一种网络流量预测方法、装置、介质及产品与流

本发明涉及网络流量预测领域，特别是涉及一种网络流量预测方法、装置、介质及产品。背景技术：1、随着网络信息流动日益频繁，网络业务量的急剧增长，数据变化日趋复杂，网络的可控性和可管性问题越来越突出。网络流量是进行网络管理和优化的重要参数。准确地预测网络流量对网络的规划设计与管理意义重大，因而对网络流量的预测研究是当前网络流量管理的热点问题。预测模型的超参数优化问题是一类具有多个可行解的问题。因此，优化的目标是在所有可行解中找到最优解。2、从数学的角度来看，优化问题用决策变量、约束条件和目标函数三部分来解释。优化研究中的问题解决技术分为两类:确定性方法和随机方法。3、确定性方法分为基于梯度和非基于梯度两类，在求解线性、凸、简单、低维、连续和可微优化问题方面是有效的。然而，这些优化问题的复杂性的增加导致确定性方法的性能受到干扰，并且这些方法会陷入不适当的局部最优。另一方面，科学和现实应用中的许多优化问题具有高维数、高复杂性、非凸、非连续、非线性和不可微目标函数以及非线性和未知搜索空间等特征。这些优化任务的特点和确定性方法的困难带来新的元启发式算法。4、网络流量预测方法的研究，面向配电网不同场景下的网络流量进行预测，利用基于“-v距离”的方法对超参数寻优过程进行优化，准确地预测网络流量，对配电网通信技术的合理规划、部署、演进提高重要的指导。技术实现思路1、本发明的目的是提供一种网络流量预测方法、装置、介质及产品，以提高网络流量预测的准确性。2、为实现上述目的，本发明提供了如下方案：3、一种网络流量预测方法，包括：4、获取目标场景配电网的历史网络流量数据集；所述历史网络流量数据集为以周为单位的一维时间序列数据集；所述历史网络流量数据集包括目标场景配电网多周的历史网络流量数据；5、对所述历史网络流量数据集进行归一化处理，得到处理后的历史网络流量数据集；6、根据所述处理后的历史网络流量数据集，利用网络流量预测模型，确定所述目标场景配电网预设时段后的网络流量；其中，所述网络流量预测模型是利用训练数据集对lstm模型进行训练，基于“-v距离”对lstm模型的超参数进行优化得到的；所述训练数据集包括训练用配电网的历史网络流量数据和对应的网络流量标签；所述“-v距离”为两向量之间根据物理学引力大小被吸引或排斥后的距离。7、可选地，利用训练数据集对lstm模型进行训练，基于“-v距离”对lstm模型的超参数进行优化，得到网络流量预测模型，具体包括：8、获取训练数据集；9、对训练用配电网的所述历史网络流量数据进行归一化处理，得到训练用配电网的处理后的历史网络流量数据；10、对所述lstm模型进行初始化，得到初始化lstm模型并构建初始三维超参数向量空间；所述初始三维超参数向量空间包括多个初始向量；所述初始向量由所述lstm模型的初始超参数构成；11、基于所述初始化lstm模型和训练用配电网的所述处理后的历史网络流量数据，确定初始化lstm模型的损失函数值；12、确定所述初始三维超参数向量空间中任意两个初始向量的“-v距离”；13、根据所述“-v距离”，预更新所述初始三维超参数向量空间中的初始向量，确定预更新的lstm模型；14、基于所述预更新的lstm模型和训练用配电网的所述处理后的历史网络流量数据，确定预更新的lstm模型的损失函数值；15、根据所述初始化lstm模型的损失函数值和所述预更新的lstm模型的损失函数值，更新所述初始三维超参数向量空间，得到更新后的三维超参数向量空间，并确定更新后的lstm模型；16、基于所述更新后的lstm模型和训练用配电网的所述处理后的历史网络流量数据，确定更新后的lstm模型的损失函数最小值；17、若所述更新后的lstm模型的损失函数最小值与初始化lstm模型的损失函数值的最小值的差值小于预设值，则将所述更新后的lstm模型的损失函数最小值对应的超参数，作为所述lstm模型的最优超参数，得到网络流量预测模型。18、可选地，确定所述初始三维超参数向量空间中任意两个初始向量的“-v距离”，具体包括：19、利用公式确定所述初始三维超参数向量空间中任意两个初始向量的“-v距离”；其中，αi-vαj为初始三维超参数向量空间中初始向量αi和初始向量αj的“-v距离”；αi为初始三维超参数向量空间的第i个向量；αf为初始三维超参数向量空间的第j个向量，j≠i；m为初始三维超参数向量空间内向量的总数；f(αi)表示将初始向量αi对应的学习率、正则化参数值和隐藏层层数代入lstm模型后计算得到的损失函数值；f(αj)表示将初始向量αj对应的学习率、正则化参数值和隐藏层层数代入lstm模型后计算得到的损失函数值；αk为初始三维超参数向量空间的第k个向量；f(αk)表示将初始向量αk对应的学习率、正则化参数值和隐藏层层数代入lstm模型后计算得到的损失函数值；sign()为符号函数；v为三维向量，其元素在集合{1，2}中随机取值，v·αj表示将两向量的对应元素相乘。20、可选地，根据所述“-v距离”，预更新所述初始三维超参数向量空间中的初始向量，具体包括：21、利用公式预更新所述初始三维超参数向量空间中的初始向量；其中，为预更新后的向量；αi为初始三维超参数向量空间的第i个向量；αj为初始三维超参数向量空间的第j个向量，j≠i；m为初始三维超参数向量空间内向量的总数；αi-vαj为初始三维超参数向量空间中初始向量αi和初始向量αj的“-v距离”；rj为0到1之间的随机数。22、可选地，根据所述初始化lstm模型的损失函数值和所述预更新的lstm模型的损失函数值，更新所述初始三维超参数向量空间，具体包括：23、当预更新的lstm模型的损失函数值小于等于初始化lstm模型的损失函数值时，将初始向量更新为预更新后的向量；24、当预更新的lstm模型的损失函数值大于初始化lstm模型的损失函数值时，初始向量不更新。25、一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的网络流量预测方法。26、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的网络流量预测方法。27、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的网络流量预测方法。28、根据本发明提供的具体实施例，本发明公开了以下技术效果：29、本发明提供了一种网络流量预测方法、装置、介质及产品，通过获取目标场景配电网的历史网络流量数据集；对历史网络流量数据集进行归一化处理，得到处理后的历史网络流量数据集；根据处理后的历史网络流量数据集，利用网络流量预测模型，确定目标场景配电网预设时段后的网络流量；其中，网络流量预测模型是利用训练数据集对lstm模型进行训练，基于“-v距离”对lstm模型的超参数进行优化得到的；训练数据集包括训练用配电网的历史网络流量数据和对应的网络流量标签。本发明的网络流量预测方法能够面向配电网不同场景下的网络流量进行预测，利用基于“-v距离”的优化方法对超参数寻优过程进行优化，准确地预测网络流量。