，确定所述样本输入数据和所述基于极限学习机的降噪收缩自编码器输出的初始样本预测请求量数据的适应度；
[0085]
将适应度较强的前g个m组个体组成一个种群，根据迭代次数不同，将奇数代种群通过遗传算子来更新粒子群的速度和位置，偶数代利用粒子群算子更新粒子群的速度和位置，形成一个新的混合种群；
[0086]
进行循环迭代，直到达到最大迭代次数后，得到一组各隐藏层的最优参数。
[0087]
本发明实施例中，需要初始化优化后的深度极限学习机模型结构：首先确定基于极限学习机的降噪收缩自编码器隐藏层的个数m，并随机产生m组隐藏层参数，每层都有一组隐藏层参数。极限学习机模型由于受到输入权值和隐藏层节点阈值随机赋值的影响，在预测过程中往往无法达到最优结果，本发明利用遗传粒子群算法对参数进行寻优，方法如下：
[0088]
首先，随机生成m组隐藏层初始参数，共生成2g个m组遗传粒子群算法的初始种群。2g可以理解为2组、20组、30组等，g则表示其中的一半群体。
[0089]
将初始参数赋值给基于极限学习机的自编码器，此时输入为未加噪声的原始输入，也就是未加噪声的样本输入数据，利用输入和输出的误差计算适应度。输入即为未加噪声的样本输入数据，输出即为初始样本预测请求量数据。计算输入和输出的差值得到适应度。然后选取适应度较强的前g个m组个体组成一个种群，然后根据迭代次数不同，将奇数代种群通过遗传算子来更新粒子群的速度和位置，偶数代利用粒子群算子更新粒子群的速度和位置，形成一个新的混合种群。一个自编码器需要m组参数构成，这m组参数是随机的，要从很多个(g个)不同m组参数构成的自编码器中选一个最佳的自编码器，所以需要不断的尝试获取最优参数。形成一个新的混合种群的过程是一种用来更新参数的机制，可以防止参数陷入局部最优，速度和位置是粒子群算法中的术语。
[0090]
进行循环迭代，直到达到最大迭代次数后，停止操作，得到一组最优解。将得到的最后一组最优的参数作为的隐藏层参数，并引入高斯噪声，代入网络进行训练。
[0091]
本发明实施例利用遗传粒子群算法对参数进行寻优解决了模型适应性差的问题。
[0092]
实施例5：
[0093]
为了提高请求量预测模型的鲁棒性，在上述各实施例的基础上，在本发明实施例中，所述将所述样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器包括：
[0094]
将所述样本输入数据利用高斯噪声进行干扰得到加噪后的样本输入数据；
[0095]
将所述加噪后的样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器。
[0096]
本发明实施例中，在得到样本输入数据之后，可以利用高斯噪声对样本输入数据进行干扰，得到加噪后的样本输入数据。然后将加噪后的样本输入数据作为最终的输入数据输入到请求量预测模型中的基于极限学习机的降噪收缩自编码器。通过加噪干扰的手段，可以提高训练得到的请求量预测模型的鲁棒性和稳定性。
[0097]
需要说明的是，本发明实施例中的基于极限学习机的降噪收缩自编码器是多个自编码器组成的堆叠自编码器，在训练时是对多个自编码器组成的堆叠自编码器进行训练。本发明实施例中，所述基于极限学习机的降噪收缩自编码器输出样本预测时刻的初始样本预测请求量数据包括：
[0098]
根据所述样本输入数据计算所述基于极限学习机的降噪收缩自编码器中每个自编码器的第一权重矩阵；
[0099]
根据所述样本输入数据和所述每个自编码器的第一权重矩阵确定样本预测时刻的初始样本预测请求量数据并输出。
[0100]
下面结合附图对本发明实施例提供的请求量预测模型的训练过程进行详细说明。在请求量预测模型训练完成之后，直接将根据历史请求量数据确定输入数据输入到训练完成的请求量预测模型中，便能够得到预测时刻的目标预测请求量数据。
[0101]
图2为本发明实施例提供的请求量预测模型的训练流程图，包括以下步骤：
[0102]
s201：获取样本历史请求量数据，并标记对应的节日类型信息和天气信息。
[0103]
s202：对样本历史请求量数据进行自相关分析，得到样本输入数据，其中，样本输入数据包含相关度较高的样本历史请求量数据及对应的节日类型信息和天气信息。
[0104]
s203：初始化请求量预测模型参数，并利用遗传粒子群算法对参数进行寻优，得到一组最优解，将得到的最后一组最优的参数作为的隐藏层参数，并引入高斯噪声，代入网络进行训练。
[0105]
步骤1：对样本历史请求量数据进行自相关分析，获取合适的相关度较高预设数量的样本历史请求量数据作为请求量预测模型的部分输入特征数据；除此之外，引入额外特征因素，将部分输入特征数据所在日期对应的节日类型信息、天气信息等影响因素作为另一部分输入特征数据；
[0106]
步骤2：初始化优化后的深度极限学习机模型结构:首先确定基于极限学习机的降噪收缩自编码器隐藏层的个数m，并随机产生m组隐藏层参数。极限学习机模型由于受到输入权值和隐藏层节点阈值随机赋值的影响，在预测过程中往往无法达到最优结果，本发明利用遗传粒子群算法对参数进行寻优，方法如下：
[0107]
1.随机生成m组隐藏层初始参数，共生成2g个m组遗传粒子群算法的初始种群；
[0108]
2.将初始参数赋值给基于极限学习机的自编码器，此时输入为未加噪声的原始输入，利用输入和输出的误差计算适应度；
[0109]
3.将适应度较强的前g个m组个体组成一个种群，然后根据迭代次数不同，将奇数代种群通过遗传算子来更新粒子群的速度和位置，偶数代利用粒子群算子更新粒子群的速度和位置，形成一个新的混合种群；
[0110]
4.进行循环迭代，直到达到最大迭代次数后，停止操作，得到一组最优解。
[0111]
将得到的最后一组最优的参数作为的隐藏层参数，并引入高斯噪声，代入网络进行训练。
[0112]
步骤3：采用无监督逐层贪婪预训练算法对堆叠的降噪收缩自编码器进行训练，对于每一个降噪收缩自编码器的输出权重均采用下述过程进行计算：
[0113]
1.将输入样本x利用高斯噪声进行干扰得到加噪后的输入
[0114]
2.所有加噪后的样本对当前的降噪收缩自编码器进行训练，按照下式计算第i个降噪收缩自编码器中的输出权重矩阵βi(i＝1,2,
…
,m)：
[0115]
需要说明的是，这里是有多个降噪收缩自编码器进行叠加，可以参考图3所示的请求量预测模型的结构图。图3中xi表示第i个样本输入数据，表示第i个样本输入数据对应的加噪后的样本输入数据，input layer表示输入层，hidden layer表示隐藏层，y表示输出的样本预测请求量数据。
[0116][0117]
其中i为单位矩阵，c和λ为正则化参数，h为隐藏层输出矩阵，为隐藏层输出矩阵对单个输入样本x的偏导，h
t
为矩阵h的转置。
[0118]
i为单位矩阵已知，c和λ随机给定，然后不断根据输出进行调整，h隐藏层的输出，x是x的一列，^x是x加入干扰后的值。
[0119]
步骤4：计算模型第一部分对于单个输入x对应的输出f
selm-dcae
(x)，计算如下：
[0120]fselm-dcae
(x)＝βm(g(β
m-1
(...g(β0x)))。
[0121]
步骤5：利用第一部分的输出f
selm-dcae
(x)作为第二部分加权极限学习机的输入，计算加权极限学习机的输出权重矩阵β，计算如下：
[0122][0123]
其中t为请求量的实际值，w为权重矩阵，根据各个数据的自相关系数来确定，额外特征的权重为对应历史数据的自相关系数。
[0124]
如图3所示，g表示是一个激活函数，是一些已知的函数，w为权重矩阵，根据各个数据的自相关系数来确定。
[0125]
步骤6：将历史的请求量数据及相关的环境参数输入到训练好的模型中对未来的请求量进行预测，对给定的输入x，预测结果y可表示为：
[0126]
y＝g(f
selm-dcae
(x))*β。
[0127]
本发明实施例提供的请求量预测模型的训练方法，采用遗传粒子群算法对基于极限学习机的降噪收缩自编码器参数进行调优，有效避免了随机模型中适应性差的缺点。模型可动态的将额外的特征因素纳入请求量预测方法的考虑范围，包括但不仅限于节日类型、天气等，提升了预测模型的准确度。采用深层模型对服务接口请求量进行预测，可有效提取额外影响因素中的高层特征，提升了预测精度和稳定性。
[0128]
实施例6：
[0129]
图4为本发明实施例提供的请求量预测装置结构示意图，该装置包括：
[0130]
获取模块41，用于获取历史请求量数据，根据所述历史请求量数据确定输入数据；
[0131]
确定模块42，用于将所述输入数据输入预先训练完成的请求量预测模型，基于所述请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请
求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始预测请求量数据对应的权重矩阵；
[0132]
预测模块43，用于根据所述初始预测请求量数据及对应的权重矩阵，确定所述预测时刻的目标预测请求量数据。
[0133]
所述获取模块41，具体用于对所述历史请求量数据进行自相关分析，确定与所述预测时刻相关度较高的预设数量的历史请求量数据；将所述预设数量的历史请求量数据作为输入数据。
[0134]
所述获取模块41，具体用于确定所述预设数量的历史请求量数据各自对应的节日类型信息和天气信息；将所述预设数量的历史请求量数据及各自对应的节日类型信息和天气信息作为输入数据。
[0135]
所述装置还包括：
[0136]
训练模块44，用于获取训练集中的样本输入数据及对应的样本预测时刻的真实请求量数据，其中，所述样本输入数据是根据样本历史请求量数据确定的；将所述样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器，所述基于极限学习机的降噪收缩自编码器输出样本预测时刻的初始样本预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始样本预测请求量数据对应的样本权重矩阵；根据所述初始样本预测请求量数据及对应的样本权重矩阵，确定所述样本预测时刻的训练预测请求量数据；根据所述训练预测请求量数据和所述样本预测时刻的真实请求量数据，对所述请求量预测模型中的基于极限学习机的降噪收缩自编码器和加权极限学习机进行训练。
[0137]
所述训练模块44，还用于随机生成m组隐藏层初始参数，共生成2g个m组遗传粒子群算法的初始种群；将所述初始参数赋值给基于极限学习机的降噪收缩自编码器，将样本输入数据输入所述基于极限学习机的降噪收缩自编码器，确定所述样本输入数据和所述基于极限学习机的降噪收缩自编码器输出的初始样本预测请求量数据的适应度；将适应度较强的前g个m组个体组成一个种群，根据迭代次数不同，将奇数代种群通过遗传算子来更新粒子群的速度和位置，偶数代利用粒子群算子更新粒子群的速度和位置，形成一个新的混合种群；进行循环迭代，直到达到最大迭代次数后，得到一组各隐藏层的最优参数。
[0138]
所述训练模块44，具体用于将所述样本输入数据利用高斯噪声进行干扰得到加噪后的样本输入数据；将所述加噪后的样本输入数据输入请求量预测模型中的基于极限学习机的降噪收缩自编码器。
[0139]
所述训练模块44，具体用于根据所述样本输入数据计算所述基于极限学习机的降噪收缩自编码器中每个自编码器的第一权重矩阵；根据所述样本输入数据和所述每个自编码器的第一权重矩阵确定样本预测时刻的初始样本预测请求量数据并输出。
[0140]
实施例7：
[0141]
在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，如图5所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
[0142]
所述存储器303中存储有计算机程序，当所述程序被所述处理器301执行时，使得所述处理器301执行如下步骤：
[0143]
获取历史请求量数据，根据所述历史请求量数据确定输入数据；
[0144]
将所述输入数据输入预先训练完成的请求量预测模型，基于所述请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始预测请求量数据对应的权重矩阵；
[0145]
根据所述初始预测请求量数据及对应的权重矩阵，确定所述预测时刻的目标预测请求量数据。
[0146]
基于同一发明构思，本发明实施例中还提供了一种电子设备，由于上述电子设备解决问题的原理与请求量预测方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。
[0147]
本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(personal digital assistant，pda)、网络侧设备等。
[0148]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0149]
通信接口302用于上述电子设备与其他设备之间的通信。
[0150]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0151]
上述处理器可以是通用处理器，包括中央处理器、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路、现场可编程门陈列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。
[0152]
实施例8：
[0153]
在上述各实施例的基础上，本发明实施例还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
[0154]
获取历史请求量数据，根据所述历史请求量数据确定输入数据；
[0155]
将所述输入数据输入预先训练完成的请求量预测模型，基于所述请求量预测模型中的基于极限学习机的降噪收缩自编码器，输出预测时刻的初始预测请求量数据至所述请求量预测模型中的加权极限学习机，基于所述加权极限学习机，输出所述初始预测请求量数据对应的权重矩阵；
[0156]
根据所述初始预测请求量数据及对应的权重矩阵，确定所述预测时刻的目标预测请求量数据。
[0157]
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与请求量预测方法相似，因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施，重复之处不再赘述。
[0158]
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(mo)等、光学存储器如cd、dvd、bd、hvd等、以及半导体存储器如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd)等。
[0159]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0160]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0161]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0162]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0163]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。