车联网流量预测方法、系统、设备及存储介质

专利名称：车联网流量预测方法、系统、设备及存储介质

专利类型：发明专利

专利申请号：CN202210022677.X

专利申请（专利权）人：昭通亮风台信息科技有限公司
权利人地址：云南省昭通市昭阳区迎宾大道御峰云府13幢2楼

专利发明（设计）人：吴斌,王迅

专利摘要：本发明提供了一种车联网流量预测方法，涉及数据处理技术领域，包括以下：采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵；建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果；获取链路流量，并根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量；构建一带有预设约束条件的目标函数，根据所述目标函数和所述细粒度流量生成目标结果，解决现有对车联网流量估计精准性不足的。

主权利要求：
1.一种车联网流量预测方法，其特征在于，包括以下：采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵；
建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果；
集合所述流量矩阵中各个链路对应的链路负载估计结果即为所述流量矩阵的链路负载估计结果；
获取链路流量，并根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量；
构建一带有预设约束条件的目标函数，根据所述目标函数和所述细粒度流量生成目标结果；
其中，所述建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果，包括以下：对于所述流量矩阵中的每一链路，
利用AIC函数确定ARIMA预测模型的阶数值，以建立所述ARIMA预测模型；
采用预设算法确定所述ARIMA预测模型的系数值；
计算所述ARIMA预测模型的误差值并判断所述误差值是否符合拟合要求；
若是，则确定所述ARIMA预测模型，并根据所述流量矩阵输出所述链路的链路负载估计结果；
其中，所述构建一带有预设约束条件的目标函数，包括以下：构建所述链路流量与所述流量矩阵的链路负载估计结果的约束作为第一约束条件；
构建所述流量矩阵的链路负载估计结果的非负性约束作为第二约束条件；
构建所述流量矩阵中每一链路与所述链路下的流量的约束作为第三约束条件；
基于所述第一约束条件、第二约束条件和第三约束条件构建目标函数；
所述根据所述目标函数和所述细粒度流量生成目标结果，包括以下：根据下述目标函数生成目标结果：
其中，X^为所述流量矩阵的链路负载估计结果；X为流量矩阵；A为路由矩阵；Y为链路流量；αmn为所述流量矩阵中第m条链路下的流量。
2.根据权利要求1所述的预测方法，其特征在于，所述构建流量矩阵，包括以下：获取链路流量和路由矩阵，根据所述链路流量与路由矩阵的映射关系构建流量矩阵。
3.根据权利要求1所述的预测方法，其特征在于，所述根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量，包括以下：根据下式计算所述流量矩阵的细粒度流量：
f＝||Y‑AX^||+||X^
||其中，X^＝ARIMA(X)，为所述流量矩阵的链路负载估计结果；X为流量矩阵；A为路由矩阵；Y为链路流量。
4.根据权利要求1所述的预测方法，其特征在于，在根据所述流量矩阵采用所述ARIMA预测模型输出流量矩阵的链路负载估计结果前，还包括以下：对所述流量矩阵进行数据平稳性检验；
若所述流量矩阵中数据平稳性不符合预设标准，则对所述流量矩阵进行基于时序分析的数据处理。
5.一种车联网流量预测系统，其特征在于，包括：
处理服务器端、边缘计算设备、车载终端、云服务器；
边缘计算设备通过网络与车载终端以及云服务器连接并传输数据；
所述处理服务器端还包括：数据构建模块，用于采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵；
预测模块，建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果；其中所述建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果，包括以下：对于所述流量矩阵中的每一链路，利用AIC函数确定ARIMA预测模型的阶数值，以建立所述ARIMA预测模型；采用预设算法确定所述ARIMA预测模型的系数值；
计算所述ARIMA预测模型的误差值并判断所述误差值是否符合拟合要求；
若是，则确定所述ARIMA预测模型，并根据所述流量矩阵输出所述链路的链路负载估计结果；集合所述流量矩阵中各个链路对应的链路负载估计结果即为所述流量矩阵的链路负载估计结果；
调整模块，用于获取链路流量，并根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量；
生成模块，用于构建一带有预设约束条件的目标函数，根据所述目标函数和所述细粒度流量生成目标结果，其中所述构建一带有预设约束条件的目标函数，包括以下：构建所述链路流量与所述流量矩阵的链路负载估计结果的约束作为第一约束条件；构建所述流量矩阵的链路负载估计结果的非负性约束作为第二约束条件；构建所述流量矩阵中每一链路与所述链路下的流量的约束作为第三约束条件；基于所述第一约束条件、第二约束条件和第三约束条件构建目标函数；所述根据所述目标函数和所述细粒度流量生成目标结果，包括以下：根据下述目标函数生成目标结果：^
其中，X 为所述流量矩阵的链路负载估计结果；X为流量矩阵；A为路由矩阵；Y为链路流量；αmn为所述流量矩阵中第m条链路下的流量。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求
1至4任一项所述流量预测方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述权利要求1‑4任一项所述流量预测方法的步骤。 说明书 : 车联网流量预测方法、系统、设备及存储介质技术领域[0001] 本发明涉及数据处理技术领域，尤其涉及一种车联网流量预测方法、系统、设备及存储介质。背景技术[0002] 随着5G网络的快速部署，车联网、物联网、边缘计算等迅速发展，车联网络流量测量面对诸多挑战。近年来车载自组织网络发展迅速，它依靠诸如互联网，新一代无线通信，云计算，边缘计算等前沿信息技术，通过有效的数据处理与分发来提供可靠的车载通信。[0003] 传统的车联网数据流以大批量快速传输到云，但不具备可扩展性和高效性，无法处理实时性要求高的海量数据。同时，传输大数据是昂贵的，将消耗大量的带宽，能量和时间，因此流量的估计对数据处理与分发的影响较大，但是现有对流量估计往往精准性不够，由此在数据传输中产生较多问题。发明内容[0004] 为了克服上述技术缺陷，本发明的目的在于提供一种车联网流量预测方法、系统、设备及存储介质，用于解决现有对流量估计精准性不足的问题。[0005] 本发明公开了一种车联网流量预测方法，包括以下：[0006] 采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵；[0007] 建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果；[0008] 获取链路流量，并根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量；[0009] 构建一带有预设约束条件的目标函数，根据所述目标函数和所述细粒度流量生成目标结果。[0010] 优选地，所述构建流量矩阵，包括以下：[0011] 获取链路流量和路由矩阵，根据所述链路流量与路由矩阵的映射关系构建流量矩阵。[0012] 优选地，所述建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果，包括以下：[0013] 对于所述流量矩阵中的每一链路，[0014] 利用AIC函数确定ARIMA预测模型的阶数值，以建立所述ARIMA预测模型；[0015] 采用预设算法确定所述ARIMA预测模型的系数值；[0016] 计算所述ARIMA预测模型的误差值并判断所述误差值是否符合拟合要求；[0017] 若是，则确定所述ARIMA预测模型，并根据所述流量矩阵输出所述链路的链路负载估计结果；[0018] 集合所述流量矩阵中各个链路对应的链路负载估计结果即为所述流量矩阵的链路负载估计结果。[0019] 优选地，所述根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量，包括以下：[0020] 根据下式计算所述流量矩阵的细粒度流量：[0021] f＝||Y‑AX^||+||X^||[0022] 其中，X^＝ARIMA(X)，为所述流量矩阵的链路负载估计结果；X为流量矩阵；A为路由矩阵；Y为链路流量。[0023] 优选地，在根据所述流量矩阵采用所述ARIMA预测模型输出流量矩阵的链路负载估计结果前，还包括以下：[0024] 对所述流量矩阵进行数据平稳性检验；[0025] 若所述流量矩阵中数据平稳性不符合预设标准，则对所述流量矩阵进行基于时序分析的数据处理。[0026] 优选地，所述构建一带有预设约束条件的目标函数，包括以下：[0027] 构建所述链路流量与所述流量矩阵的链路负载估计结果的约束作为第一约束条件；[0028] 构建所述流量矩阵的链路负载估计结果的非负性约束作为第二约束条件；[0029] 构建所述流量矩阵中每一链路与所述链路下的流量的约束作为第三约束条件；[0030] 基于所述第一约束条件、第二约束条件和第三约束条件构建目标函数。[0031] 优选地，所述根据所述目标函数和所述细粒度流量生成目标结果，包括以下：[0032] 根据下述目标函数生成目标结果：[0033][0034] 其中，X^为所述流量矩阵的链路负载估计结果；X为流量矩阵；A为路由矩阵；Y为链路流量；αmn为所述流量矩阵中第m条链路下的流量。[0035] 本发明还提供一种车联网流量预测系统，包括：[0036] 处理服务器端、边缘计算设备、车载终端、云服务器；[0037] 边缘计算设备通过网络与车载终端以及云服务器连接并传输数据；[0038] 所述处理服务器端还包括：数据构建模块，用于采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵；[0039] 预测模块，建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果；[0040] 调整模块，用于获取链路流量，并根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量；[0041] 生成模块，用于构建一带有预设约束条件的目标函数，根据所述目标函数和所述细粒度流量生成目标结果。[0042] 本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一项所述流量预测方法的步骤。[0043] 本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述流量预测方法的步骤。[0044] 采用了上述技术方案后，与现有技术相比，具有以下有益效果：[0045] 本发明在于网络架构获得车联网络流量测量值(链路流量)，构建基于自回归移动平均模型(即ARIMA预测模型)的细粒度测量模型，根据链路流量、链路负载估计以及目标函数来获得精确的流量估计结果，克服估计结果与实际流量之间的误差，以在ARIMA预测模型的处理结果上进一步提升流量预测精度，解决现有对流量估计精准性不足的问题。附图说明[0046] 图1为本发明所述车联网流量预测方法实施例一的流程图；[0047] 图2为本发明所述车联网流量预测方法实施例一中在根据所述流量矩阵采用所述ARIMA预测模型输出流量矩阵的链路负载估计结果前的处理流程图；[0048] 图3为本发明所述车联网流量预测方法实施例一中所述根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果的流程图；[0049] 图4为本发明所述车联网流量系统的模块示意图；[0050] 图5为本发明所述设备实施例三的模块示意图。[0051] 附图标记：[0052] 5‑车联网流量预测系统；51‑处理服务器端；511‑数据构建模块；512‑预测模块；513‑调整模块；514‑生成模块；52‑边缘计算设备；53‑车载终端；54‑云服务器端。具体实施方式[0053] 以下结合附图与具体实施例进一步阐述本发明的优点。[0054] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。[0055] 在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。[0056] 应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。[0057] 在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。[0058] 在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。[0059] 在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。[0060] 实施例一：本发明提供一种车联网流量预测方法，应用于处理服务器端，参阅图1，包括以下：[0061] S100：采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵；[0062] 在本实施方式中，采集的传输数据采用源‑目的(OD)流量来标识，OD流量是指网络中任意两个节点之间的流量，为描述源‑目的对之间的网络流量分布，用一简单的拓扑结构描述，设网络中有五个具有计算和存储功能的交换机，以形成网状网络。这5个交换机(即上述处理服务器端由此采集传输数据)连接到多个边缘主机，车载终端或数据中心。然后，在不同的链接中抽象源‑目的对来构建流量矩阵，具有网络中每个源‑目的对的矩阵的网络中的流量可以写为[0063][0064] 由于，无法直接获得网络中的OD流量(即本实施方式中的流量矩阵)，需要根据测量的链路流量和网络路由矩阵进行计算，并构建一个线性的表达式来反映流量矩阵的映射关系，因此所述采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵，包括以下：[0065] 获取链路流量和路由矩阵，根据所述链路流量与路由矩阵的映射关系构建流量矩阵。[0066] 具体的，反映流量矩阵的映射关系的表达式为Y＝AX(2)，其中，Y是链路流量，X为流量矩阵，A为路由矩阵，路由矩阵为由于体现网络中路由的分布情况，在路由器容量出现短缺时，再叠加一台新的路由器。由于实际网络中链路的数量远小于源‑目的流的数量，因此路由矩阵的行向量倾向于具有高度的相似性，即A不满秩。[0067] 需要说明的是，流量矩阵为一个M*N的矩阵，M为链路，N为链路下的网络流。[0068] S200：建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果；[0069] 在上述步骤中，ARIMA预测模型是自回归移动平均模型，其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归,p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。具体的，是将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。[0070] AR模型能够及时展示流量的相关性，所以一个车联网络流的流量序列x1,x2…xt能够被表示成： 误差Zt是白噪声，它是随机序列。所以随机误差MA模型可以表示为：xt＝β1xt‑1+β2xt‑2+…βpxt‑p+εt+α1εt‑1+α2εt‑2+αqεt‑q(4)，其中，α、β均为ARIMA预测模型内参数。[0071] 在根据所述流量矩阵采用所述ARIMA预测模型输出流量矩阵的链路负载估计结果前，参阅图2，还包括以下：[0072] S201：对所述流量矩阵进行数据平稳性检验；[0073] 具体的，上述步骤中，可以根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行检验，具体的可以实际获得的流量矩阵选择匹配度较高的处理方式。[0074] S202：若所述流量矩阵中数据平稳性不符合预设标准，则对所述流量矩阵进行基于时序分析的数据处理。[0075] 具体的，本实施方式中，数据处理主要通过时序分析剔除野点，提高模型处理精度。其他的数据处理方法如差分处理等等也可选择性使用。[0076] 具体的，所述建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果，参阅图3，包括以下：[0077] 对于所述流量矩阵中的每一链路，[0078] S210：利用AIC函数确定ARIMA预测模型的阶数值，以建立所述ARIMA预测模型；[0079] 在上述步骤中，AIC信息准则即Akaikeinformationcriterion，是衡量统计模型拟合优良性(Goodnessoffit)的一种标准，AIC标准是拟合精度和阶数的加权函数，使AIC函数最小的模型被认为是最优的模型，因此此处由AIC函数确定p和q。[0080] S220：采用预设算法确定所述ARIMA预测模型的系数值；[0081] 具体的，所述ARIMA预测模型的系数值，包括上述α、β。[0082] S230：计算所述ARIMA预测模型的误差值并判断所述误差值是否符合拟合要求；[0083] 具体的，上述误差值即为Zt，根据上述计算出的α、β以及p、q即可根据公式Zt＝εt+α1εt‑1+…+αqεt‑q获得误差值。[0084] S240：若是，则确定所述ARIMA预测模型，并根据所述流量矩阵输出所述链路的链路负载估计结果；[0085] 利用上述公式(3)来估算各个链路的链路负载估计结果。[0086] S250：集合所述流量矩阵中各个链路对应的链路负载估计结果即为所述流量矩阵的链路负载估计结果。[0087] 即，假设有M条链路，则从1至M条线路依次计算各个链路对应的链路负载估计结果即可。[0088] S300：获取链路流量，并根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量；[0089] 具体的，所述根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量，包括以下：[0090] 根据下式(4)计算所述流量矩阵的细粒度流量：[0091] f＝||Y‑AX^||+||X^||(4)[0092] 其中，X^＝ARIMA(X)，为所述流量矩阵的链路负载估计结果；X为流量矩阵；A为路由矩阵；Y为链路流量。[0093] 利用ARIMA预测模型，获得了流量矩阵中每个流(链路)的链路负载估计结果。但是，流量的估计结果与实际流量可能存在很大误差，因此在边缘车联网络流量中，可以依赖链路流量(细粒度链路负载)反映实际网络中整体的流量传输情况。因此，使用基于拉取的方法发送请求消息以获得网络中的细粒度链路负载(即链路流量Y)，根据路流量和所述流量矩阵的链路负载估计于上述公式以克服估计结果与实际流量之间的误差。[0094] S400：构建一带有预设约束条件的目标函数，根据所述目标函数和所述细粒度流量生成目标结果。[0095] 具体的，所述构建一带有预设约束条件的目标函数，包括以下：[0096] S410：构建所述链路流量与所述流量矩阵的链路负载估计结果的约束作为第一约束条件；[0097] 即，构建上述Y与X^之间的约束关系。[0098] S420：构建所述流量矩阵的链路负载估计结果的非负性约束作为第二约束条件；[0099] 即，构建X^与0之间的关系。[0100] S430：构建所述流量矩阵中每一链路与所述链路下的流量的约束作为第三约束条件；[0101] 需要说明的是，上述链路下的流量，在每一链路下，均对应多个网络流的流量，上^述即为，构建Ym与X之间的约束关系。[0102] S440：基于所述第一约束条件、第二约束条件和第三约束条件构建目标函数。[0103] 具体的约束关系参考下述公式(5)[0104] 更为具体的，所述根据所述目标函数和所述细粒度流量生成目标结果，包括以下：根据下述(5)目标函数生成目标结果：[0105][0106] 其中，X^为所述流量矩阵的链路负载估计结果；X为流量矩阵；A为路由矩阵；Y为链路流量；αmn为所述流量矩阵中第m条链路下的流量。[0107] 约束C1代表链路负载和网络流量之间的约束；约束C2代表链路负载的非负性约束；约束C3是数据刘和链路之间的相关系数。假设在智慧交通网络中存在有M个链路和N个网络流，则路由矩阵A有M行N列。然而，边缘计算车联网络中的OD对比链路规模大得多，即M<[0108] 在本实施方式中，基于网络架构获得车联网络流量测量值(即链路流量)，构建基于自回归移动平均模型的细粒度测量模型(即上述ARIMA预测模型)，并提出一种启发式算法(即上述公式(5)所述的约束性函数)来获得精确的流量估计结果，克服估计结果与实际流量之间的误差，以在ARIMA预测模型的处理结果上进一步提升流量预测精度。[0109] 实施例二：本发明还提供一种车联网流量预测系统5，参阅图4，包括以下：[0110] 处理服务器端51、边缘计算设备52、车载终端53、云服务器端54；边缘计算设备52通过网络与车载终端53以及云服务器54连接并传输数据；[0111] 以处理服务器为中心建立网状网络，处理服务器端51采集边缘计算设备52的传输数据作为一个链路，采集一个车载终端的移动数据作为另一个链路，采集云服务器端54的移动数据作为第三个链路，在每一链路下均可包括多个网络流，以建立链路流量对应的矩阵以及路由矩阵。[0112] 所述处理服务器端51还包括：[0113] 数据构建模块511，用于采集边缘计算设备与车载终端以及云服务器之间的传输数据，并构建流量矩阵；[0114] 具体的，根据测量的链路流量和网络路由矩阵进行计算，并构建一个线性的表达式来反映流量矩阵的映射关系，反映流量矩阵的映射关系的表达式为Y＝AX(2)，其中，Y是链路流量，X为流量矩阵，A为路由矩阵，路由矩阵为由于体现网络中路由的分布情况，在路由器容量出现短缺时，再叠加一台新的路由器，流量矩阵为一个M*N的矩阵，M为链路，N为链路下的网络流。[0115] 预测模块512，建立ARIMA预测模型，根据所述流量矩阵采用所述ARIMA预测模型输出所述流量矩阵的链路负载估计结果；[0116] 具体的，ARIMA预测模型是自回归移动平均模型，在根据所述流量矩阵采用所述ARIMA预测模型输出流量矩阵的链路负载估计结果前，需要进行数据平稳性检验，并对检验不符合预设标准的所述流量矩阵进行基于时序分析的数据处理。[0117] 调整模块513，用于获取链路流量，并根据所述链路流量和所述流量矩阵的链路负载估计结果确定所述流量矩阵的细粒度流量；[0118] 具体的，利用上述ARIMA预测模型，获得了流量矩阵中每个流(链路)的链路负载估计结果。但是，流量的估计结果与实际流量可能存在很大误差，因此在边缘车联网络流量中，可以依赖链路流量(细粒度链路负载)反映实际网络中整体的流量传输情况。[0119] 生成模块514，用于构建一带有预设约束条件的目标函数，根据所述目标函数和所述细粒度流量生成目标结果。[0120] 具体的，预设约束条件包括设置链路负载和网络流量之间的约束、链路负载的非负性约以及数据流和链路之间的相关系数。假设在智慧交通网络中存在有M个链路和N个网络流，则路由矩阵A有M行N列。然而，边缘计算车联网络中的OD对比链路规模大得多，即M<<N。所以，矩阵A是一个高度欠定的矩阵，存在满足约束条件C1的无限个流量矩阵X，由此可根据该约束函数获得目标结果。[0121] 在本实施方式中，处理服务器端51获取边缘计算设备52、车载终端53、云服务器54的之间的传输数据，基于数据构建模块511获得车联网络流量测量值(即链路流量)，构建流量矩阵，采用预测模块512构建上述ARIMA预测模型，并采用调整模块513确定所述流量矩阵的细粒度流量，最后利用生成模块514构建带有预设约束条件的目标函数，提出一种启发式算法(即上述实施例一种提出的公式(5)所述的约束性函数)来获得精确的流量估计结果，克服估计结果与实际流量之间的误差，以在ARIMA预测模型的处理结果上进一步提升流量预测精度。[0122] 实施例三：为实现上述目的，本发明还提供一种计算机设备6，该计算机设备可包括多个计算机设备，实施例二的车联网流量预测系统5的组成部分可分散于不同的计算机设备6中，计算机设备6可以是执行程序的台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器61、处理器62以及缓存车联网流量预测系统6需要指出的是，仅示出了具有组件‑的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。[0123] 本实施例中，存储器61可以包括存储程序区和存储数据区，其中，存储程序区可存储搡作系统、至少一个功能所需要的应用程序；存储数据区可存储用户在计算机设备的皮肤数据信息。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器61可选包括相对于处理器远程设置的存储器61，这些远程存储器可以通过网络连接至数据库。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。[0124] 处理器62在一些实施例中可以是中央处理器(CentralProcessingUnit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制计算机设备的总体操作。本实施例中，处理器62用于运行存储器62中存储的程序代码或者处理数据，例如运行车联网流量预测系统5，以实现实施例一的车联网流量预测方法。[0125] 需要指出的是，仅示出了具有部件61‑62的计算机设备6，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。[0126] 在本实施例中，存储于存储器61中的所述车联网流量预测系统5还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器61中，并由一个或多个处理器(本实施例为处理器62)所执行，以完成本发明。[0127] 实施例四：[0128] 为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器62执行时实现相应功能。本实施例的计算机可读存储介质用于存储车联网流量预测系统5，被处理器62执行时实现实施例一的车联网流量预测方法。[0129] 应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

专利地区：云南

专利申请日期：2022-01-10

专利公开日期：2024-08-13

专利公告号：CN114374619B