[发明专利]预测方法、装置、电子设备以及计算机可读存储介质

说明书

本申请实施例提供了一种预测方法、装置、电子设备以及计算机可读存储介质，包括：根据时间序列预测模型对平稳化的历史时间序列进行处理，得到拟合时间序列和初级预测值；计算历史时间序列与拟合时间序列的差，得到第一残差序列；利用记忆网络模型对第一残差序列进行处理，得到次级预测值；根据初级预测值以及次级预测值确定最终预测值。本申请实施例先利用时间序列预测模型得到初级预测值以及残差序列，然后再利用记忆网络模型对残差序列进行预测得到次级预测值，然后根据初级预测值以及次级预测值确定最终预测值，该方式使得时间序列的预测准确性得到优化，与现有技术相比，使得时间序列如网络带宽使用率的预测准确性得到提高。

技术领域

本申请涉及预测或优化技术领域，具体而言，涉及一种预测方法、装置、电子设备以及计算机可读存储介质。

背景技术

近年来，随着科技的进步，人们开始追求更加智能和便捷的生活，越来越多的业务和应用被搬到网络上，因此网络链路承载的流量越来越大。

当网络链路承载的流量超过或达到用户设置的带宽时，就容易造成网络拥堵或丢包，从而影响用户的工作效率和使用体验。因此，需要对用户的网络带宽使用率进行预测。对用户的网络带宽使用率进行预测时，通常是对过去一年或更长时间用户的网络带宽使用率进行分析，从而预测用户接下来一季度或半年的带宽使用率，如果预测出的带宽使用率超过或达到阈值，终端设备可提示用户及时扩容。

现有技术中，对用户的网络带宽使用率进行预测时，往往通过回归分析的方式进行，现有技术对网络带宽使用率预测的准确性相对较低。

发明内容

有鉴于此，本申请实施例提供了一种预测方法、装置、电子设备以及计算机可读存储介质，用以改善现有技术中对网络带宽使用率预测的准确性相对较低的问题。

第一方面，本申请实施例提供了一种预测方法，所述方法包括：根据时间序列预测模型对平稳化的历史时间序列进行处理，得到拟合时间序列和初级预测值，其中所述拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列；计算所述历史时间序列与所述拟合时间序列的差，得到第一残差序列；利用记忆网络模型对所述第一残差序列进行处理，得到次级预测值；根据所述初级预测值以及所述次级预测值确定最终预测值。

本申请实施例将时间序列预测模型与记忆网络模型配合起来使用，先利用时间序列预测模型得到初级预测值以及残差序列，然后再利用记忆网络模型对残差序列进行预测得到次级预测值，然后根据初级预测值以及次级预测值确定最终预测值，该方式使得时间序列的预测准确性得到优化，与现有技术相比，使得时间序列如网络带宽使用率的预测准确性得到提高。

在一个可能的设计中，所述根据时间序列预测模型对平稳化的历史时间序列进行处理，得到拟合时间序列和初级预测值，包括：根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理，获得所述历史时间序列对应的拟合时间序列以及初级预测值，其中，所述ARIMA模型根据训练时间序列训练得到；所述利用记忆网络模型对所述第一残差序列进行处理，得到次级预测值，包括：根据门控循环单元GRU模型对所述第一残差序列进行处理，获得次级预测值，其中，所述GRU模型根据预设残差序列训练得到，所述预设残差序列与所述ARIMA模型对所述训练时间序列处理后得到的拟合序列相对应。

本申请实施例将训练完成的ARIMA模型与训练完成的GRU模型配合起来使用，先利用ARIMA模型得到初级预测值以及残差序列，然后再利用GRU模型对残差序列进行预测得到次级预测值，该方式使得时间序列的预测准确性得到优化，与现有技术相比，使得时间序列如网络带宽使用率的预测准确性得到提高。

在一个可能的设计中，在根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理，获得所述历史时间序列对应的拟合时间序列以及初级预测值之前，所述方法还包括：对原始时间序列进行d次差分运算处理，得到平稳化的历史时间序列，d为所述ARIMA模型中的参数，取值为使训练时间序列平稳而进行的差分运算的次数，d取正整数。