[发明专利]网络流量预测方法和设备

说明书

本发明涉及流量预测领域，尤其涉及一种网络流量预测方法和设备。其中，上述方法包括：确定第一输入数据、第一输入数据的往年对照数据以及第一输入数据的节假日标签；将第一输入数据和第一输入数据的节假日标签输入包括编码TCN和解码TCN的第一模型，第一模型输出第一时间长度之后第二时间长度的第一预测流量值；将第一输入数据和第一输入数据的往年对照数据输入包括编码TCN和解码TCN的第二模型，第二模型输出第一时间长度之后第二时间长度的第二预测流量值；根据第一预测流量值和第二预测流量值的加权，确定预测流量目标值。本发明实施例提供的网络流量预测方法能够对未来至少10周的网络流量进行预测，且预测结果准确度高于传统的seq2seq模型和TCN。

【技术领域】

本发明涉及流量预测领域，尤其涉及一种网络流量预测方法和设备。

【背景技术】

在互联网行业和通信行业中，为了提升服务质量，需要对业务访问的网络流量进行预测。目前，主要依赖序列到序列模型(Sequence to Sequence，seq2seq)进行网络流量的预测。

传统的seq2seq模型包含两个循环神经网络(Recurrent Neural Network，RNN)，其中一个RNN作为编码器，另一个RNN作为解码器。在预测时，seq2seq模型可以依靠编码器和解码器，根据一定时间跨度的已知流量数据，对未来预设时间跨度的流量数据进行预测。但是传统的seq2seq模型可预测的时间跨度小，只能预测未来三到五周的流量，且效果不够好，预测容易产生误差。

【发明内容】

有鉴于此，本发明实施例提供了一种网络流量预测方法和设备，能够解决传统seq2seq模型预测时间短，且预测效果差的问题。

第一方面，本发明实施例提供了一种网络流量预测方法，包括：

确定第一输入数据、第一输入数据的往年对照数据以及第一输入数据的节假日标签，所述第一输入数据包括第一时间长度的历史流量特征值；

将所述第一输入数据和所述第一输入数据的节假日标签输入包括编码时序卷积网络TCN和解码TCN的第一模型，所述第一模型输出第一时间长度之后第二时间长度的第一预测流量值；

将所述第一输入数据和所述第一输入数据的往年对照数据输入包括编码TCN和解码TCN的第二模型，所述第二模型输出第一时间长度之后第二时间长度的第二预测流量值；

根据所述第一预测流量值和所述第二预测流量值的加权，确定第一时间长度之后第二时间长度的预测流量目标值。

其中一种可能的实现方式中，所述第一输入数据的往年对照数据为所述第一输入数据前N年的同一时间段的历史流量特征值，N≥1。

其中一种可能的实现方式中，

所述编码TCN用于根据输入数据的周期性变化规律，将输入数据编码为语义序列；

所述解码TCN用于根据语义序列的周期性变化规律，将语义序列解码为输出数据。

其中一种可能的实现方式中，所述方法还包括：

将所述第一输入数据相对于所述第一输入数据的往年对照数据的差值变化量分别输入所述第一模型和所述第二模型，其中，

所述第一模型根据所述第一输入数据、所述第一输入数据的节假日标签以及所述差值变化量，输出所述第一预测流量值；

所述第二模型根据所述第一输入数据、所述第一输入数据的往年对照数据和所述差值变化量，输出所述第二预测流量值。

其中一种可能的实现方式中，所述方法还包括：

如果第二时间长度包含春节假期，则确定春节输入数据，所述春节输入数据包括第二时间长度之前的往年春节假期的历史流量特征值；