(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211244691.0 (22)申请日 2022.10.12 (71)申请人 南通中泓网络科技有限公司 地址 226000 江苏省南 通市高新区外通掘 路1号 (72)发明人 胡夕国　胡玥　 (74)专利代理 机构 武汉华强专利代理事务所 (普通合伙) 42237 专利代理师 康晨 (51)Int.Cl. H04L 41/147(2022.01) H04L 41/142(2022.01) G06F 17/12(2006.01) G06F 17/16(2006.01) (54)发明名称 一种分布式网络平台的流 量预测方法 (57)摘要 本发明涉及一种分布式网络平台的流量预 测方法， 属于网络流量预测技术领域。 方法包括 以下步骤： 根据低秩矩阵的秩和低秩矩阵中的各 线性无关行向量， 得到各目标候选采样矩阵； 根 据各目标候选采样矩 阵对应的低秩矩 阵中的各 线性无关行向量， 得到各目标候选采样矩阵对应 的相关性特征值； 根据稀疏矩阵， 得到各目标候 选采样矩阵对应的熵值； 根据相关性特征值和熵 值， 得到流量数据序列对应的最佳数据长度； 根 据最佳数据长度对应的各子流量数据序列， 得到 流量预测网络； 将待预测流量数据输入到流量预 测网络中， 得到下一时刻的预测流量数据。 本发 明能降低网络训练时间， 提高流量预测网络的预 测精度。 权利要求书3页 说明书9页 附图1页 CN 115333959 A 2022.11.11 CN 115333959 A 1.一种分布式网络平台的流 量预测方法， 其特 征在于， 该 方法包括如下步骤： 获取目标时间段对应的流 量数据序列； 利用不同的数据长度对所述流量数据序列进行均匀划分， 得到各数据长度对应的各子 流量数据序列； 根据所述各子流量数据序列， 构建得到各数据长度对应的采样矩阵； 对所述 采样矩阵进行分解， 得到所述采样矩阵对应的稀疏矩阵和低秩矩阵； 根据所述低秩矩阵的秩， 得到各候选采样矩阵； 根据所述低秩矩阵中的各线性无关行 向量， 对所述各候选采样矩阵进行筛 选， 得到各目标候选采样矩阵； 根据所述各目标候选采样矩阵对应的低秩矩阵中的各线性无关行向量， 得到各目标候 选采样矩阵对应的相关性特征值； 根据所述稀疏矩阵， 得到各目标候选采样矩阵对应的熵 值； 根据所述相关性特 征值和所述熵值， 得到流 量数据序列对应的最佳 数据长度； 根据所述最佳数据长度对应的各子流量数据序列， 得到流量预测网络； 将待预测流量 数据输入到流 量预测网络中， 得到下一时刻的预测流 量数据。 2.如权利要求1所述的分布式网络平台的流量预测方法， 其特征在于， 所述根据 所述低 秩矩阵的秩， 得到各候选采样矩阵的方法， 包括： 将各数据长度按照从小到大的顺序进行排列， 得到数据长度 序列； 获取所述数据长度 序列对应的各采样矩阵对应的低秩矩阵的秩， 构建得到秩序列； 获取所述秩序列中的最小秩位置； 选取所述秩序列中各最小秩位置左侧的预设个秩以及各最小秩位置右侧的预设个秩； 将所述各最小秩对应的采样矩阵、 各最小秩位置左侧的预设个秩对应的采样矩阵以及各最 小秩位置右侧的预设个 秩对应的采样矩阵记为 候选采样矩阵。 3.如权利要求1所述的分布式网络平台的流量预测方法， 其特征在于， 所述根据 所述低 秩矩阵中的各线性无关行向量， 对所述各候选采样矩阵进行筛选， 得到各目标候选采样矩 阵的方法， 包括： 获取所述各候选采样矩阵对应的低秩矩阵中的各线性无关行向量； 根据所述低秩矩阵中的各线性无关行向量， 构建得到所述低秩矩阵中的各线性无关行 向量对应的各 方程组； 根据所述各线性无关行向量对应的各方程组， 计算得到所述各线性无关行向量对应的 各理想行向量； 根据所述各线性无关行向量与对应的各理想行向量之间的余弦相似度， 得到各候选采 样矩阵对应的低秩矩阵的相关秩； 根据所述相关秩， 对所述各候选采样矩阵进行筛 选， 得到各目标候选采样矩阵。 4.如权利要求3所述的分布式网络平台的流量预测方法， 其特征在于， 得到所述各线性 无关行向量对应的各理想行向量的方法， 包括： 对于任一 候选采样矩阵： 获取得到该候选采样矩阵对应的低秩矩阵中的各线性无关行向量； 若所述各线性无关 行向量分别为线性无关行向量A=[A1  A2 A3]、 线性无关行向量B=[B1  B2 B3]以及线性无关 行向量C=[C1  C2 C3]； 所述A1、 A2、 A 3、 B1、 B2、 B3、 C1、 C2、 C3为该低秩矩阵中线 性无关行向量 中的参数； 对于线性无关行向量A：权　利　要　求　书 1/3 页 2 CN 115333959 A 2根据该低秩矩阵对应的各线性无关行向量， 构建得到线性无关行向量A对应的各方程 组， 分别为线性无关行向量A对应的第一方程组 、 线性无关行向量A对应的 第二方程组 以及线性无关行向量A对应的第三方程组 ； 所述 、 、 为系数； 根据线性无关行向量A对应的第一方程组， 计算得到第一方程组中的系数 的值和系 数 的值； 根据所述系数 的值和系数 的值， 得到线性无关行向量A对应的第一理想值 ； 根据所述第一理想值， 构建得到线性无关行向量A对应的第一理想行向量 ； 根据线性无关行向量A对应的第二方程组， 计算得到第二方程组中的系数 的值和系 数 的值； 根据所述系数 的值和系数 的值， 得到线性无关行向量A对应的第二理想值 ； 根据所述第二理想值， 构建得到线性无关行向量A对应的第二理想行向量 ； 根据线性无关行向量A对应的第三方程组， 计算得到第三方程组中的系数 的值和系 数 的值； 根据所述系数 的值和系数 的值， 得到线性无关行向量A对应的第三理想值 ； 根据所述第三理想值， 构建得到线性无关行向量A对应的第三理想行向量 ； 所述第一理想行向量、 第二理想行向量以及第三理想行向量为线性无关行向量A对应 的理想行向量。 5.如权利要求4所述的分布式网络平台的流量预测方法， 其特征在于， 所述根据 所述各 线性无关行向量与对应的各理想行向量之 间的余弦相似度， 得到各候选采样矩阵对应的低 秩矩阵的相关秩的方法， 包括： 对于任一 候选采样矩阵： 计算该候选采样矩阵对应的低秩矩阵中的各线性无关行向量与对应的各理想行向量 之间的各余弦相似度， 得到线性无关行向量A对应的各余弦相似度、 线性无关行向量B对应权　利　要　求　书 2/3 页 3 CN 115333959 A 3