本公开涉及人工智能，尤其涉及一种ip承载网的流量预测方法及装置、电子设备和存储介质。
背景技术：
1、移动通信ip承载网络在满足不断增长的流量承载需求及保障服务质量的同时还需要控制网络的建设及运营成本。因此需要对ip承载网未来的流量进行预测，并根据预测结果和业务需求进行扩容。
2、一般来说，节假日期间流量比平时的要偏大，满足节假日期间的流量承载需求，也就能满足平时的流量承载需求，因此业务的需求主要是对节假日的流量进行预测。由于扩容的实施需要时间来完成，因此一般节假日需要提前进行预测。
3、ip承载网是一个统称，其中包括不同地市、不同层级的大量链路组，链路组之间的流量存在部分相关关系或相互独立。ip承载网流量预测的需求表述为：基于有限的历史网络流量数据，对ip承载网中各个链路组进行较长时间跨度的流量预测。
4、相关技术中，流量预测的主要困难在于影响因素较多、用于预测的历史数据偏少、同时又需要进行较长时间跨度的预测，导致预测准确性难以保证。
技术实现思路
1、本公开提供一种ip承载网的流量预测方法及装置、电子设备和存储介质，以至少解决相关技术中在大量链路组、历史数据量少、预测时间跨度长的场景下预测结果准确性难以保证的技术问题。本公开的技术方案如下：
2、根据本公开实施例的第一方面，提供一种ip承载网的流量预测方法，包括：
3、获取链路组的流量历史数据；
4、根据链路组的流量历史数据以及ip承载网的多个链路组的流量历史数据，生成链路组的天粒度预测模型和周粒度预测模型；
5、获取链路组的待预测流量数据，并基于待预测流量数据分别使用天粒度预测模型和周粒度预测模型进行流量预测，得到天粒度模型预测结果和周粒度模型预测结果；
6、将天粒度模型预测结果和周粒度模型预测结果进行融合，生成链路组的流量预测结果。
7、可选的，根据链路组的流量历史数据以及ip承载网的多个链路组的流量历史数据，生成链路组的天粒度预测模型和周粒度预测模型，包括：
8、根据ip承载网的多个链路组的流量历史数据对预设的多个算法进行全局静态优选处理，得到多个算法在全部链路组上全局最优的超参数组合；
9、根据链路组的流量历史数据和多个算法的全局最优超参数组合进行动态优选，生成天粒度预测模型。
10、可选的，根据ip承载网的多个链路组的流量历史数据对预设的多个算法进行全局静态优选处理，得到多个算法在全部链路组上全局最优的超参数组合，包括：
11、分别定义多个算法的超参数空间，分别在多个算法的超参数空间中选择超参数根据多个链路组的流量历史数据进行训练验证，并通过分别遍历多个算法的超参数空间中的超参数，得到多个算法在全部链路组上全局最优的超参数组合。
12、可选的，分别在多个算法的超参数空间中选择超参数根据多个链路组的流量历史数据进行训练验证，并通过分别遍历多个算法的超参数空间中的超参数，得到多个算法在全部链路组上全局最优的超参数组合，包括：
13、在多个算法中选定任意一个算法，并在选定算法的超参数空间中选择超参数组合；
14、根据多个链路组的流量历史数据和超参数组合对选定算法进行训练验证，得到在超参数组合下各个链路组训练的模型在验证集上的预测结果集；
15、根据在超参数组合下各个链路组训练的模型在验证集上的预测结果集，计算得到选定算法的超参数组合在全部链路组上的第一评价指标；
16、通过分别遍历多个算法的超参数空间中的超参数进行训练验证，得到每个算法的每个超参数组合在全部链路组上的第一评价指标；
17、根据每个算法的每个超参数组合在全部链路组上的第一评价指标，通过分别选取每个算法的第一评价指标最优对应的超参数组合作为算法在全部链路组上全局最优的超参数组合，得到多个算法在全部链路组上全局最优的超参数组合。
18、可选的，根据多个链路组的流量历史数据和超参数组合对选定算法进行训练验证，得到在超参数组合下各个链路组训练的模型在验证集上的预测结果集，包括：
19、根据多个链路组的流量历史数据获取任意一个链路组的流量历史数据，并对链路组的流量历史数据进行数据清洗，将经过数据清洗的流量历史数据分为训练集和验证集；
20、根据训练集进行特征工程得到输入数据和标签数据，并根据超参数组合、输入数据和标签数据对选定算法进行训练，在验证集上使用训练的模型进行预测，生成训练的模型在验证集上的预测结果集；
21、重新获取其他链路组的流量历史数据进行训练验证，直至完成全部链路组的训练验证，得到在超参数组合下各个链路组训练的模型在验证集上的预测结果集。
22、可选的，根据在超参数组合下各个链路组训练的模型在验证集上的预测结果集，计算得到选定算法的超参数组合在全部链路组上的第一评价指标，包括：
23、根据各个链路组的平均流量大小计算得到各个链路组的权重，并根据各个链路组的权重和在超参数组合下各个链路组训练的模型在验证集上的预测结果集，得到选定算法的超参数组合在全部链路组上的第一评价指标。
24、可选的，根据链路组的流量历史数据和多个算法的全局最优超参数组合进行动态优选，生成天粒度预测模型，包括：
25、对链路组的流量历史数据进行数据清洗，将经过数据清洗的流量历史数据分为训练集和验证集；
26、根据训练集进行特征构建得到流量滞后特征和人工特征，并对人工特征进行分组得到多组人工特征，对多组人工特征进行组合，得到多种特征组合；
27、在多个算法中选定任意一个算法，并在多种特征组合中任意选择一个特征组合，根据选定算法的全局最优超参数组合、流量滞后特征、选定特征组合和验证集对选定算法进行训练验证，生成在选定特征组合下训练的模型在验证集上的第二评价指标；
28、通过遍历多种特征组合对选定算法进行训练验证，得到选定算法在每个特征组合下的第二评价指标；
29、通过遍历多个算法进行特征组合选择和训练验证，得到每个算法在每个特征组合下的第二评价指标；
30、根据每个算法在每个特征组合下的第二评价指标，选取最优的第二评价指标对应的算法和特征组合构建模型，并采用训练集和验证集进行训练，生成天粒度预测模型。
31、可选的，根据选定算法的全局最优超参数组合、流量滞后特征、选定特征组合和验证集对选定算法进行训练验证，生成在选定特征组合下训练的模型在验证集上的第二评价指标，包括：
32、根据选定算法的全局最优超参数组合、流量滞后特征、选定特征组合对选定算法进行训练，并在验证集上使用在选定特征组合下训练的模型进行预测，生成在选定特征组合下训练的模型在验证集上的预测结果集；
33、根据在选定特征组合下训练的模型在验证集上的预测结果集，计算得到在选定特征组合下训练的模型在验证集上的第二评价指标。
34、可选的，根据在选定特征组合下训练的模型在验证集上的预测结果集，计算得到在选定特征组合下训练的模型在验证集上的第二评价指标，包括：
35、根据验证集中各样本与预测时间点之间的间隔计算得到验证集中每个样本的权重，并根据验证集中每个样本的权重和在选定特征组合下训练的模型在验证集上的预测结果集，计算得到在选定特征组合下训练的模型在验证集上的第二评价指标。
36、可选的，将天粒度模型预测结果和周粒度模型预测结果进行融合，生成链路组的流量预测结果，包括：
37、分别获取天粒度预测模型和周粒度预测模型在验证集上的第二评价指标，并根据天粒度预测模型和周粒度预测模型在验证集上的第二评价指标，计算天粒度模型预测结果和周粒度模型预测结果的权重；
38、根据天粒度模型预测结果和周粒度模型预测结果的权重融合天粒度模型预测结果和周粒度模型预测结果，生成链路组的流量预测结果。
39、根据本公开实施例的第二方面，提供一种ip承载网的流量预测装置，包括：
40、获取单元，用于获取链路组的流量历史数据；
41、优选单元，用于根据链路组的流量历史数据以及ip承载网的多个链路组的流量历史数据，生成链路组的天粒度预测模型和周粒度预测模型；
42、预测单元，用于获取链路组的待预测流量数据，并基于待预测流量数据分别使用天粒度预测模型和周粒度预测模型进行流量预测，得到天粒度模型预测结果和周粒度模型预测结果；
43、融合单元，用于将天粒度模型预测结果和周粒度模型预测结果进行融合，生成链路组的流量预测结果。
44、根据本公开实施例的第三方面，提供一种电子设备，包括：
45、处理器；
46、用于存储所述处理器可执行指令的存储器；
47、其中，所述处理器被配置为执行所述指令，以实现前述一方面中任一项所述的ip承载网的流量预测方法。
48、根据本技术的第四方面，提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述一方面中任一项所述的ip承载网的流量预测方法。
49、根据本技术的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述一方面中任一项所述的方法。
50、综上，本公开实施例提供的方法，通过静态优选以及动态优选两个阶段对多个算法进行优选，根据评价指标在验证集上选出最好的算法，通过相同的优选过程筛选出不同的时间粒度模型算法，之后将不同时间粒度的模型按权重进行融合，提高模型输出的稳定性，通过使用训练出的不同粒度的预测模型进行流量预测，并将预测结果按照权重进行融合，有效实现流量的准确预测。
51、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
1.一种ip承载网的流量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述链路组的流量历史数据以及ip承载网的多个链路组的流量历史数据，生成所述链路组的天粒度预测模型和周粒度预测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述ip承载网的多个链路组的流量历史数据对预设的多个算法进行全局静态优选处理，得到所述多个算法在全部链路组上全局最优的超参数组合，包括：
4.根据权利要求3所述的方法，其特征在于，所述分别在所述多个算法的超参数空间中选择超参数根据所述多个链路组的流量历史数据进行训练验证，并通过分别遍历所述多个算法的超参数空间中的超参数，得到多个算法在全部链路组上全局最优的超参数组合，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述多个链路组的流量历史数据和所述超参数组合对所述选定算法进行训练验证，得到在所述超参数组合下各个链路组训练的模型在验证集上的预测结果集，包括：
6.根据权利要求4所述的方法，其特征在于，所述根据所述在所述超参数组合下各个链路组训练的模型在验证集上的预测结果集，计算得到所述选定算法的所述超参数组合在全部链路组上的第一评价指标，包括：
7.根据权利要求2所述的方法，其特征在于，所述根据所述链路组的流量历史数据和多个算法的全局最优超参数组合进行动态优选，生成天粒度预测模型，包括：
8.根据权利要求7所述的方法，其特征在于，所述根据选定算法的全局最优超参数组合、所述流量滞后特征、选定特征组合和所述验证集对选定算法进行训练验证，生成在所述选定特征组合下训练的模型在验证集上的第二评价指标，包括：
9.根据权利要求8所述的方法，其特征在于，所述根据所述在所述选定特征组合下训练的模型在验证集上的预测结果集，计算得到在所述选定特征组合下训练的模型在验证集上的第二评价指标，包括：
10.根据权利要求7所述的方法，其特征在于，所述将所述天粒度模型预测结果和周粒度模型预测结果进行融合，生成所述链路组的流量预测结果，包括：
11.一种ip承载网的流量预测装置，其特征在于，包括：
12.一种电子设备，其特征在于，包括：
13.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至10中任一项所述的基于算法优选及模型融合的ip承载网流量时序跳跃预测方法。
