[发明专利]网络带宽的预测方法及装置、非易失性存储介质

权利要求书

1.一种网络带宽的预测方法，其特征在于，包括：

根据多个标准带宽数据对应的多个聚类中心，对所述多个标准带宽数据进行聚类，得到多个聚类结果；

根据多个预测带宽数据对应的多个预测时间序列与多个所述聚类中心的关系，确定所述多个预测带宽数据各自所属的所述聚类结果；

根据所述多个预测带宽数据各自所属的所述聚类结果，利用训练好的神经网络模型对所述多个预测带宽数据的网络带宽进行预测，得到所述网络带宽的预测结果。

2.根据权利要求1所述的方法，其特征在于，根据多个标准带宽数据对应的多个聚类中心，对所述多个标准带宽数据进行聚类，得到多个聚类结果，包括：

将所述多个标准带宽数据对应的多个标准时间序列进行归一化处理，得到多个目标时间序列；

将所述多个目标时间序列中数量为n的任意目标时间序列确定为多个所述聚类中心，其中，n为大于1的正整数；

将所述多个目标时间序列中除多个所述聚类中心以外的其他目标时间序列确定为第一目标时间序列；

根据所述第一目标时间序列与所述聚类中心的距离偏差，对所述第一目标时间序列进行聚类，得到多个所述聚类结果。

3.根据权利要求2所述的方法，其特征在于，根据所述第一目标时间序列与所述聚类中心的距离偏差，对所述第一目标时间序列进行聚类，得到多个所述聚类结果，包括：

确定与所述聚类中心的距离偏差在第一目标区间内的多个所述第一目标时间序列构成的第一目标时间序列集合；

确定所述第一目标时间序列集合中每个所述第一目标时间序列与所述聚类中心之间的最大相似点数；

将所述最大相似点数大于预设值的所述第一目标时间序列分配至所述聚类中心，得到多个所述聚类结果。

4.根据权利要求1所述的方法，其特征在于，根据多个预测带宽数据对应的多个预测时间序列与多个所述聚类中心的关系，确定所述多个预测带宽数据各自所属的所述聚类结果，包括：

确定所述预测时间序列与多个所述聚类中心的多个距离偏差、多个最大相似点数和多个最大偏离点数；

确定所述多个距离偏差中的目标距离偏差、所述多个最大相似点数中的目标最大相似点数和所述多个最大偏离点数中的目标最大偏离点数，其中，所述目标距离偏差为所述多个距离偏差中的最小值，所述目标最大相似点数为所述多个最大相似点数中的最大值，所述目标最大偏离点数为所述多个最大偏离点数中的最小值；

在所述预测时间序列与所述聚类中心的所述距离偏差、所述多个最大相似点数和所述多个最大偏离点数分别为所述目标距离偏差、所述目标最大相似点数和所述目标最大偏离点数的情况下，确定所述预测时间序列对应的所述预测带宽数据属于所述聚类中心对应的所述聚类结果；

在所述预测时间序列与第一聚类中心的所述距离偏差和所述预测时间序列与第二聚类中心的所述最大相似点数在第二目标区间的情况下，确定所述预测时间序列对应的所述预测带宽数据属于所述第二聚类中心对应的所述聚类结果。

5.根据权利要求1所述的方法，其特征在于，所述神经网络模型通过以下方法训练得到：

对深度信念神经网络模型的初始基因进行混沌处理；

通过映射公式将混沌处理后的所述初始基因还原至求解范围，得到改进遗传算法对应的初始化矩阵；

根据所述初始化矩阵，确定所述改进遗传算法的适应度函数值、个体最优值和群体最优值；

对所述初始化矩阵进行选择操作、变异操作和纵横交叉操作，得到目标矩阵和所述目标矩阵对应的目标基因；

将所述目标基因作为所述深度信念神经网络模型的初始权重；

根据所述初始权重，确定训练好的所述深度信念神经网络模型。

6.根据权利要求5所述的方法，其特征在于，对所述初始化矩阵进行选择操作、变异操作和纵横交叉操作，得到目标矩阵和所述目标矩阵对应的目标基因，包括：

根据所述适应度函数值和群体数量，对所述初始化矩阵进行选择操作，得到第一矩阵；

根据基因的上界、基因的下界和最大进化次数，对所述第一矩阵进行变异操作，得到第二矩阵；

根据父代基因的维数和子代基因的维数对所述第二矩阵进行纵横交叉操作，得到目标矩阵和所述目标矩阵对应的目标基因。