[发明专利]客户流量的预测、模型训练的方法、设备及存储介质

说明书

本申请提供一种客户流量的预测、模型训练的方法、设备及存储介质，该方法包括：获取第1～M天的客户流量并输入目标栈式降噪自编码器，得到第M+i天的客户流量的中间预测结果，M0，i0；将中间预测结果输入目标极限学习机，得到第M+i天的客户流量的目标预测结果；若目标预测结果满足预设条件，根据预设的处理策略对数据库或服务器处理，预设的处理策略包括将客户流量限制在数据库或服务器的最大承载范围内；目标栈式降噪自编码器是根据客户流量样本训练得到的，用于预测客户流量的中间预测结果的模型；目标极限学习机是根据中间预测结果和标签进行有监督训练得到的，用于预测目标客户流量的模型，标签为第M+i天的实际客户流量。

技术领域

本申请涉及机器学习技术，尤其涉及一种客户流量的预测、模型训练的方法、设备及存储介质。

背景技术

随着计算机和互联网的发展，越来越多的线上系统能够为用户提供线上服务。线上系统通常需要依赖服务器或数据库为用户提供服务，而线上系统的客户流量若出现激增，就会使服务器或数据库存在崩溃风险。

为了降低服务器或数据库的崩溃风险，目前主要通过对客户流量进行预测，从而根据预测结果进行预警，使得运营维护人员提前做好应对措施。目前，主要使用深度网络模型进行客户流量的预测，深度网络模型使用多个反向传播网络堆叠构成。具体的，首先收集客户流量历史数据，对历史数据进行预处理，例如去除异常数据，使用预处理后的客户流量历史数据对神经网络模型进行训练，并利用正向传播所产生的模拟值与目标值为基础，通过不断学习、修正各个网络层之间的权值和阈值使得模拟值与目标值之间的误差达到预设值。

然而，训练过程中的误差可能存在多个局部极小值，若迭代过程中陷入了局部极小值，就会导致权值和阈值调节幅度小，网络收敛速度变慢，进而导致训练得到的模型预测准确度低，为服务器或数据库提供的预警准确度低，导致服务器或数据库崩溃风险的发生率加大。

发明内容

本申请提供一种客户流量的预测、模型训练的方法、设备及存储介质，用以解决训练得到的模型预测准确度低，为服务器或数据库提供的预警准确度低，导致服务器或数据库崩溃风险的发生率加大的问题。

第一方面，本申请提供一种客户流量的预测方法，根据预测模型对客户流量进行预测，所述预测模型包括依次连接的目标栈式降噪自编码器和目标极限学习机，所述方法包括：获取历史客户流量，所述历史客户流量包括第1天至第M天的客户流量，M为大于1的整数；将所述历史客户流量输入目标栈式降噪自编码器，得到中间预测结果，所述中间预测结果为目标栈式降噪自编码器对第M+i天的客户流量的预测结果，i为大于0的整数；将所述中间预测结果输入目标极限学习机，得到目标预测结果，所述目标预测结果为目标极限学习机对第M+i天的客户流量的预测结果；若所述目标预测结果的客户流量满足预设条件，则根据预设的处理策略对数据库或服务器进行处理，所述预设的处理策略包括将客户流量限制在所述数据库或服务器的最大承载范围之内；其中，所述目标栈式降噪自编码器是根据客户流量样本对栈式降噪自编码器进行训练得到的，用于对客户流量的中间预测结果进行预测的模型；所述目标极限学习机是根据所述客户流量的中间预测结果和标签对极限学习机进行有监督训练得到的，用于对所述客户流量的预测结果进行预测的模型，所述标签为第M+i天的实际客户流量。

第二方面，本申请提供一种模型的训练方法，所述模型包括依次连接的目标栈式降噪自编码器和目标极限学习机，所述方法包括：获取客户流量样本和标签，所述客户流量样本包括第1天至第N天的客户流量，所述标签为第N+1天的客户流量，其中，N为大于1的正整数；根据所述客户流量样本对栈式降噪自编码器进行迭代训练，得到目标栈式降噪自编码器，所述目标栈式降噪自编码器的输出为第N+j天的客户流量的预测结果，其中，j为大于0的正整数，且j≤M；根据所述第N+j天的客户流量的预测结果和所述标签对极限学习机进行有监督训练，得到所述目标极限学习机。