本發(fā)明涉及數(shù)據(jù)預(yù)測技術(shù)領(lǐng)域，特別涉及一種網(wǎng)絡(luò)流量峰值的預(yù)測方法及裝置。

背景技術(shù)：

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，人們越來越多的利用網(wǎng)絡(luò)觀看電視劇或者綜藝節(jié)目。當(dāng)新電視劇劇集或者新一期綜藝節(jié)目上線后，在一段時間內(nèi)，針對新電視劇劇集或者新一期綜藝節(jié)目的點擊量會增加到一個峰值，對應(yīng)的網(wǎng)絡(luò)流量數(shù)據(jù)就達到了一個峰值，然后隨著時間的推進，點擊量逐漸下降。如果網(wǎng)絡(luò)流量數(shù)據(jù)超出服務(wù)器的最大工作能力，會導(dǎo)致部分用戶無法訪問或者服務(wù)器超負荷運轉(zhuǎn)，因此對網(wǎng)絡(luò)流量數(shù)據(jù)的峰值進行預(yù)測是非常必要的。

目前網(wǎng)絡(luò)流量峰值預(yù)測的常用方法為時間序列分析法，這類方法是根據(jù)一段時間周期內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)的歷史數(shù)據(jù)隨著時間的變化關(guān)系進行未來數(shù)據(jù)的計算和預(yù)測。而時間序列分析法只能對確定性的事件進行預(yù)測，即應(yīng)用時間序列分析法的前提條件是網(wǎng)絡(luò)流量數(shù)據(jù)的變化趨勢必然會延續(xù)到未來數(shù)據(jù)采集周期內(nèi)。而且在實際應(yīng)用中，網(wǎng)絡(luò)流量數(shù)據(jù)的變化過程不只是與時間相關(guān)，還有可能與時間之外的一些因素相關(guān)，比如影視內(nèi)容等一些不規(guī)則因素，因此，網(wǎng)絡(luò)流量數(shù)據(jù)的變化過程具有一定的概率學(xué)上的隨機性。

由于時間序列分析法只能對確定性的變化趨勢進行預(yù)測，而無法對未來數(shù)據(jù)采集周期內(nèi)網(wǎng)絡(luò)流量數(shù)據(jù)的隨機性變化進行概率上的描述，進而應(yīng)用現(xiàn)有技術(shù)對未來網(wǎng)絡(luò)流量數(shù)據(jù)的峰值預(yù)測的準確度較低。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的在于提供一種網(wǎng)絡(luò)流量峰值的預(yù)測方法及裝置，以提高網(wǎng)絡(luò)流量峰值預(yù)測的準確度。

為達到上述目的，本發(fā)明實施例公開了一種網(wǎng)絡(luò)流量峰值的預(yù)測方法，所述方法包括：

采集當(dāng)前數(shù)據(jù)采集周期內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)；

確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布；

針對所確定的概率分布中的每一概率分布，估計該概率分布的參數(shù)；

根據(jù)該概率分布以及該概率分布的參數(shù)，確定針對所述網(wǎng)絡(luò)流量數(shù)據(jù)的概率密度函數(shù)；

確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)；

利用所述擬合優(yōu)度最高的概率密度函數(shù)預(yù)測下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值。

較佳的，在所述確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布之前，所述方法還包括：

修正所述網(wǎng)絡(luò)流量數(shù)據(jù)中的異常數(shù)據(jù)；

所述確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布，包括：

確定修正異常數(shù)據(jù)后的網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布。

較佳的，所述確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布，包括：

針對所述網(wǎng)絡(luò)流量數(shù)據(jù)，利用至少一種連續(xù)性隨機概率分布進行擬合，得到每一種連續(xù)性隨機概率分布對應(yīng)的擬合結(jié)果；

確定每一擬合結(jié)果服從的概率分布。

較佳的，所述針對所確定的概率分布中的每一概率分布，估計該概率分布的參數(shù)，包括：

針對所確定的概率分布中的每一概率分布，利用馬爾科夫蒙特卡洛方法估計該概率分布的參數(shù)。

較佳的，所述針對所確定的概率分布中的每一概率分布，利用馬爾科夫蒙特卡洛方法估計該概率分布的參數(shù)，包括：

針對所確定的概率分布中的每一概率分布，根據(jù)該概率分布對應(yīng)的先驗共軛概率分布的參數(shù)，確定與所述先驗共軛概率分布對應(yīng)的似然函數(shù)表達式；

根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)；

判斷所述后驗概率分布的參數(shù)相對于所述先驗共軛概率分布的參數(shù)的改變量是否小于預(yù)設(shè)閾值；

若是，將所述后驗概率分布的參數(shù)確定為所述概率分布的參數(shù)；

若否，將所述先驗共軛概率分布的參數(shù)更改為當(dāng)前所述后驗概率分布的參數(shù)，繼續(xù)執(zhí)行所述根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)的操作步驟。

較佳的，所述確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)，包括：

利用卡方檢測法，確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

為達到上述目的，本發(fā)明實施例還提供了一種網(wǎng)絡(luò)流量峰值的預(yù)測裝置，所述裝置包括：采集模塊、第一確定模塊、估計模塊、第二確定模塊、第三確定模塊和預(yù)測模塊，其中，

所述采集模塊，用于采集當(dāng)前數(shù)據(jù)采集周期內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)；

所述第一確定模塊，用于確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布；

所述估計模塊，用于針對所確定的概率分布中的每一概率分布，估計該概率分布的參數(shù)；

所述第二確定模塊，用于根據(jù)該概率分布以及該概率分布的參數(shù)，確定針對所述網(wǎng)絡(luò)流量數(shù)據(jù)的概率密度函數(shù)；

所述第三確定模塊，用于確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)；

所述預(yù)測模塊，用于利用所述擬合優(yōu)度最高的概率密度函數(shù)預(yù)測下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值。

較佳的，所述裝置還包括修正模塊，用于修正所述網(wǎng)絡(luò)流量數(shù)據(jù)中的異常數(shù)據(jù)；

所述第一確定模塊，具體用于：

確定修正異常數(shù)據(jù)后的網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布。

較佳的，所述第一確定模塊，具體用于：

針對所述網(wǎng)絡(luò)流量數(shù)據(jù)，利用至少一種連續(xù)性隨機概率分布進行擬合，得到每一種連續(xù)性隨機概率分布對應(yīng)的擬合結(jié)果；

確定每一擬合結(jié)果服從的概率分布。

較佳的，所述估計模塊，具體用于：

針對所確定的概率分布中的每一概率分布，利用馬爾科夫蒙特卡洛方法估計該概率分布的參數(shù)。

較佳的，所述估計模塊，具體用于：

針對所確定的概率分布中的每一概率分布，根據(jù)該概率分布對應(yīng)的先驗共軛概率分布的參數(shù)，確定與所述先驗共軛概率分布對應(yīng)的似然函數(shù)表達式；

根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)；

判斷所述后驗概率分布的參數(shù)相對于所述先驗共軛概率分布的參數(shù)的改變量是否小于預(yù)設(shè)閾值；

若是，將所述后驗概率分布的參數(shù)確定為所述概率分布的參數(shù)；

若否，將所述先驗共軛概率分布的參數(shù)更改為當(dāng)前所述后驗概率分布的參數(shù)，繼續(xù)執(zhí)行所述根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)的操作步驟。

較佳的，所述第三確定模塊，具體用于：

利用卡方檢測法，確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

本發(fā)明實施例提供了一種網(wǎng)絡(luò)流量峰值的預(yù)測方法及裝置，所述方法包括：采集當(dāng)前數(shù)據(jù)采集周期內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)；確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布；針對所確定的概率分布中的每一概率分布，估計該概率分布的參數(shù)；根據(jù)該概率分布以及該概率分布的參數(shù)，確定針對所述網(wǎng)絡(luò)流量數(shù)據(jù)的概率密度函數(shù)；確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)；利用所述擬合優(yōu)度最高的概率密度函數(shù)預(yù)測下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值。

應(yīng)用本發(fā)明實施例，對下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量數(shù)據(jù)進行了概率上的描述，相對于現(xiàn)有技術(shù)無法對未來數(shù)據(jù)采集周期內(nèi)網(wǎng)絡(luò)流量數(shù)據(jù)的變化進行概率上的描述，提高了網(wǎng)絡(luò)流量峰值預(yù)測的準確度。

當(dāng)然，實施本發(fā)明的任一產(chǎn)品或方法必不一定需要同時達到以上所述的所有優(yōu)點。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種網(wǎng)絡(luò)流量峰值的預(yù)測方法的流程示意圖；

圖2為本發(fā)明實施例提供的擬合占比序列中的數(shù)據(jù)的結(jié)果示意圖；

圖3為本發(fā)明實施例提供的另一種網(wǎng)絡(luò)流量峰值的預(yù)測方法的流程示意圖；

圖4為本發(fā)明實施例提供的一種網(wǎng)絡(luò)流量峰值的預(yù)測裝置的結(jié)構(gòu)示意圖；

圖5為本發(fā)明實施例提供的另一種網(wǎng)絡(luò)流量峰值的預(yù)測裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為解決現(xiàn)有技術(shù)問題，本發(fā)明實施例提供了一種網(wǎng)絡(luò)流量峰值的預(yù)測方法及裝置，下面首先就一種網(wǎng)絡(luò)流量峰值的預(yù)測方法進行介紹。

圖1為本發(fā)明實施例提供的一種網(wǎng)絡(luò)流量峰值的預(yù)測方法的流程示意圖，可以包括：

S101：采集當(dāng)前數(shù)據(jù)采集周期內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)。

通常情況下，本發(fā)明實施例可以應(yīng)用于綜藝節(jié)目、電視劇等連播劇集的網(wǎng)絡(luò)流量峰值的預(yù)測。

需要說明的是，網(wǎng)絡(luò)流量為用戶針對該連播劇集的訪問量。

具體的，假設(shè)第3集電視劇上線時刻為21:00，采集(20:30，24:00)時間段內(nèi)的訪問量，其中，(20:30，24:00)時間段為當(dāng)前數(shù)據(jù)采集周期。

通常情況下，可以按照每5秒但不僅限于每5秒一個步長，將(20:30，24:00)時間段劃分為2520個子周期，將每一子周期內(nèi)的訪問量之和確定為當(dāng)前子周期的訪問量，以此類推，對(20:30，24:00)時間段內(nèi)的用戶訪問量進行處理，就形成了2520個數(shù)據(jù)點，其中，每一數(shù)據(jù)點對應(yīng)一個子周期和該子周期內(nèi)的用戶訪問量的和。

還可以將(20:30，24:00)時間段按照每5秒一個步長劃分為2520個子周期，根據(jù)每一子周期的開始時刻的用戶訪問量和該時刻值確定2520個數(shù)據(jù)點，還可以根據(jù)每一子周期的結(jié)束時刻的用戶訪問量和該時刻值確定2520個數(shù)據(jù)點。

在實際應(yīng)用中，還需要對在(20:30，24:00)時間段內(nèi)確定出的2520個數(shù)據(jù)點對應(yīng)的用戶訪問量進行歸一化處理，即確定出每一子周期對應(yīng)的用戶訪問量占當(dāng)前數(shù)據(jù)采集周期內(nèi)總用戶訪問量的比值，其中，歸一化采用的公式為：

$Y\left(t\right)=\frac{X\left(t\right)}{{\mathrm{\Σ}}_1^{2520}X\left(t\right)}$

其中，Y(t)為每一子周期對應(yīng)的用戶訪問量占當(dāng)前數(shù)據(jù)采集周期內(nèi)總用戶訪問量的比值的序列，也可以稱之為占比序列；X(t)為每一子周期對應(yīng)的用戶訪問量；t＝1,2，…，2520。

例如，確定出的占比序列為Y(t)，t＝1,2，…，2520。

在實際應(yīng)用中，當(dāng)前數(shù)據(jù)采集周期可以包含針對至少一集電視劇或者綜藝節(jié)目的網(wǎng)絡(luò)流量數(shù)據(jù)。

S102：確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布。

具體的，可以針對所述網(wǎng)絡(luò)流量數(shù)據(jù)，利用至少一種連續(xù)性隨機概率分布進行擬合，得到每一種連續(xù)性隨機概率分布對應(yīng)的擬合結(jié)果；確定每一擬合結(jié)果服從的概率分布。

在實際應(yīng)用中，根據(jù)占比序列Y(t)對應(yīng)的時刻建立一個以時間為橫軸，以Y(t)中的比值為縱軸的坐標系。

可以根據(jù)坐標系中的峰值和波峰的形狀的不同選擇至少一種連續(xù)形概率分布進行擬合，其中，選擇的每一種連續(xù)形概率分布要盡可能多的擬合占比序列Y(t)中的比值。

需要說明的是，連續(xù)形概率分布包括但不限于截斷的高斯正態(tài)分布、伽馬分布和指數(shù)修正的混合高斯分布。

一般來說，網(wǎng)絡(luò)流量數(shù)據(jù)的峰值的到達有左偏的趨勢，即網(wǎng)絡(luò)新內(nèi)容上線后，短期內(nèi)大量的訪問涌入產(chǎn)生點擊和網(wǎng)絡(luò)流量，之后的到達強度在一定時間段內(nèi)發(fā)生衰減，因此，擬合網(wǎng)絡(luò)流量選取左偏的連續(xù)性概率分布更為適合。

假設(shè)針對占比序列Y(t)擬合的概率分布服從截斷的高斯正態(tài)分布。

圖2為應(yīng)用本發(fā)明實施例得到的對占比序列中的數(shù)據(jù)進行擬合的結(jié)果示意圖，如圖2所示，橫軸對應(yīng)的是占比序列Y(t)中數(shù)據(jù)對應(yīng)的子周期，縱軸為占比序列Y(t)中數(shù)據(jù)的大小，實線對應(yīng)占比序列Y(t)中的數(shù)據(jù)，虛線對應(yīng)的是擬合的結(jié)果。

通常情況下，連續(xù)性概率分布也可以稱為概率分布。

S103：針對所確定的概率分布中的每一概率分布，估計該概率分布的參數(shù)。

具體的，可以針對所確定的概率分布中的每一概率分布，利用馬爾科夫蒙特卡洛方法估計該概率分布的參數(shù)。

具體的，可以針對所確定的概率分布中的每一概率分布，根據(jù)該概率分布對應(yīng)的先驗共軛概率分布的參數(shù)，確定與所述先驗共軛概率分布對應(yīng)的似然函數(shù)表達式；根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)；判斷所述后驗概率分布的參數(shù)相對于所述先驗共軛概率分布的參數(shù)的改變量是否小于預(yù)設(shè)閾值；若是，將所述后驗概率分布的參數(shù)確定為所述概率分布的參數(shù)；若否，將所述先驗共軛概率分布的參數(shù)更改為當(dāng)前所述后驗概率分布的參數(shù)，繼續(xù)執(zhí)行所述根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)的操作步驟。

在實際應(yīng)用中，截斷的高斯正態(tài)分布的參數(shù)包括方差σ²和期望參數(shù)μ，可以首先固定方差σ²，估計期望參數(shù)μ。

假設(shè)期望參數(shù)μ的先驗共軛概率分布也為正態(tài)分布，即，μ_prior＝N(μ₀,σ²)，初始化參數(shù)為但不僅限于μ₀＝０，

再確定出與期望參數(shù)μ的先驗共軛概率分布對應(yīng)的似然函數(shù)表達式，其中似然函數(shù)的表達式為截斷的正態(tài)分布的概率密度表達式。

利用貝葉斯公式posterior∝prior×likehood計算出期望參數(shù)μ的后驗概率分布，后驗概率分布也為截斷的高斯正態(tài)分布，其中，

posterior為后驗概率分布；prior為先驗共軛概率分布；likehood為似然概率。

利用公式根據(jù)μ的先驗概率分布的參數(shù)，更新期望參數(shù)μ的后驗概率分布的參數(shù)，其中，

μ_posterior為后驗概率分布的參數(shù)；N()為正態(tài)分布函數(shù)；為Y(t)中所有比值的平均值；σ²為固定的方差；μ₀為先驗共軛概率分布對應(yīng)的期望參數(shù)的初始值；為方差的初始值。

假設(shè)計算期望參數(shù)μ的后驗概率分布的參數(shù)為0.8。

判斷后驗概率分布的參數(shù)相對于先驗概率分布的參數(shù)改變量大于預(yù)設(shè)閾值5％，則認為期望參數(shù)μ的馬爾科夫鏈是不收斂的。假設(shè)0.8與先驗概率分布的差值小于預(yù)設(shè)閾值5％，則認為期望參數(shù)μ的馬爾科夫鏈是收斂的。

再以當(dāng)前期望參數(shù)μ的后驗概率分布的參數(shù)0.8，估計方差σ²的后驗概率分布的參數(shù)。

假設(shè)方差σ²的先驗共軛概率分布為逆伽馬分布，即初始化參數(shù)為但不僅限于α₀＝0,β₀＝1。

再確定出與方差σ²的先驗共軛概率分布對應(yīng)的似然函數(shù)表達式。

再利用貝葉斯公式posterior∝prior×likehood計算出方差σ²的后驗概率分布，后驗概率分布也為逆伽馬分布，其中，

posterior為后驗概率分布；prior為先驗共軛概率分布；likehood為似然概率。

利用公式根據(jù)方差σ²的先驗共軛概率分布的參數(shù)，更新方差σ²的后驗概率分布的參數(shù)，其中，

為后驗概率分布的參數(shù)；IG()為逆伽馬分布函數(shù)；α₀為逆伽馬分布的形狀參數(shù)；β₀為逆伽馬分布的尺寸參數(shù)；n為當(dāng)前數(shù)據(jù)采集周期內(nèi)采集的數(shù)據(jù)點的個數(shù)；X_i為第i個數(shù)據(jù)點對應(yīng)的Y(t)中的比值；μ為固定的期望參數(shù)0.8。

假設(shè)計算方差σ²的后驗概率分布的參數(shù)為0.5。

將方差σ²的后驗概率分布的參數(shù)0.5，期望μ的后驗概率分布的參數(shù)0.8作為初始值，更新占比序列Y(t)服從截斷的高斯正態(tài)分布的參數(shù)期望μ。

需要強調(diào)的是，可以在期望μ收斂后，僅繼續(xù)估計方差σ²的后驗概率分布的參數(shù)；也可以在期望μ收斂的情況下，繼續(xù)估計期望μ和方差σ²的后驗概率分布的參數(shù)。

S104：根據(jù)該概率分布以及該概率分布的參數(shù)，確定針對所述網(wǎng)絡(luò)流量數(shù)據(jù)的概率密度函數(shù)。

假設(shè)S102中確定出了網(wǎng)絡(luò)流量數(shù)據(jù)服從的n個概率分布，根據(jù)S103步驟中估計出來的概率分布的參數(shù)，確定針對每一概率分布的概率密度函數(shù)，假設(shè)確定出來的概率密度函數(shù)的表達式分別為f_i(t)，i＝1,2，…，n。

S105：確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

具體的，可以利用卡方檢測法，確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

利用卡方檢測法，確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)，可以計算每一概率密度函數(shù)的卡方值，比較每一概率密度函數(shù)的卡方值與其對應(yīng)的卡方統(tǒng)計量，將卡方值小于卡方統(tǒng)計量的概率密度函數(shù)確定為通過卡方檢測的概率密度函數(shù)，將通過卡方檢測的概率密度函數(shù)中最小卡方值對應(yīng)的概率密度函數(shù)，確定為和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)(即將卡方值小于卡方統(tǒng)計量的概率密度函數(shù)中最小卡方值對應(yīng)的概率密度函數(shù)，確定為和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

具體的，在實際應(yīng)用中，還可以不利用卡方檢測法，確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)，比如計算每一概率密度函數(shù)的卡方值，將最小卡方值對應(yīng)的概率密度函數(shù)，確定為和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

在實際應(yīng)用中，利用公式i＝1,2,...,n計算每個概率密度函數(shù)f_i(t)的卡方值，其中，

χ²為第i個概率密度函數(shù)f_i(t)的卡方值；N為在當(dāng)前周期內(nèi)的網(wǎng)絡(luò)流量的和；f_i(t)為擬合的概率密度函數(shù)；Y(t)為每一子周期對應(yīng)的用戶訪問量占當(dāng)前數(shù)據(jù)采集周期內(nèi)總用戶訪問量的比值的序列。

再利用公式df＝n-p-1，確定網(wǎng)絡(luò)流量數(shù)據(jù)服從的每一概率分布對應(yīng)的卡方檢測的計算自由度，其中，

df為計算自由度，p為針對確定出的每一概率分布對應(yīng)的估計的參數(shù)的個數(shù)。

查詢在計算自由度和預(yù)設(shè)p-value(假定值)條件下的卡方統(tǒng)計量chi-value。

假設(shè)擬合出來的概率密度函數(shù)為f₁(t)、f₂(t)、f₃(t)、f₄(t)、f₅(t)和f₆(t)，利用公式i＝1,2,...,n確定出來的卡方值分別為5、7、10、16、8和21，每一概率密度函數(shù)對應(yīng)的卡方統(tǒng)計量分別為7、9、8、13、15和13。顯然，f₁(t)、f₂(t)和f₅(t)的卡方值小于其對應(yīng)的卡方統(tǒng)計量，即概率密度函數(shù)f₁(t)、f₂(t)和f₅(t)通過了卡方檢測，其中，概率密度函數(shù)f₁(t)的卡方值最小，將概率密度函數(shù)f₁(t)確定為和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

還可以不利用卡方檢測法，確定出概率密度函數(shù)f₁(t)的卡方值最小，將概率密度函數(shù)f₁(t)確定為和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

S106：利用所述擬合優(yōu)度最高的概率密度函數(shù)預(yù)測下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值。

具體的，利用S105步驟中確定出來的擬合優(yōu)度最高的概率密度函數(shù)f₂(t)，預(yù)測下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值。

假設(shè)當(dāng)前數(shù)據(jù)采集周期內(nèi)，概率密度函數(shù)的峰值位于第1000個子周期處，且在該處的密度函數(shù)的峰值為max(t)。

在實際應(yīng)用中，先利用f₂(t)預(yù)測下一數(shù)據(jù)采集周期的總網(wǎng)絡(luò)流量，假設(shè)預(yù)測的總網(wǎng)絡(luò)流量為N′，下一數(shù)據(jù)采集周期的總網(wǎng)絡(luò)流量可以與當(dāng)前數(shù)據(jù)采集周期的總網(wǎng)絡(luò)流量相同。

再利用公式pk(t)＝N′×max(t)確定出下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值，其中，

pk(t)為下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值；N′為下一數(shù)據(jù)采集周期的總網(wǎng)絡(luò)流量；max(t)為當(dāng)前數(shù)據(jù)采集周期的概率密度峰值。

在下一數(shù)據(jù)采集周期內(nèi)，網(wǎng)絡(luò)流量峰值到達的時間可以與當(dāng)前數(shù)據(jù)采集周期內(nèi)網(wǎng)絡(luò)流量峰值到達的時間相同。

應(yīng)用本發(fā)明實施例，對下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量數(shù)據(jù)進行了概率上的描述，相對于現(xiàn)有技術(shù)無法對未來數(shù)據(jù)采集周期內(nèi)網(wǎng)絡(luò)流量數(shù)據(jù)的變化進行概率上的描述，提高了網(wǎng)絡(luò)流量峰值預(yù)測的準確度。

圖3為本發(fā)明實施例提供的另一種網(wǎng)絡(luò)流量峰值的預(yù)測方法的流程示意圖。圖3所示實施例在圖1所示實施例的基礎(chǔ)上，在S102之前，增加了S107：修正所述網(wǎng)絡(luò)流量數(shù)據(jù)中的異常數(shù)據(jù)，本發(fā)明實施例的S102具體可以為S102A：確定修正異常數(shù)據(jù)后的網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布。

具體的，利用公式修正當(dāng)前數(shù)據(jù)采集周期內(nèi)采集到的數(shù)據(jù)異常點，其中，

X′(t_k)為第t_k個子周期時，修正后的用戶訪問量的值；t_k為數(shù)據(jù)異常點對應(yīng)的子周期；t_i為數(shù)據(jù)異常點所在的時間段的開始時間，t_j為數(shù)據(jù)異常點所在的時間段的結(jié)束時間。

應(yīng)用本發(fā)明圖3所示實施例，修正了所述網(wǎng)絡(luò)流量數(shù)據(jù)中的異常數(shù)據(jù)，提高了概率分布的擬合的精度，進而提高了預(yù)測的準確度。

與上述方法相對應(yīng)，本發(fā)明實施例還提供了一種網(wǎng)絡(luò)流量峰值的預(yù)測裝置。

圖4為本發(fā)明實施例提供的一種網(wǎng)絡(luò)流量峰值的預(yù)測裝置的結(jié)構(gòu)示意圖，可以包括：采集模塊301、第一確定模塊302、估計模塊303、第二確定模塊304、第三確定模塊305和預(yù)測模塊306，其中，

采集模塊301，用于采集當(dāng)前數(shù)據(jù)采集周期內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)。

第一確定模塊302，用于確定所述網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布。

具體的，第一確定模塊302，具體用于：

針對所述網(wǎng)絡(luò)流量數(shù)據(jù)，利用至少一種連續(xù)性隨機概率分布進行擬合，得到每一種連續(xù)性隨機概率分布對應(yīng)的擬合結(jié)果；

確定每一擬合結(jié)果服從的概率分布。

估計模塊303，用于針對所確定的概率分布中的每一概率分布，估計該概率分布的參數(shù)。

具體的，估計模塊303，具體用于：

針對所確定的概率分布中的每一概率分布，利用馬爾科夫蒙特卡洛方法估計該概率分布的參數(shù)。

在實際應(yīng)用中，估計模塊303，具體用于：

針對所確定的概率分布中的每一概率分布，根據(jù)該概率分布對應(yīng)的先驗共軛概率分布的參數(shù)，確定與所述先驗共軛概率分布對應(yīng)的似然函數(shù)表達式；

根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)；

判斷所述后驗概率分布的參數(shù)相對于所述先驗共軛概率分布的參數(shù)的改變量是否小于預(yù)設(shè)閾值；

若是，將所述后驗概率分布的參數(shù)確定為所述概率分布的參數(shù)；

若否，將所述先驗共軛概率分布的參數(shù)更改為當(dāng)前所述后驗概率分布的參數(shù)，繼續(xù)執(zhí)行所述根據(jù)所述似然函數(shù)表達式以及所述先驗共軛概率分布的參數(shù)，利用貝葉斯公式計算該概率分布的后驗概率分布的參數(shù)的操作步驟。

第二確定模塊304，用于根據(jù)該概率分布以及該概率分布的參數(shù)，確定針對所述網(wǎng)絡(luò)流量數(shù)據(jù)的概率密度函數(shù)；

具體的，第三確定模塊305，用于確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)；

第三確定模塊305，具體用于：

利用卡方檢測法，確定和所述網(wǎng)絡(luò)流量數(shù)據(jù)的擬合優(yōu)度最高的概率密度函數(shù)。

預(yù)測模塊306，用于利用所述擬合優(yōu)度最高的概率密度函數(shù)預(yù)測下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量峰值。

應(yīng)用本發(fā)明實施例，對下一數(shù)據(jù)采集周期的網(wǎng)絡(luò)流量數(shù)據(jù)進行了概率上的描述，相對于現(xiàn)有技術(shù)無法對未來數(shù)據(jù)采集周期內(nèi)網(wǎng)絡(luò)流量數(shù)據(jù)的變化進行概率上的描述，提高了網(wǎng)絡(luò)流量峰值預(yù)測的準確度。

圖5為本發(fā)明實施例提供的另一種網(wǎng)絡(luò)流量峰值的預(yù)測裝置的結(jié)構(gòu)示意圖。本發(fā)明圖5所示實施例在圖4所示實施例的基礎(chǔ)上，增加了修正模塊307，用于修正所述網(wǎng)絡(luò)流量數(shù)據(jù)中的異常數(shù)據(jù).

在實際應(yīng)用中，第一確定模塊302，具體用于：

確定修正異常數(shù)據(jù)后的網(wǎng)絡(luò)流量數(shù)據(jù)服從的至少一個概率分布。

應(yīng)用本發(fā)明圖5所示實施例，修正所述網(wǎng)絡(luò)流量數(shù)據(jù)中的異常數(shù)據(jù)，提高了概率分布的擬合的精度，進而提高了預(yù)測的準確度。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關(guān)的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于裝置實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述方法實施方式中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲于計算機可讀取存儲介質(zhì)中，這里所稱得的存儲介質(zhì)，如：ROM/RAM、磁碟、光盤等。

以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內(nèi)。