CN115987816A - 网络流量预测方法、装置、电子设备和可读存储介质 - Google Patents

Abstract

本申请提供一种网络流量预测方法、装置、电子设备和可读存储介质。该方法包括：获取目标区域中的多个网络设备的位置数据和多个网络设备在多个历史时刻的网络流量使用数据；将网络流量使用数据划分为第一数据集和第二数据集；将多个网络设备的位置数据和第一数据集输入至卷积网络模型，构建网络流量预测模型，得到第二数据集对应的时刻的预测数据；比较预测数据和第二数据集，得到网络流量预测模型的预测误差；根据预测误差训练网络流量预测模型，得到训练好的网络流量预测模型；基于训练好的网络流量预测模型，得到未来时刻的网络流量预测结果。本申请的网络流量预测方法具有较高的准确率。

Description

网络流量预测方法、装置、电子设备和可读存储介质

技术领域

本申请涉及网络技术领域，尤其涉及一种网络流量预测方法、装置、电子设备和可读存储介质。

背景技术

网络流量的预测能够为网络设备的节能方案提供依据。网络流量预测是一种根据待检测区域内多个网络设备在历史时刻的网络流量使用数据，预测待检测区域未来时刻的网络流量使用数据的方法。

目前的网络流量预测方法是采用循环神经网络(recurrent neural network，RNN)-图神经网络(graph neural networks，GNN)模型进行预测的。其中，GNN能够基于多个网络设备在一个特定的时刻的网络流量使用数据，学习多个网络设备之间的相互关联信息，该相互关联信息可以称为地理特征或节点关系信息；RNN能够基于多个网络设备在多个时刻的网络流量使用数据，学习多个网络设备的网络流量使用数据随着时间推移的变化规律，该变化规律可以称为时序特征。这样，基于历史时刻的多个网络设备的网络流量使用数据训练好的RNN-GNN模型，能够预测上述多个网络设备中的一个或者多个网络设备在未来时刻的网络流量使用数据。

然而，目前的网络流量的预测方法准确率较低。

发明内容

本申请提供了一种网络流量预测方法、装置、电子设备和可读存储介质，能够提高网络流量预测准确率。

第一方面，本申请提供一种网络流量预测方法，包括：

获取目标区域中的多个网络设备的位置数据和所述多个网络设备在多个历史时刻的网络流量使用数据；将所述网络流量使用数据划分为第一数据集和第二数据集；将所述多个网络设备的位置数据和所述第一数据集输入至卷积网络模型，构建网络流量预测模型，得到所述第二数据集对应的时刻的预测数据；比较所述预测数据和所述第二数据集，得到所述网络流量预测模型的预测误差；根据所述预测误差训练所述网络流量预测模型，得到训练好的网络流量预测模型；基于所述训练好的网络流量预测模型，得到未来时刻的网络流量预测结果。

在第一方面的某些实现方式中，所述根据所述预测误差训练所述网络流量预测模型，得到训练好的网络流量预测模型，包括：在所述预测误差大于或等于误差阈值的情况下，调整所述网络流量预测模型中的参数，得到调整后的网络流量预测模型；将所述第二数据集对应的时刻输入至所述调整后的网络流量预测模型，得到所述第二数据集对应的时刻的再次预测数据；比较所述再次预测数据和所述第二数据集，得到所述网络流量预测模型的再次预测误差；在所述再次预测误差小于所述误差阈值的情况下，将所述调整后的网络流量预测模型确定为所述训练好的网络流量预测模型。

在第一方面的某些实现方式中，所述卷积网络模型包括图结构学习模块和图卷积网络模块；所述将所述多个网络设备的位置数据和所述第一数据集输入至卷积网络模型，构建网络流量预测模型，包括：将所述多个网络设备的位置数据输入至所述图结构学习模块，得到所述多个网络设备的邻接矩阵；将所述邻接矩阵和所述第一数据集输入至所述图卷积网络模块，构建所述网络流量预测模型。

在第一方面的某些实现方式中，在将所述网络流量使用数据划分为第一数据集和第二数据集之前，所述方法还包括：判断所述网络流量使用数据中是否存在空值；在所述网络流量使用数据中存在所述空值的情况下，将所述空值补齐。

在第一方面的某些实现方式中，所述多个网络设备中的第一网络设备在第一时刻的网络流量使用数据为空值；所述将所述空值补齐，包括：根据所述第一网络设备在所述第一时刻的前一个时刻的网络流量使用数据，以及所述第一网络设备在所述第一时刻的后一个时刻的网络流量使用数据，确定所述第一网络设备在所述第一时刻的网络流量使用数据。

在第一方面的某些实现方式中，所述第二数据集包括多个时刻的网络流量使用数据，所述预测数据包括所述多个时刻中每个时刻的预测数据；所述比较所述预测数据和所述第二数据集，得到所述网络流量预测模型的预测误差，包括：计算所述多个时刻中每个时刻的预测数据和所述每个时刻的网络流量使用数据之间的差值；计算所述多个时刻对应的差值的平均值，得到所述网络流量预测模型的预测误差。

第二方面，本申请提供一种网络流量预测装置，包括：

获取模块，用于获取目标区域中的多个网络设备的位置数据和所述多个网络设备在多个历史时刻的网络流量使用数据；

处理模块，用于将所述网络流量使用数据划分为第一数据集和第二数据集；将所述多个网络设备的位置数据和所述第一数据集输入至卷积网络模型，构建所述网络流量预测模型；将所述第二数据集对应的时刻输入至所述网络流量预测模型，得到所述第二数据集对应的时刻的预测数据；比较所述预测数据和所述第二数据集，得到所述网络流量预测模型的预测误差；根据所述预测误差训练所述网络流量预测模型，得到所述训练好的网络流量预测模型；将待预测时刻输入至所述训练好的网络流量预测模型，得到网络流量预测结果。

第三方面，本申请提供一种电子设备，包括：

至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面所述的网络流量预测方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面所述的网络流量预测方法。

本申请提供的网络流量预测方法、装置、电子设备和可读存储介质，通过多个网络设备的位置数据和网络流量使用数据构建网络流量预测模型，并根据网络流量预测模型的预测误差调整网络流量预测模型的参数，直至网络流量预测模型的预测误差小于误差阈值，使得网络流量预测模型能够更加准确的学习网络流量使用数据的时序特征以及多个网络设备之间的节点关系信息，这样，能够提高网络流量预测的准确率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种网络流量预测方法的流程示意图；

图2为本申请实施例提供的节点关系的示意图；

图3为本申请实施例提供的一种网络流量预测装置的结构示意图；

图4为本申请实施例提供的电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一芯片和第二芯片仅仅是为了区分不同的芯片，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

需要说明的是，本申请实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。

本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a--c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。

随着社会发展，网络流量正在不断增长，使得网络设备的投入量越来越大。通过预测网络设备的网络流量有助于网络设备资源的综合利用，以及网络设备的节能。

目前通常采用RNN-GNN模型预测一个或多个网络设备在未来时刻的网络流量使用数据。其中，GNN能够学习多个网络设备之间的节点关系信息；RNN能够学习多个网络设备的网络流量使用数据的时序特征。

然而，GNN通常基于各个网络设备之间的位置关系，将相邻的网络设备之间相互关联，使得得到的多个网络设备之间的节点关系的准确率通常较低，进而使得通过RNN-GNN模型预测的网络流量使用数据的准确率较低。

为了提高网络流量预测的准确率，本申请提供一种网络流量预测方法，网络流量预测方法通过网络流量预测模型进行预测。首先通过多个网络设备的位置信息和网络流量使用数据构建网络流量预测模型，并根据网络流量预测模型训练过程中得到的误差对网络流量预测模型的参数进行调整，这样，能够提高网络流量预测模型学习到的多个网络设备之间的节点关系的准确率，进而提高预测的网络流量使用数据的准确率。

下面结合图1至图2对本申请的网络流量预测方法进行详细介绍。本申请实施例的网络流量预测方法可以由一台或者多台服务器执行，也可以由终端设备或者支持终端设备实现网络流量预测方法的芯片、芯片系统或处理器执行，还可以由能实现全部或部分终端设备的逻辑模块或软件执行，本申请对此不做具体限制。下面以服务器为执行主体对本申请实施例的网络流量预测方法进行详细说明。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图1为本申请实施例提供的网络流量预测方法100的流程示意图。方法100由服务器执行，方法100包括：

S101、获取目标区域中的多个网络设备的位置数据和多个网络设备在多个历史时刻的网络流量使用数据。

应理解，目标区域指需要进行流量预测的区域，该区域中包括至少一个网络设备，网络设备可以为基站。位置数据可以指网络设备所处位置的坐标，例如基站A的位置数据为(40°N，116°E)，则该位置数据为基站A所处位置的坐标。该位置数据表示基站A位于北纬40度，东经116度的位置。历史时刻指过去的时刻，例如，当前时刻为2022年2月1日15:00，则历史时刻可以指2022年2月1日的12:00。网络流量使用数据可以包括上述多个网络设备的中每个网络设备的网络流量使用量的数据、每个网络设备对应的用户数量、每个网络设备的网络流量使用量对应的时刻等。

在一种可能的实施方式中，网络设备为基站，网络流量使用数据包括多个基站中每个基站对应的小区的网络流量使用量、每个小区对应的用户数量、每个网络流量使用数据对应的时刻等。每个基站对应的小区的网络流量使用量可以指每个基站对应的小区的上行流量和下行流量。

在另一种可能的实施方式中，多个历史时刻中每相邻两个历史时刻之间的时间间隔均相等。服务器在获取历史时刻的网络流量使用数据时，每隔预设时长获取一次上述多个网络设备的网络流量使用数据，将网络流量使用数据存储于服务器中。预设时长可以为任意时长，例如1小时、2小时、1天等。

S102、将网络流量使用数据划分为第一数据集和第二数据集。

应理解，上述的网络流量使用数据为多个网络设备在多个历史时刻使用的网络流量的数据。假设上述的网络流量使用数据包括多个网络设备在N个时刻的网络流量使用数据，则将N个时刻按照时间先后顺序进行排序，并将排序后的网络流量使用数据进行划分，划分为第一数据集和第二数据集。其中，时间靠前的部分数据可以为第一数据集，第一数据集中包括多个网络设备在N1个时刻的网络流量使用数据；时间靠后的部分数据可以为第二数据集，第二数据集中包括多个网络设备在N2个时刻的网络流量使用数据，N1与N2的和小于等于N。

在一个具体的示例中，服务器每隔一小时获取一次目标区域中五个基站的网络流量使用数据，服务器第一次获取时间为2022年2月1日的00:00，并且服务器共获取且存储了从2022年2月1日的00:00至2022年2月2日的12:00共36个时刻的网络流量使用数据。按照时间的先后顺序，其中，2022年2月1日的00:00至2022年2月2日的00:00的24个时刻的网络流量使用数据划分为第一数据集；2022年2月2日的00:00至2022年2月2日的12:00的12个时刻的网络流量使用数据划分为第二数据集。

一种可能的实施方式中，将网络流量使用数据按照比例划分为第一数据集和第二数据集。示例性地，该比例可以为2：1，则按照时间顺序，将网络流量使用数据中前2/3个历史时刻的数据划分为第一数据集，将后1/3个历史时刻的数据划分为第二数据集。

S103、将多个网络设备的位置数据和第一数据集输入至卷积网络模型，构建网络流量预测模型，得到第二数据集对应的时刻的预测数据。

卷积网络模型为已知的模型，通过将第一数据集和多个网络设备的位置数据输入至卷积网络模型能够构建网络流量预测模型。

应理解，第二数据集对应的时刻可以为一个或者多个。服务器将第一数据集和多个网络设备的位置数据输入至卷积网络模型，能够建立网络流量预测模型，并且输出待预测时刻时，多个网络设备的网络流量使用数据。通过网络流量预测模型预测得到的网络流量使用数据即预测数据。示例性地，假设第一数据集包括2022年2月1日的00:00至2022年2月2日的00:00的24个时刻的网络流量使用数据；第二数据集包括2022年2月2日的00:00至2022年2月2日的12:00的12个时刻的网络流量使用数据。通过向卷积网络模型输入2022年2月1日的00:00至2022年2月2日的00:00的24个时刻的网络流量使用数据以及多个网络的位置数据，能够构建网络流量预测模型，并且输出2022年2月2日的00:00至2022年2月2日的12:00的12个时刻的预测数据。

S104、比较预测数据和第二数据集，得到网络流量预测模型的预测误差。

应理解，预测数据的数量可以为一个或多个，并且预测数据对应的时刻与第二数据集对应的时刻相同。因此，对于每个预测数据对应的时刻，第二数据集中均存在与该时刻对应的网络流量使用数据，与该时刻对应的网络流量使用数据是多个网络设备在该时刻时使用的网络流量的真实数据，通过该真实数据与预测数据，能够得到网络流量预测模型的预测误差。

在一种可能的实施方式中，第二数据集包括多个时刻的网络流量使用数据，预测数据包括多个时刻中每个时刻的预测数据；比较预测数据和第二数据集，得到网络流量预测模型的预测误差，包括：计算多个时刻中每个时刻的预测数据和每个时刻的网络流量使用数据之间的差值；计算多个时刻对应的差值的平均值，得到网络流量预测模型的预测误差。

上述的预测误差的计算公式为：

其中，E为预测误差；n为网络流量使用数据对应的时刻的个数；A_t为t时刻的网络流量使用数据；F_t为t时刻的预测数据。通过上述公式能够计算得到网络流量预测模型的预测误差。

以多个时刻对应的差值的平均值作为网络流量预测模型的预测误差，预测误差计算过程简单，并且能够准确反映网络流量预测模型预测流量的准确性，预测误差越大，网络流量预测模型预测流量的准确性越低。

在另一种可能的实施方式中，预测误差为多个时刻中每个时刻的预测数据和每个时刻的网络流量使用数据之间的均方根误差，预测误差通过以下公式计算得到：

A_t为t时刻的网络流量使用数据F_t为t时刻的预测数据。

在又一种可能的实施方式中，预测误差为多个时刻中每个时刻的预测数据和每个时刻的网络流量使用数据之间的加权平均绝对误差百分比，预测误差通过以下公式计算得到：

A_t为t时刻的网络流量使用数据；F_t为t时刻的预测数据。

S105、根据预测误差训练网络流量预测模型，得到训练好的网络流量预测模型。

根据预测误差训练网络流量预测模型的过程，即通过调整网络流量预测模型中的参数，从而减小预测误差的过程。当预测误差不再减小或者小于一个预设阈值的情况下，网络流量预测模型训练完成。

S106、基于训练好的网络流量预测模型，得到未来时刻的网络流量预测结果。

应理解，未来时刻可以未来的一个或多个时刻。网络流量预测结果为训练好的网络流量预测模型预测得到的待预测时刻对应的多个网络设备使用网络流量的数据。训练好的网络流量预测模型预测未来时刻的网络流量预测需要基于多个历史时刻的网络流量预测数据，并且该多个历史时刻与未来时刻越接近，预测得到的网络流量预测结果越准确。示例性地，假设当前时刻2022年2月3日的12:00，工作人员需要预测2022年2月3日的13:00至2022年2月3日的24:00中每个整点时刻的网络流量使用数据时，可以向网络流量预测模型输入2022年2月2日的12:00至2022年2月3日的12:00中每个整点时刻的网络流量使用数据，这样能够更加准确的预测2022年2月3日的13:00至2022年2月3日的24:00中每个整点时刻的网络流量使用数据。基于训练好的网络流量预测模型，得到未来时刻的网络流量预测结果。需要先向训练好的网络流量预测模型输入多个历史时刻的网络流量使用数据，这样，训练好的网络流量预测模型会输出未来时刻的网络流量使用数据。

本申请的网络流量预测方法，通过多个网络设备的位置数据和网络流量使用数据构建网络流量预测模型，并根据预测误差训练网络流量预测模型，使得网络流量预测模型能够更加准确的学习网络流量使用数据的时序特征以及多个网络设备之间的节点关系信息，这样，能够提高网络流量预测模型的准确率。

在一个可选的实施例中，卷积网络模型包括图结构学习模块和图卷积网络模块，上述S103通过如下方式实现：将多个网络设备的位置数据输入至图结构学习模块，得到多个网络设备的邻接矩阵；将邻接矩阵和第一数据集输入至图卷积网络模块，构建网络流量预测模型。

应理解，邻接矩阵是用于描述多个网络设备之间关联关系的二维数组。基于位置数据，通过图结构学习模块，能够更加准确的确定多个网络设备的邻接矩阵，得到多个网络设备之间的连接关系，这样，基于邻接矩阵和第一数据集，能够构建准确性更高的网络流量预测模型，有助于提高网络流量预测的准确率。

在一种可能的实施方式中，将多个网络设备的位置数据输入至图结构学习模块，得到多个网络设备的邻接矩阵，包括：通过线性运算Liner()函数，将2维的位置数据转换为20维空间的数据，作为每个节点的特征数据；根据上述的特征数据计算多个网络设备中每两个网络设备之间的欧式距离；将欧式距离通过归一化指数(Softmax)函数处理，得到邻接矩阵。

应理解，Liner()函数的公式为：Linear(x)＝Wx+b；其中，x为位置数据，W为训练权重，b为偏置值。20维空间的数据为20维向量。Softmax函数能将20维空间的数据转换为0到1之间的数值。

在另一种可能的实施方式中，图卷积网络模块包括图卷积网络和一维卷积网络，将邻接矩阵和第一数据集输入至图卷积网络模块包括：将邻接矩阵和第一数据集输入至图卷积网络，输出经过图卷积网络处理的网络流量使用数据；将经过图卷积网络处理的网络流量使用数据输入至一维卷积网络，输出预测流量数据。

对应地，根据预测误差训练网络流量预测模型，包括：根据预测误差调整图结构学习模块中的参数、图卷积网络中的参数以及一维卷积网络中的参数。

应理解，图卷积网络根据邻接矩阵和第一数据集会得到多个时刻中每个时刻对应的多个网络设备之间的拓扑结构信息，拓扑结构信息用于描述多个网络设备之间的关联关系。

以基站为网络设备为例，下面结合图2对图卷积网络进行详细说明。

如图2所示，假设基站A的无线信号覆盖商业街的写字楼，基站B的无线信号覆盖小吃街，基站C的无线信号覆盖住宅区。则通过GNN学习得到的该三个基站在13:00时刻的节点关系如图2(1)所示；该三个基站在19:00时刻的节点关系如图2(1)所示。13:00时刻，处于在写字楼工作的用户的午休时刻，在该时刻，用户可能会从写字楼去往小吃街用餐，用餐结束后再返回写字楼，使得基站A和基站B之间存在相互关系；此外，用户可能会从写字楼去往住宅区回家用餐，用餐结束后再返回写字楼，使得基站A和基站C之间存在相互关系。然而在19:00时刻，处于写字楼工作的用户的下班时刻，用户可能会去往小吃街用餐或者直接回家，使得基站A和基站B和基站C之间存在相互关系。此外，在该时刻，用户在去往小吃街用完餐后，会返回家中，即去往住宅区，使得基站B和基站C之间也存在相互关系。由此可见，在不同的时刻，GNN可能会学习得到多个网络设备之间的不同的节点关系信息。

一维卷积网络基于输出经过图卷积网络处理的网络流量使用数据，学习网络流量使用数据随着时间推移的变化规律，并且输出预测流量数据。输出预测流量数据经过Liner()函数或Softmax函数处理，就能够得到预测的网络流量使用数据，即网络流量预测结果。

在另一个可选的实施例中，上述S106通过如下方式实现：在预测误差大于或等于误差阈值的情况下，调整网络流量预测模型中的参数，得到调整后的网络流量预测模型；将第二数据集对应的时刻输入至调整后的网络流量预测模型，得到第二数据集对应的时刻的再次预测数据；比较再次预测数据和第二数据集，得到网络流量预测模型的再次预测误差；在再次预测误差小于误差阈值的情况下，将调整后的网络流量预测模型确定为训练好的网络流量预测模型。

应理解，误差阈值可以为预设的任意值。服务器通过调整网络流量预测模型中的参数，从而使得得到的预测误差不断发生变化，当预测误差小于误差阈值时，说明网络流量预测模型的预测误差较小，准确率高，此时网络流量预测模型优化完成。示例性地，假设误差阈值为2，通过网络流量预测模型得到的预测误差为3，由于3大于2，网络流量预测模型的参数将会进行调整，得到调整后的网络流量预测模型。将第二数据集对应的时刻输入至调整后的网络流量预测模型，得到再次预测误差1，此时，由于1小于2，则认为网络流量预测模型训练完成。

基于预测误差，对网络流量预测模型中的参数进行调整，直至网络流量预测模型的再次预测误差小于误差阈值，则得到训练好的网络流量预测模型。这样，根据预测误差对网络流量预测模型中的参数进行调整，能够提高邻接矩阵的准确率，进而提高网络流量预测模型的准确率，基于预测误差，通过多次迭代过程调整网络流量预测模型的参数，使得网络流量预测模型的预测误差小于误差阈值，能够提高网络流量预测准确率。

在又一个可选的实施例中，上述S106通过如下方式实现：重复调整网络流量预测模型中的参数，得到调整后的网络流量预测模型，并将第二数据集对应的时刻输入至调整后的网络流量预测模型，得到网络流量预测模型的再次预测误差，直至再次预测误差在预设时长和/或预设重复次数内不再减小；将调整后的网络流量预测模型确定为训练好的网络流量预测模型。

应理解，预设时长为预设的任意时长，例如，1小时。预设重复次数为任意正整数，例如5、7等。训练网络流量预测模型的过程即为调整网络流量预测模型的参数的过程，当通过调整网络流量预测模型的参数，使得得到的预测误差不再降低时，说明网络流量预测模型达到最优状态，此时网络流量预测模型训练完成。

在再一个可选的实施例中，在将网络流量使用数据划分为第一数据集和第二数据集之前，方法100还包括：判断网络流量使用数据中是否存在空值；在网络流量使用数据中存在空值的情况下，将空值补齐。

本领域的技术人员可以理解，在网络设备断网等情况下，服务器存储的该网络设备的部分时刻对应的网络流量使用数据可能为空值，此时，需要将空值对应的网络流量使用数据进行补齐。这样，能够提高第一数据集和第二数据集的数据的可靠性，有助于提高网络流量预测模型预测流量的准确性。

在一个可能的实施方式中，多个网络设备中的第一网络设备在第一时刻的网络流量使用数据为空值；将空值补齐，包括：根据第一网络设备在第一时刻的前一个时刻的网络流量使用数据，以及第一网络设备在第一时刻的后一个时刻的网络流量使用数据，确定第一网络设备在第一时刻的网络流量使用数据。

示例性地，假设服务器中存储了5个基站在2022年3月1日的12:00、13:00、14:00、15:00的网络流量使用数据，并且14:00对应的网络流量使用数据为空值，则13:00为前一个时刻，15:00为后一个时刻。根据13:00和15:00对应的网络流量使用数据，能够预估得到14:00对应的网络流量使用数据。

可以理解，上述将空值补齐的方法可以称为插值法，通过插值法能够高效补齐空值。

在一个可选的实施例中，除第一数据集和第二数据集之外，网络流量使用数据还包括第三数据集；方法100还包括：在得到训练好的网络流量预测模型之后，将第三数据集对应的时刻输入训练好的网络流量预测模型，得到验证误差；在验证误差和预测误差之间的差值小于预设阈值的情况下，确定训练好的网络流量预测模型训练优化完成。

应理解，验证误差与预测误差的计算方式类似，在此不再赘述。第三数据集用于验证训练好的网络流量预测模型的可靠性，在验证误差与预测误差之间的差值较小的情况下，认为网络流量预测模型的可靠性较高，具有极高的准确率。这样，在网络流量预测模型训练完成后，通过第三数据集对网络流量预测模型的性能进行进一步验证，这样，能够更加准确的确定网络流量预测模型预测流量的准确率。

应理解，上述各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定。

上面结合图1和图2详细描述了本申请实施例的网络流量预测方法，下面结合图3和图4对网络流量预测装置进行详细描述。

图3为本申请实施例提供的网络流量预测装置300的结构示意图。如图3所示，装置300包括：获取模块301、处理模块302。

获取模块301，用于获取目标区域中的多个网络设备的位置数据和多个网络设备在多个历史时刻的网络流量使用数据；处理模块302，用于将网络流量使用数据划分为第一数据集和第二数据集；将多个网络设备的位置数据和第一数据集输入至卷积网络模型，构建网络流量预测模型，得到第二数据集对应的时刻的预测数据；比较预测数据和第二数据集，得到网络流量预测模型的预测误差；根据预测误差训练网络流量预测模型，得到训练好的网络流量预测模型；基于训练好的网络流量预测模型，得到未来时刻的网络流量预测结果。

可选地，处理模块302具体用于：在预测误差大于或等于误差阈值的情况下，调整网络流量预测模型中的参数，得到调整后的网络流量预测模型；将第二数据集对应的时刻输入至调整后的网络流量预测模型，得到第二数据集对应的时刻的再次预测数据；比较再次预测数据和第二数据集，得到网络流量预测模型的再次预测误差；在再次预测误差小于误差阈值的情况下，将调整后的网络流量预测模型确定为训练好的网络流量预测模型。

可选地，卷积网络模型包括图结构学习模块和图卷积网络模块；处理模块302具体用于：将多个网络设备的位置数据输入至图结构学习模块，得到多个网络设备的邻接矩阵；将邻接矩阵和第一数据集输入至图卷积网络模块，构建网络流量预测模型。

可选地，处理模块302还用于：判断网络流量使用数据中是否存在空值；在网络流量使用数据中存在空值的情况下，将空值补齐。

可选地，多个网络设备中的第一网络设备在第一时刻的网络流量使用数据为空值；处理模块302具体用于：根据第一网络设备在第一时刻的前一个时刻的网络流量使用数据，以及第一网络设备在第一时刻的后一个时刻的网络流量使用数据，确定第一网络设备在第一时刻的网络流量使用数据。

可选地，第二数据集包括多个时刻的网络流量使用数据，预测数据包括多个时刻中每个时刻的预测数据；处理模块302具体用于：计算多个时刻中每个时刻的预测数据和每个时刻的网络流量使用数据之间的差值；计算多个时刻对应的差值的平均值，得到网络流量预测模型的预测误差。

本申请实施例提供的网络流量预测装置，适用于上述方法实施例，在此不再赘述。

本申请实施例还提供了一种电子设备400，如图4所示，图4所示的电子设备包括：处理器401和存储器402。其中，处理器401和存储器402相连，如通过总线403相连。可选地，电子设备还可以包括收发器。需要说明的是，实际应用中收发器不限于一个，该电子设备的结构并不构成对本申请实施例的限定。

处理器401可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线403可包括一通路，在上述组件之间传送信息。总线403可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线403或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线403等。总线403可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线403或一种类型的总线403。

存储器402可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器402用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器402中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

本申请提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中的相应内容。

本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机程序(也可以称为代码，或指令)，当该计算机程序在计算机上运行时，该计算机可以执行上述方法实施例中的相应内容。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种网络流量预测方法，其特征在于，包括：

获取目标区域中的多个网络设备的位置数据和所述多个网络设备在多个历史时刻的网络流量使用数据；

将所述网络流量使用数据划分为第一数据集和第二数据集；

将所述多个网络设备的位置数据和所述第一数据集输入至卷积网络模型，构建网络流量预测模型，得到所述第二数据集对应的时刻的预测数据；

比较所述预测数据和所述第二数据集，得到所述网络流量预测模型的预测误差；

根据所述预测误差训练所述网络流量预测模型，得到训练好的网络流量预测模型；

基于所述训练好的网络流量预测模型，得到未来时刻的网络流量预测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述预测误差训练所述网络流量预测模型，得到训练好的网络流量预测模型，包括：

在所述预测误差大于或等于误差阈值的情况下，调整所述网络流量预测模型中的参数，得到调整后的网络流量预测模型；

将所述第二数据集对应的时刻输入至所述调整后的网络流量预测模型，得到所述第二数据集对应的时刻的再次预测数据；

比较所述再次预测数据和所述第二数据集，得到所述网络流量预测模型的再次预测误差；

在所述再次预测误差小于所述误差阈值的情况下，将所述调整后的网络流量预测模型确定为所述训练好的网络流量预测模型。

3.根据权利要求1或2所述的方法，其特征在于，所述卷积网络模型包括图结构学习模块和图卷积网络模块；

所述将所述多个网络设备的位置数据和所述第一数据集输入至卷积网络模型，构建网络流量预测模型，包括：

将所述多个网络设备的位置数据输入至所述图结构学习模块，得到所述多个网络设备的邻接矩阵；

将所述邻接矩阵和所述第一数据集输入至所述图卷积网络模块，构建所述网络流量预测模型。

4.根据权利要求1或2所述的方法，其特征在于，在将所述网络流量使用数据划分为第一数据集和第二数据集之前，所述方法还包括：

判断所述网络流量使用数据中是否存在空值；

在所述网络流量使用数据中存在所述空值的情况下，将所述空值补齐。

5.根据权利要求4所述的方法，其特征在于，所述多个网络设备中的第一网络设备在第一时刻的网络流量使用数据为空值；

所述将所述空值补齐，包括：

根据所述第一网络设备在所述第一时刻的前一个时刻的网络流量使用数据，以及所述第一网络设备在所述第一时刻的后一个时刻的网络流量使用数据，确定所述第一网络设备在所述第一时刻的网络流量使用数据。

6.根据权利要求1或2所述的方法，其特征在于，所述第二数据集包括多个时刻的网络流量使用数据，所述预测数据包括所述多个时刻中每个时刻的预测数据；

所述比较所述预测数据和所述第二数据集，得到所述网络流量预测模型的预测误差，包括：

计算所述多个时刻中每个时刻的预测数据和所述每个时刻的网络流量使用数据之间的差值；

计算所述多个时刻对应的差值的平均值，得到所述网络流量预测模型的预测误差。

7.一种网络流量预测装置，其特征在于，包括：

获取模块，用于获取目标区域中的多个网络设备的位置数据和所述多个网络设备在多个历史时刻的网络流量使用数据；

处理模块，用于将所述网络流量使用数据划分为第一数据集和第二数据集；将所述多个网络设备的位置数据和所述第一数据集输入至卷积网络模型，构建所述网络流量预测模型；将所述第二数据集对应的时刻输入至所述网络流量预测模型，得到所述第二数据集对应的时刻的预测数据；比较所述预测数据和所述第二数据集，得到所述网络流量预测模型的预测误差；根据所述预测误差训练所述网络流量预测模型，得到所述训练好的网络流量预测模型；将待预测时刻输入至所述训练好的网络流量预测模型，得到网络流量预测结果。

8.根据权利要求7所述的装置，其特征在于，所述处理模块具体用于：

在所述预测误差大于或等于误差阈值的情况下，调整所述网络流量预测模型中的参数，得到调整后的网络流量预测模型；

将所述第二数据集对应的时刻输入至所述调整后的网络流量预测模型，得到所述第二数据集对应的时刻的再次预测数据；

比较所述再次预测数据和所述第二数据集，得到所述网络流量预测模型的再次预测误差；

在所述再次预测误差小于所述误差阈值的情况下，将所述调整后的网络流量预测模型确定为所述训练好的网络流量预测模型。

9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至6中任一项所述的网络流量预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现权利要求1至6中任一项所述的网络流量预测方法。

Images