[go: up one dir, main page]

CN116684330A - 基于人工智能的流量预测方法、装置、设备及存储介质 - Google Patents

基于人工智能的流量预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116684330A
CN116684330A CN202310769159.9A CN202310769159A CN116684330A CN 116684330 A CN116684330 A CN 116684330A CN 202310769159 A CN202310769159 A CN 202310769159A CN 116684330 A CN116684330 A CN 116684330A
Authority
CN
China
Prior art keywords
prediction model
target
traffic
training set
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310769159.9A
Other languages
English (en)
Inventor
刘兴廷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202310769159.9A priority Critical patent/CN116684330A/zh
Publication of CN116684330A publication Critical patent/CN116684330A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种基于人工智能的流量预测方法，包括：获取网络流量；基于网络流量构建训练集与测试集；对训练集与测试集进行预处理，得到目标训练集与目标测试集；构建基于BP神经网络结构的初始预测模型；基于目标布谷鸟搜索算法对初始预测模型进行权阈值优化，得到指定预测模型；使用训练集与测试集对指定预测模型进行训练与测试，得到训练好的流量预测模型；基于流量预测模型对网络流量数据进行流量预测处理。本申请还提供一种基于人工智能的流量预测装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，流量预测模型可存储于区块链中。本申请能有效提升流量预测模型的流量预测的准确性及模型训练的迭代效率。

Description

基于人工智能的流量预测方法、装置、设备及存储介质
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的流量预测方法、装置、计算机设备及存储介质。
背景技术
随着网络通信及计算机技术的快速发展，各种业务系统，例如保险系统、银行系统等在线上的应用服务形式也多种多样。这些应用需要稳定的网络支持，对网络的服务质量、流量控制和网络管理均提出了很高的要求。因此，对网络流量的分析预测就显得十分必要。目前，已经存在很多网络流量的分析预测模型，但依然存在很多难题：一方面网络流量在时间和空间上比较复杂；另一方面各应用场景下的网络特征差异较大，这些问题都会加增加网络预测模型构建和训练的复杂度。
BP网络是目前使用最广泛的预测模型，在处理非线性预测问题方面脱颖而出。目前需要业务系统使用BP网络进行网络流量的预测。然而，传统的BP网络依赖于误差的反向传播，需要进行不断的迭代，且预测模型的预测精度不高。
发明内容
本申请实施例的目的在于提出一种基于人工智能的流量预测方法、装置、计算机设备及存储介质，以解决现有的使用BP网络进行网络流量的预测的方式依赖于误差的反向传播，需要进行不断的迭代，且预测模型的预测精度不高的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的流量预测方法，采用了如下所述的技术方案：
获取预设的历史时间周期内的网络流量；
基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；
对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；
确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；
基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法；
使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；
基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
进一步的，所述基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集的步骤，具体包括：
获取预设的时间段划分单位；
基于所述时间段划分单位将所述历史时间周期内的每一天划分为对应的多个单位时间段；
采用将处于相同的单位时间段内的网络流量作为同一类样本的方式，构建与所述网络流量对应的训练集；
获取预设的时间数值；
基于所述时间数值，从所述训练集中随机筛选出与所述时间数值对应的指定数据；
将所述指定数据作为所述测试集。
进一步的，所述对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集的步骤，具体包括：
对所述训练集与所述测试集进行数据清洗，得到对应的第一训练集与第一测试集；
对所述第一训练集与所述第一测试集进行归一化处理，得到对应的第二训练集与第二测试集；
将所述第二训练集作为所述目标训练集，以及将所述第二测试集作为所述目标测试集。
进一步的，在所述基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型的步骤之前，还包括：
获取原始的布谷鸟搜索算法；
获取所述初始布谷鸟搜索算法中的步长更新方式；
基于预设公式对所述布谷鸟搜索算法的步长更新方式进行改进，得到优化后的所述目标布谷鸟搜索算法。
进一步的，所述基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型的步骤，具体包括：
对所述目标布谷鸟搜索算法进行参数初始化；
随机产生多个鸟巢位置，并将所述初始预测模型的初始权阈值编码为所述目标布谷鸟搜索算法的初始鸟巢位置；
确定所述目标布谷鸟搜索算法的适应度函数，并基于所述适应度函数计算各所述鸟巢位置的适应度；
使用所述目标布谷鸟搜索算法，根据所述适应度进行全局迭代寻优处理，从所有所述鸟巢位置中寻找出对应的全局最优位置；
判断当前的迭代次数是否满足预设的最大迭代次数；
若是，将所述全局最优位置作为所述初始预测模型的最优权阈值，得到优化后的所述指定预测模型。
进一步的，所述基于所述流量预测模型对待处理的网络流量数据进行流量预测处理的步骤，具体包括：
获取待处理的网络流量数据；
将所述网络流量数据输入至所述流量预测模型内；
通过所述流量预测模型对所述网络流量数据进行预测处理，输出与所述网络流量数据对应的预测结果。
进一步的，在所述使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型的步骤之后，还包括：
获取预设的模型标识；
从区块链中包含的多个存储子区域确定出与所述模型标识匹配的目标存储子区域；
将所述流量预测模型存储至目标存储子区域内。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的流量预测装置，采用了如下所述的技术方案：
第一获取模块，用于获取预设的历史时间周期内的网络流量；
第一构建模块，用于基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；
处理模块，用于对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；
第二构建模块，用于确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；
优化模块，用于基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法；
训练模块，用于使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；
预测模块，用于基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取预设的历史时间周期内的网络流量；
基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；
对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；
确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；
基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法；
使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；
基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取预设的历史时间周期内的网络流量；
基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；
对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；
确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；
基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法；
使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；
基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先获取预设的历史时间周期内的网络流量；然后基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；并对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；之后确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；后续基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；进一步使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；最后基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。本申请实施例在基于获取的历史时间周期内的网络流量构建对应的训练集与测试集后，通过使用对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的目标布谷鸟搜索算法对初始预测模型进行权阈值优化以构建得到指定预测模型，进而使用训练集对与测试集对指定预测模型进行训练与测试，得到训练好的流量预测模型，可以有效提升流量预测模型的网络流量预测的准确性以及模型训练的迭代效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的流量预测方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的流量预测装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“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。
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申请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。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的流量预测方法一般由服务器/终端设备执行，相应地，基于人工智能的流量预测装置一般设置于服务器/终端设备中。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的流量预测方法的一个实施例的流程图。所述的基于人工智能的流量预测方法，包括以下步骤：
步骤S201，获取预设的历史时间周期内的网络流量。
在本实施例中，基于人工智能的流量预测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取历史时间周期内的网络流量。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。本申请提供的基于人工智能的流量预测方法，可应用于业务场景的网络流量预测的业务场景中。对于保险系统的业务场景进行举例说明，可将当前时间段的网络数据输入至本申请构建的流量预测模型内，以通过该流量预测模型输出在当前时间段之后的下一时间段的网络流量预测数据。其中，上述网络流量具体是指业务系统内的网络流量。业务系统具体可为保险系统、银行系统、交易系统、订单系统等中的任意系统。另外，对于上述历史时间周期的选取不做具体限定，可根据实际的业务使用需求进行设置，例如可为距离当前时间的前一个月内。
步骤S202，基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集。
在本实施例中，上述基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集。
在本实施例中，上述数据预处理具体可包括数据清洗处理与归一化处理。所述训练集与所述测试集统称为样本集。通过对样本集进行数据清洗，以剔除样本集中的噪声数据。通过对样本集进行归一化处理，以将样本集转化到[0,1]之间，从而提升后续的流量预测模型的训练速度。
步骤S204，确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型。
在本实施例中，BP神经网络可以分为两个部分，BP和神经网络。BP是BackPropagation的简写，意思是反向传播。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。其主要的特点是：信号是正向传播的，而误差是反向传播的。其中，BP神经网络结构包括：输入层为各时段及对应的网络流量，输出为预测流量值，并初始化BP神经网络的权阈值及以及最大迭代次数等参数。
步骤S205，基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型。其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法。
在本实施例中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法。布谷鸟搜索算法，也称CS算法，是一种群智能优化算法，通过模拟布谷鸟寄生育雏来求解最优化问题的算法，因为其采用了Levy飞行搜索策略，所以相比其它寻优算法更有效。传统CS算法的路径和位置更新策略如下：xi(t)＝xi(t-1)+a⊙Levy(λ)；上式中：xi(t)和xi(t-1)分别为第t和t-1次迭代时的第i个解；a为步长因子，用来确定搜索尺度；⊙为点乘；Levy(λ)为服从莱维的概率分布。其中，上述基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。通过使用目标布谷鸟搜索算法对初始预测模型进行权阈值优化，可以保证初始预测模型的参数优化的精度及迭代效率。本实施例通过将群智能优化算法和深度神经网络融合，构建出可用于复杂网络环境中的CS-BP流量预测模型，可为线上系统网络流量监控、网络性能分析和网络管理等提供保障。
步骤S206，使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型。
在本实施例中，在使用所述训练集对所述指定预测模型进行训练后，通过所述测试集对所述训练后的指定预测模型进行测试，计算实际值(即预测值)与真实值之间的精确度指标，并评估该精确度指标(例如评估准确率是否大于设定阈值)，若评估通过，则将评估通过的指定预测模型作为训练好的流量预测模型。
步骤S207，基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
在本实施例中，上述基于所述流量预测模型对待处理的网络流量数据进行流量预测处理的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请首先获取预设的历史时间周期内的网络流量；然后基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；并对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；之后确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；后续基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；进一步使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；最后基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。本申请在基于获取的历史时间周期内的网络流量构建对应的训练集与测试集后，通过使用对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的目标布谷鸟搜索算法对初始预测模型进行权阈值优化以构建得到指定预测模型，进而使用训练集对与测试集对指定预测模型进行训练与测试，得到训练好的流量预测模型，可以有效提升流量预测模型的网络流量预测的准确性以及模型训练的迭代效率。
在一些可选的实现方式中，步骤S202包括以下步骤：
获取预设的时间段划分单位。
在本实施例中，对于上述时间段划分单位的取值不做限定，可根据实际的使用需求进行设置，例如可设置为1小时。
基于所述时间段划分单位将所述历史时间周期内的每一天划分为对应的多个单位时间段。
在本实施例中，如果时间段划分单位为1小时，则可将每天的24小时划分为对应的时间长度为1小时的24个单位时间段。
采用将处于相同的单位时间段内的网络流量作为同一类样本的方式，构建与所述网络流量对应的训练集。
在本实施例中，如果历史时间周期为业务系统在距离当前时间的前一周内，则可选取业务系统在该一周内的网络流量作为训练集，每天24小时，每天同一单位时间段视作一种类型，即一周内可划分成24个训练集。
获取预设的时间数值。
在本实施例中，对于上述时间段划分单位的取值不做限定，可根据实际的使用需求进行设置，例如可设置为6。
基于所述时间数值，从所述训练集中随机筛选出与所述时间数值对应的指定数据。
在本实施例中，参照上述例子，在将业务系统在该一周内的网络流量划分成24个训练集后，从该24个训练集中随机抽取6个小时的单位时间段对应的网络流量作为测试集。
将所述指定数据作为所述测试集。
本申请通过获取预设的时间段划分单位，并基于所述时间段划分单位将所述历史时间周期内的每一天划分为对应的多个单位时间段；然后采用将处于相同的单位时间段内的网络流量作为同一类样本的方式，构建与所述网络流量对应的训练集；之后获取预设的时间数值；后续基于所述时间数值，从所述训练集中随机筛选出与所述时间数值对应的指定数据，并将所述指定数据作为所述测试集。本申请基于时间段划分单位的使用对历史时间周期内的网络流量进行划分处理，以实现快速地构建得到所需的训练集，后续再基于时间数值的使用对构建的训练集进行处理，以实现快速地构建得到所需的测试集，提高了训练集与测试集构建的智能性与规范性，保证了得到的测试集的随机性。
在本实施例的一些可选的实现方式中，步骤S203包括以下步骤：
对所述训练集与所述测试集进行数据清洗，得到对应的第一训练集与第一测试集。
在本实施例中，上述数据清洗可包括剔除训练集与测试集中的噪声数据。
对所述第一训练集与所述第一测试集进行归一化处理，得到对应的第二训练集与第二测试集。
在本实施例中，可通过使用归一化公式对训练集与测试集进行归一化处理，以将训练集与测试集转化到[0,1]之间。
将所述第二训练集作为所述目标训练集，以及将所述第二测试集作为所述目标测试集。
本申请通过对所述训练集与所述测试集进行数据清洗，得到对应的第一训练集与第一测试集；然后对所述第一训练集与所述第一测试集进行归一化处理，得到对应的第二训练集与第二测试集；后续将所述第二训练集作为所述目标训练集，以及将所述第二测试集作为所述目标测试集。本申请通过对训练集与测试集进行数据清洗与归一化处理，可以快速准确地得到符合模型使用需求的特征数据，使得后续在使用训练集与测试集进行对于流量预测模型的构建过程时，能够有效提升流量预测模型的训练速度。
在一些可选的实现方式中，在步骤S205之前，上述电子设备还可以执行以下步骤：
获取原始的布谷鸟搜索算法。
获取所述初始布谷鸟搜索算法中的步长更新方式。
在本实施例中，传统的布谷鸟搜索算法的路径和位置更新策略如下：xi(t)＝xi(t-1)+a⊙Levy(λ)；上式中：xi(t)和xi(t-1)分别为第t和t-1次迭代时的第i个解；a为步长因子，用来确定搜索尺度；⊙为点乘；Levy(λ)为服从莱维的概率分布。
基于预设公式对所述布谷鸟搜索算法的步长更新方式进行改进，得到优化后的所述目标布谷鸟搜索算法。
在本实施例中，布谷鸟搜索算法因其采用Levy搜索策略，使得其步长有很强的随机性，虽然有强大的全局搜索能力，但局部寻优能力较弱。为平衡其迭代过程中的全局搜索和局部寻优能力，考虑对步长更新方式进行改进，使步长在迭代时能够自适应动态调整。改进方法如下：式中xbest为当前最优值。根据上述对步长因子的改进，使CS算法在前期搜索步长较大，全局搜索能力强；随着对全局最优解的靠近，步长逐渐变小，提升局部寻优能力。综上，通过上述对CS算法的步长进行自适应调整，平衡了CS优化算法的全局搜索和局部寻优能力，且提升收敛速度。本实施例通过引入动态适应因子对CS算法进行位置更新改进，可以解决前期全局寻优和后期局部优化不均衡的问题。使得后续利用改进的CS算法对BP网络的初始权、阈值进行优化，可进一步提升网络流量预测的准确性及模型训练的迭代效率。
本申请通过获取原始的布谷鸟搜索算法；然后获取所述初始布谷鸟搜索算法中的步长更新方式；后续基于预设公式对所述布谷鸟搜索算法的步长更新方式进行改进，得到优化后的所述目标布谷鸟搜索算法。本申请通过使用预设公式对传统的布谷鸟搜索算法的步长更新方式进行改进，可以快速得到优化后的目标布谷鸟搜索算法，实现了对于传统的布谷鸟搜索算法的步长进行自适应调整，平衡了传统的布谷鸟搜索算法的全局搜索和局部寻优能力，且有效提升收敛速度。使得后续使用目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化以构建得到流量预测模型，可以进一步提升流量预测模型的网络流量预测的准确性以及模型训练的迭代效率。
在一些可选的实现方式中，步骤S205包括以下步骤：
对所述目标布谷鸟搜索算法进行参数初始化。
在本实施例中，上述对所述目标布谷鸟搜索算法进行参数初始化的参数至少可包括目标布谷鸟搜索算法的鸟巢数、初始步长更新因子、最大迭代次数、误差标准等参数。其中，对于参数的取值不做限定，可根据实际的业务需求进行设置。
随机产生多个鸟巢位置，并将所述初始预测模型的初始权阈值编码为所述目标布谷鸟搜索算法的初始鸟巢位置。
确定所述目标布谷鸟搜索算法的适应度函数，并基于所述适应度函数计算各所述鸟巢位置的适应度。
在本实施例中，可获取初始预测模型的输出误差，并将该输出误差作为上述目标布谷鸟搜索算法的适应度函数。
使用所述目标布谷鸟搜索算法，根据所述适应度进行全局迭代寻优处理，从所有所述鸟巢位置中寻找出对应的全局最优位置。
在本实施例中，通过使用所述目标布谷鸟搜索算法，根据上述适应度得到当前最优位置，然后根据改进的位置更新方式进行位置更新，得到新的鸟巢位置。之后比较这些鸟巢位置的适应度值，将较差的位置舍去，获取当前最优位置。重复上述迭代，寻找全局最优位置。
判断当前的迭代次数是否满足预设的最大迭代次数。
在本实施例中，对于上述最大迭代次数的取值不做限定，可根据实际的业务需求进行设置。
若是，将所述全局最优位置作为所述初始预测模型的最优权阈值，得到优化后的所述指定预测模型。
在本实施例中，如果当前的迭代次数不满足预设的最大迭代次数，或者不满足误差标准，则循环执行上述全局迭代寻优处理，一直寻找出满足最大迭代次数或误差标准的全局最优位置。
本申请通过对所述目标布谷鸟搜索算法进行参数初始化；然后随机产生多个鸟巢位置，并将所述初始预测模型的初始权阈值编码为所述目标布谷鸟搜索算法的初始鸟巢位置；之后确定所述目标布谷鸟搜索算法的适应度函数，并基于所述适应度函数计算各所述鸟巢位置的适应度；后续使用所述目标布谷鸟搜索算法，根据所述适应度进行全局迭代寻优处理，从所有所述鸟巢位置中寻找出对应的全局最优位置；最后判断当前的迭代次数是否满足预设的最大迭代次数；若是，将所述全局最优位置作为所述初始预测模型的最优权阈值，得到优化后的所述指定预测模型。本申请通过基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型，由于目标布谷鸟搜索算法实现了对于传统的布谷鸟搜索算法的步长进行自适应调整，平衡了传统的布谷鸟搜索算法的全局搜索和局部寻优能力，且有效提升收敛速度，从而可以有效提高流量预测模型训练的迭代效率。进而提升流量预测模型的网络流量预测处理的准确性。
在本实施例的一些可选的实现方式中，步骤S207包括以下步骤：
获取待处理的网络流量数据。
在本实施例中，上述待处理的网络流量数据可为业务系统在指定时间段内的网络流量数据。
将所述网络流量数据输入至所述流量预测模型内。
通过所述流量预测模型对所述网络流量数据进行预测处理，输出与所述网络流量数据对应的预测结果。
在本实施例中，在所述流量预测模型对所述网络流量数据进行预测处理后，会输出业务系统在目标时间段的网络流量预测值；其中，目标时间段为所述指定时间段之后的时间段。
本申请通过获取待处理的网络流量数据；然后将所述网络流量数据输入至所述流量预测模型内；后续通过所述流量预测模型对所述网络流量数据进行预测处理，输出与所述网络流量数据对应的预测结果。本申请通过使用目标布谷鸟搜索算法训练得到的流量预测模型对待处理的网络流量数据进行流量预测处理，可以有效保证流量预测模型的网络流量预测的准确性。
在本实施例的一些可选的实现方式中，在步骤S206之后，上述电子设备还可以执行以下步骤：
获取预设的模型标识。
在本实施例中，预先将区块链按照多个标识划分成一一对应的多个存储子区域。标识可包括模型标识、数据表标识、文件标识，等等。每一个存储子区域用于存储与标识对应的数据。
从区块链中包含的多个存储子区域确定出与所述模型标识匹配的目标存储子区域。
将所述流量预测模型存储至目标存储子区域内。
本申请通过获取预设的模型标识；然后从区块链中包含的多个存储子区域确定出与所述模型标识匹配的目标存储子区域；后续将所述流量预测模型存储至目标存储子区域内。本申请在使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型之后，还会智能地根据该流量预测模型对应的模型标识，将流量预测模型至与区块链中与模型标识匹配的目标存储子区域，有效地提高了模型存储的规范性与智能性，有利于后续能够从该目标存储子区域快速调取出所需的模型，从而提高模型调用的效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述流量预测模型的私密和安全性，上述流量预测模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的流量预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的流量预测装置300包括：第一获取模块301、第一构建模块302、处理模块303、第二构建模块304、优化模块305、训练模块306以及预测模块307。其中：
第一获取模块301，用于获取预设的历史时间周期内的网络流量；
第一构建模块302，用于基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；
处理模块303，用于对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；
第二构建模块304，用于确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；
优化模块305，用于基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法；
训练模块306，用于使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；
预测模块307，用于基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的流量预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一构建模块302包括：
第一获取子模块，用于获取预设的时间段划分单位；
划分子模块，用于基于所述时间段划分单位将所述历史时间周期内的每一天划分为对应的多个单位时间段；
构建子模块，用于采用将处于相同的单位时间段内的网络流量作为同一类样本的方式，构建与所述网络流量对应的训练集；
第二获取子模块，用于获取预设的时间数值；
筛选子模块，用于基于所述时间数值，从所述训练集中随机筛选出与所述时间数值对应的指定数据；
第一确定子模块，用于将所述指定数据作为所述测试集。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的流量预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,处理模块303包括：
清洗子模块，用于对所述训练集与所述测试集进行数据清洗，得到对应的第一训练集与第一测试集；
第一处理子模块，用于对所述第一训练集与所述第一测试集进行归一化处理，得到对应的第二训练集与第二测试集；
第二确定子模块，用于将所述第二训练集作为所述目标训练集，以及将所述第二测试集作为所述目标测试集。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的流量预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的流量预测装置还包括：
第三获取子模块，用于获取原始的布谷鸟搜索算法；
第四获取子模块，用于获取所述初始布谷鸟搜索算法中的步长更新方式；
改进子模块，用于基于预设公式对所述布谷鸟搜索算法的步长更新方式进行改进，得到优化后的所述目标布谷鸟搜索算法。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的流量预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，优化模块305包括：
第二处理子模块，用于对所述目标布谷鸟搜索算法进行参数初始化；
第三处理子模块，用于随机产生多个鸟巢位置，并将所述初始预测模型的初始权阈值编码为所述目标布谷鸟搜索算法的初始鸟巢位置；
计算子模块，用于确定所述目标布谷鸟搜索算法的适应度函数，并基于所述适应度函数计算各所述鸟巢位置的适应度；
第四处理子模块，用于使用所述目标布谷鸟搜索算法，根据所述适应度进行全局迭代寻优处理，从所有所述鸟巢位置中寻找出对应的全局最优位置；
判断子模块，用于判断当前的迭代次数是否满足预设的最大迭代次数；
第三确定子模块，用于若是，将所述全局最优位置作为所述初始预测模型的最优权阈值，得到优化后的所述指定预测模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的流量预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，预测模块307，包括：
第五获取子模块，用于获取待处理的网络流量数据；
输入子模块，用于将所述网络流量数据输入至所述流量预测模型内；
预测子模块，用于通过所述流量预测模型对所述网络流量数据进行预测处理，输出与所述网络流量数据对应的预测结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的流量预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的流量预测装置还包括：
第二获取模块，用于获取预设的模型标识；
确定模块，用于从区块链中包含的多个存储子区域确定出与所述模型标识匹配的目标存储子区域；
存储模块，用于将所述流量预测模型存储至目标存储子区域内。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的流量预测方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的流量预测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的流量预测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取预设的历史时间周期内的网络流量；然后基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；并对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；之后确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；后续基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；进一步使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；最后基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。本申请实施例在基于获取的历史时间周期内的网络流量构建对应的训练集与测试集后，通过使用对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的目标布谷鸟搜索算法对初始预测模型进行权阈值优化以构建得到指定预测模型，进而使用训练集对与测试集对指定预测模型进行训练与测试，得到训练好的流量预测模型，可以有效提升流量预测模型的网络流量预测的准确性以及模型训练的迭代效率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的流量预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取预设的历史时间周期内的网络流量；然后基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；并对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；之后确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；后续基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；进一步使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；最后基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。本申请实施例在基于获取的历史时间周期内的网络流量构建对应的训练集与测试集后，通过使用对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的目标布谷鸟搜索算法对初始预测模型进行权阈值优化以构建得到指定预测模型，进而使用训练集对与测试集对指定预测模型进行训练与测试，得到训练好的流量预测模型，可以有效提升流量预测模型的网络流量预测的准确性以及模型训练的迭代效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的流量预测方法，其特征在于，包括下述步骤：
获取预设的历史时间周期内的网络流量；
基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；
对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；
确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；
基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法；
使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；
基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
2.根据权利要求1所述的基于人工智能的流量预测方法，其特征在于，所述基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集的步骤，具体包括：
获取预设的时间段划分单位；
基于所述时间段划分单位将所述历史时间周期内的每一天划分为对应的多个单位时间段；
采用将处于相同的单位时间段内的网络流量作为同一类样本的方式，构建与所述网络流量对应的训练集；
获取预设的时间数值；
基于所述时间数值，从所述训练集中随机筛选出与所述时间数值对应的指定数据；
将所述指定数据作为所述测试集。
3.根据权利要求1所述的基于人工智能的流量预测方法，其特征在于，所述对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集的步骤，具体包括：
对所述训练集与所述测试集进行数据清洗，得到对应的第一训练集与第一测试集；
对所述第一训练集与所述第一测试集进行归一化处理，得到对应的第二训练集与第二测试集；
将所述第二训练集作为所述目标训练集，以及将所述第二测试集作为所述目标测试集。
4.根据权利要求1所述的基于人工智能的流量预测方法，其特征在于，在所述基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型的步骤之前，还包括：
获取原始的布谷鸟搜索算法；
获取所述初始布谷鸟搜索算法中的步长更新方式；
基于预设公式对所述布谷鸟搜索算法的步长更新方式进行改进，得到优化后的所述目标布谷鸟搜索算法。
5.根据权利要求1所述的基于人工智能的流量预测方法，其特征在于，所述基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型的步骤，具体包括：
对所述目标布谷鸟搜索算法进行参数初始化；
随机产生多个鸟巢位置，并将所述初始预测模型的初始权阈值编码为所述目标布谷鸟搜索算法的初始鸟巢位置；
确定所述目标布谷鸟搜索算法的适应度函数，并基于所述适应度函数计算各所述鸟巢位置的适应度；
使用所述目标布谷鸟搜索算法，根据所述适应度进行全局迭代寻优处理，从所有所述鸟巢位置中寻找出对应的全局最优位置；
判断当前的迭代次数是否满足预设的最大迭代次数；
若是，将所述全局最优位置作为所述初始预测模型的最优权阈值，得到优化后的所述指定预测模型。
6.根据权利要求1所述的基于人工智能的流量预测方法，其特征在于，所述基于所述流量预测模型对待处理的网络流量数据进行流量预测处理的步骤，具体包括：
获取待处理的网络流量数据；
将所述网络流量数据输入至所述流量预测模型内；
通过所述流量预测模型对所述网络流量数据进行预测处理，输出与所述网络流量数据对应的预测结果。
7.根据权利要求1所述的基于人工智能的流量预测方法，其特征在于，在所述使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型的步骤之后，还包括：
获取预设的模型标识；
从区块链中包含的多个存储子区域确定出与所述模型标识匹配的目标存储子区域；
将所述流量预测模型存储至目标存储子区域内。
8.一种基于人工智能的流量预测装置，其特征在于，包括：
第一获取模块，用于获取预设的历史时间周期内的网络流量；
第一构建模块，用于基于预设的时间段划分单位对所述网络流量进行样本构建，得到对应的训练集与测试集；
处理模块，用于对所述训练集与所述测试集进行数据预处理，得到对应的目标训练集与目标测试集；
第二构建模块，用于确定BP神经网络结构，并构建基于所述BP神经网络结构的初始预测模型；
优化模块，用于基于目标布谷鸟搜索算法对所述初始预测模型进行权阈值优化，得到优化后的指定预测模型；其中，所述目标布谷鸟搜索算法为对原始的布谷鸟搜索算法的步长更新方式进行改进后得到的优化布谷鸟搜索算法；
训练模块，用于使用所述训练集对所述指定预测模型进行训练，并通过所述测试集对所述训练后的指定预测模型进行测试，得到训练好的流量预测模型；
预测模块，用于基于所述流量预测模型对待处理的网络流量数据进行流量预测处理。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的流量预测方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的流量预测方法的步骤。
CN202310769159.9A 2023-06-27 2023-06-27 基于人工智能的流量预测方法、装置、设备及存储介质 Pending CN116684330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310769159.9A CN116684330A (zh) 2023-06-27 2023-06-27 基于人工智能的流量预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310769159.9A CN116684330A (zh) 2023-06-27 2023-06-27 基于人工智能的流量预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116684330A true CN116684330A (zh) 2023-09-01

Family

ID=87783736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310769159.9A Pending CN116684330A (zh) 2023-06-27 2023-06-27 基于人工智能的流量预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116684330A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996403A (zh) * 2023-09-26 2023-11-03 深圳市乙辰科技股份有限公司 应用ai模型的网络流量诊断方法及系统
CN117647932A (zh) * 2024-01-25 2024-03-05 上海碳索能源服务股份有限公司 冷却泵流量预测模型构建方法、系统、终端及介质
CN118504716A (zh) * 2024-07-18 2024-08-16 长江水利委员会水文局 测流模型参数率定方法、装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229714A (zh) * 2016-12-19 2018-06-29 普天信息技术有限公司 预测模型构建方法、门诊量预测方法及装置
CN109637121A (zh) * 2018-06-05 2019-04-16 南京理工大学 一种基于cs-svr算法的短时道路交通拥堵预测方法
CN111294227A (zh) * 2018-12-10 2020-06-16 中国移动通信集团四川有限公司 基于神经网络的流量预测的方法、装置、设备和介质
CN115987816A (zh) * 2022-12-15 2023-04-18 中国联合网络通信集团有限公司 网络流量预测方法、装置、电子设备和可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229714A (zh) * 2016-12-19 2018-06-29 普天信息技术有限公司 预测模型构建方法、门诊量预测方法及装置
CN109637121A (zh) * 2018-06-05 2019-04-16 南京理工大学 一种基于cs-svr算法的短时道路交通拥堵预测方法
CN111294227A (zh) * 2018-12-10 2020-06-16 中国移动通信集团四川有限公司 基于神经网络的流量预测的方法、装置、设备和介质
CN115987816A (zh) * 2022-12-15 2023-04-18 中国联合网络通信集团有限公司 网络流量预测方法、装置、电子设备和可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996403A (zh) * 2023-09-26 2023-11-03 深圳市乙辰科技股份有限公司 应用ai模型的网络流量诊断方法及系统
CN116996403B (zh) * 2023-09-26 2023-12-15 深圳市乙辰科技股份有限公司 应用ai模型的网络流量诊断方法及系统
CN117647932A (zh) * 2024-01-25 2024-03-05 上海碳索能源服务股份有限公司 冷却泵流量预测模型构建方法、系统、终端及介质
CN117647932B (zh) * 2024-01-25 2024-05-07 上海碳索能源服务股份有限公司 冷却泵流量预测模型构建方法、系统、终端及介质
CN118504716A (zh) * 2024-07-18 2024-08-16 长江水利委员会水文局 测流模型参数率定方法、装置
CN118504716B (zh) * 2024-07-18 2024-10-01 长江水利委员会水文局 测流模型参数率定方法、装置

Similar Documents

Publication Publication Date Title
WO2021208728A1 (zh) 基于神经网络的语音端点检测方法、装置、设备及介质
WO2021120677A1 (zh) 一种仓储模型训练方法、装置、计算机设备及存储介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
US11423307B2 (en) Taxonomy construction via graph-based cross-domain knowledge transfer
CN107169573A (zh) 利用复合机器学习模型来执行预测的方法及系统
CN110162766B (zh) 词向量更新方法和装置
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
CN113160795B (zh) 语种特征提取模型训练方法、装置、设备及存储介质
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN115329876A (zh) 一种设备故障处理方法、装置、计算机设备及存储介质
CN115099326A (zh) 基于人工智能的行为预测方法、装置、设备及存储介质
CN111178537B (zh) 一种特征提取模型训练方法及设备
CN117235257A (zh) 基于人工智能的情感预测方法、装置、设备及存储介质
CN114780809A (zh) 基于强化学习的知识推送方法、装置、设备及存储介质
CN115906983B (zh) 分布式模型训练方法、装置、设备、存储介质及程序产品
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN116049678A (zh) 特征贡献度评估方法、装置、电子设备和存储介质
CN119522428A (zh) 一种模型训练方法以及相关设备
CN120147023A (zh) 一种企业保险风控方法、装置、计算机设备及存储介质
CN113361629A (zh) 一种训练样本生成的方法、装置、计算机设备及存储介质
CN119179958A (zh) 理赔风险模型处理方法、装置、计算机设备及存储介质
CN114943274B (zh) 模型训练方法、装置、存储介质、服务器、终端及系统
US20220286416A1 (en) Method and apparatus for generating account intimacy
CN114445692A (zh) 图像识别模型构建方法、装置、计算机设备及存储介质
CN116631436B (zh) 性别识别模型处理方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination