CN101764893A - 基于数据中间层的通信话务波动监控方法 - Google Patents
基于数据中间层的通信话务波动监控方法 Download PDFInfo
- Publication number
- CN101764893A CN101764893A CN200910035852A CN200910035852A CN101764893A CN 101764893 A CN101764893 A CN 101764893A CN 200910035852 A CN200910035852 A CN 200910035852A CN 200910035852 A CN200910035852 A CN 200910035852A CN 101764893 A CN101764893 A CN 101764893A
- Authority
- CN
- China
- Prior art keywords
- traffic
- monitoring
- data
- parts
- unusual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000001932 seasonal effect Effects 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000205 computational method Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 6
- 238000012935 Averaging Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M15/00—Arrangements for metering, time-control or time indication ; Metering, charging or billing arrangements for voice wireline or wireless communications, e.g. VoIP
- H04M15/58—Arrangements for metering, time-control or time indication ; Metering, charging or billing arrangements for voice wireline or wireless communications, e.g. VoIP based on statistics of usage or network monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2215/00—Metering arrangements; Time controlling arrangements; Time indicating arrangements
- H04M2215/01—Details of billing arrangements
- H04M2215/0188—Network monitoring; statistics on usage on called/calling number
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Telephonic Communication Services (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
基于数据中间层的通信话务波动监控方法，运用移动平均法对季节性时间序列进行预测，具有话务水平自学习能力和告警能力；对历史样例进行过滤，可以控制某样例是否参与预测计算，具备较高精确性；能够生成不同时间特性维度的话务波动图。本发明通过对每天的话务进行预测，该预测值由最近时期的实测值取平均水平得到，精确度相对较高并且能够正确体现最近时期内同一时间特性内的变化趋势；能够自动完成话务的学习、监控和异常判断，能够对异常结果进行告警，解决了以往话务监控产品中的不足。
Description
技术领域
本发明涉及通信话务波动监控技术尤其是基于数据中间层的具备话务自学习能力的通信话务波动监控技术。
背景技术
典型的通信话务监控波动技术是将某一时间段内的话务量作为一个监控粒度，对几个连续的时间段进行采样制图，监控人员观察所得波型图的波峰波谷判断话务是否存在异常。这种方法的优点是能够直观呈现一段时期内的话务量波动状况。然而，由于通信话务水平跟社会活动关系紧密，包括了一些特殊社会活动和周期性社会活动。连续时期内某个采样点的话务突变都可能是正常现象。所以，以上这种监控技术的缺点是没有准确的异常阀值，因此不能达到自动监控告警的目的；话务是否正常由监控人员的估算决定，而监控人员估算的精确度难以保证；由于存在某些特殊变化和周期性变化，很难直观呈现整体话务发展趋势。
发明内容
本发明要解决的问题是：现有通信话务监控技术没有准确的异常阀值，不能达到自动监控告警的目的；话务是否正常由监控人员的估算决定，而监控人员估算的精确度难以保证；由于存在某些特殊变化和周期性变化，很难直观呈现整体话务发展趋势；对此提供一套通信话务波动监控技术，尤其是基于数据中间层的具备话务自学习能力的通信话务波动监控技术来实现自动监控告警，多维度变化趋势图并且提升监控精度。
本发明的技术方案是：基于数据中间层的通信话务波动监控方法，设置下列部件：监控实例订制部件、话务数据统计中间层、话务水平自学习部件和多维话务监控制图部件；
1)、采用社会科学的经验模型对话务状况建模，以一天的话务作为分析粒度，该粒度具有时间、地区、业务三个维度属性，在监控实例订制部件中，选择一个采样时间点的地区、业务两个维度进行笛卡尔乘积，得到针对每个地区和业务的一系列监控实例，在每个采样时间点上，一个监控实例对应一个监控粒度，所述实例作为监控对象，监控实例订制部件针对监控实例设置阀值浮动系数；
2)、话务数据统计中间层定时对监控对象进行数据统计，统计出的监控数据由话务数据统计中间层保存和管理；
3)、话务水平自学习部件在话务数据统计中间层所管理的监控数据基础上进行学习和预测，通过季节性时间序列的移动平均法对历史监控数据进行计算得到预测值，并将预测值保存在话务数据统计中间层，该预测值和监控实例订制部件中的阀值浮动系数判断监控对象是否异常；
4)、多维话务监控制图部件从话务数据统计中间层提取数据，从不同时间维度展示监控数据和话务水平自学习部件得到的预测值，生成话务波动图。
进一步的，设置异常话务人工稽核部件，读取话务数据统计中间层的异常信息进行人工稽核，并判断所述异常是否参与未来话务水平自学习部件的预测值计算。
进一步的，对话务状况设定工作日、休息日、节假日三个时间特征，设置特殊实例管理部件，将节假日的监控实例归为特殊实例，工作日和休息日的监控实例通过话务水平自学习部件进行进行学习和预测，特殊实例通过特殊实例管理部件进行学习和预测，学习和预测的方法同话务水平自学习部件，针对特殊实例设置特殊实例阀值，由特殊实例管理部件的预测值和特殊实例阀值来判断监控对象是否异常。
话务水平自学习部件采用对同一时间特性下进行简单移动平均法来预测话务状况：
选择N个最近时期准确的监控实例数据来计算未来的一个预测值，简单移动平均法的计算方法如下：Ft＝(At-1+At-2+At-3+...+At-n)/n，式中Ft为下一个监控实例的预测值；n为移动平均的监控实例的个数；At-1为前一个监控实例的实际监控数据；At-2、At-3和At-n分别表示前两个、前三个直至前n个监控实例的实际监控数据；
监控实例订制部件针对监控实例设置阀值浮动系数为k，对于某一监控实例，其预测值记为t，则该监控实例阀值上限y1＝t×(1+k)，下限y2＝t×(1-k)，当该监控实例话务冲击x符合条件y1＞x＞y2则为正常，否则为异常。
进一步的，设置异常话务自动告警部件，读取话务数据统计中间层的异常信息，对判为异常的监控对象进行告警。
本发明的有益效果是：通过对每天的话务进行预测，该预测值由最近时期的实测值取平均水平得到，精确度相对较高并且能够正确体现最近时期内同一时间特性内的变化趋势；系统能够自动完成话务的学习、监控和异常判断，能够对异常结果进行告警，解决了以往话务监控产品中的不足。
附图说明
图1是以工作日为时间维度的话务波动图，该波动图是以同一特性时间方式为时间维度的效果图，可以看到其同组时间方式下趋势变化平稳。
图2是以自然日期为时间维度的话务波动图，该波动图是以自然时间方式为时间维度的效果图，可以看到其呈现一周七天中五高二低的周期性变化趋势。
具体实施方式
本发明方法设置了下列部件：监控实例订制部件、话务数据统计中间层、话务水平自学习部件、特殊实例管理部件、异常话务人工稽核部件、多维话务监控制图部件和异常话务自动告警部件。
监控实例订制部件，既可以由各监控维度笛卡尔乘积生成，也可以进行手工配置，通过该部件订制的实例将作为系统监控对象。
话务数据统计中间层定时从接口数据表中对监控实例订制的监控对象的数据进行统计，统计出的监控数据由话务数据统计中间层保存和管理。
话务水平自学习部件是在话务数据统计中间层所管理的监控数据基础上进行学习和预测，该部件是通过季节性时间序列的移动平均法对历史监控数据进行计算得到预测值，并将预测值保存在数据统计中间层，该预测值和监控实例订制部件中的阀值浮动系数决定某监控实例是否异常。
特殊实例管理部件是作为话务水平自学习部件的一个补充，专门管理特殊日期特殊话务水平的监控实例，其学习与预测方法与话务水平自学习部件相同，特殊日期，如节假日的监控实例不通过话务水平自学习部件进行学习和预测，由特殊实例管理部件的预测值和特殊实例阀值来判断监控对象是否异常。
异常话务人工稽核部件是用于提供对异常话务实例的人工判定功能，所涉及的异常话务实例是话务水平自学习部件进行预测后的所有不在阀值范围内的监控实例，即异常信息，通过该部件的稽核决定得到的异常信息是否符合实际，并且是否要参与未来话务水平自学习部件的预测值计算。
多维话务监控制图部件从话务数据统计中间层提取数据，从不同时间维度展示监控数据和话务水平自学习部件得到的预测值，生成话务波动图。
异常话务自动告警部件为使用者提供监控告警信息，读取话务数据统计中间层的异常信息，对判为异常的监控对象进行告警。
基于通信行业话务状况与社会现象关系密切，采用社会科学常用的经验模型对其建模。以一天的话务作为分析粒度，该粒度具有时间、地区、业务三个维度属性，整体研究对象是由这三个维度构成的三维魔方。在监控实例订制部件中，选择地区、业务两个维度进行笛卡尔乘积，就可以得到针对每个地区和业务的一系列监控实例配置，在每个采样时间点上，一个监控实例对应一个监控粒度。话务数据统计中间层定时对这些监控对象进行数据统计，其统计数据具有以下规律：将一个特定地区特定业务的分析粒度以时间序列建模后，该模型具有季节性时间序列特征。实际上，话务状况受工作日、休息日、节假日三个时间特征影响较大。这三个时间特征中节假日长短与国家政策有关，其时间规律相对不稳定并且季节长度很长，一般为一年，所以将这类日期纳入特殊阀值管理，由特殊实例管理部件进行学习和预测；其余时间点的监控数据分析可以通过话务水平自学习部件进行学习和预测。
在工作日和休息日两个时间特性内，话务状况呈现以自然周为周期的变化规律。在一个变化周期内，工作日，即周一至周五趋势平稳，周六周日各自为特殊值，并且在多个变化周期内，工作日、周六、周日各自为平稳序列。针对这样的季节性时间序列模型有很多种计算方法，话务水平自学习部件采用对同一时间特性下进行简单移动平均法来预测话务状况，即选择N个最近时期准确的实测值来计算未来的一个预测值。简单移动平均法的计算方法如下：Ft＝(At-1+At-2+At-3+...+At-n)/n，式中Ft为下一个监控实例的预测值；n为移动平均的监控实例的个数；At-1为前一个监控实例的实际监控数据；At-2、At-3和At-n分别表示前两个、前三个直至前n个监控实例的实际监控数据；监控实例订制部件针对监控实例设置阀值浮动系数为k，对于某一监控实例，其预测值记为t，则该监控实例阀值上限y1＝t×(1+k)，下限y2＝t×(1-k)，当该监控实例话务冲击x符合条件y1＞x＞y2则为正常，否则为异常。
人工稽核部件读取这些异常信息进行人工稽核，同时异常话务自动告警部件读取异常信息进行告警。操作人员可以随时通过多维话务监控制图部件按照同组时间特性序列或者自然时间序列方式查看统计和预测结果。
以一个监控粒度为例，本发明实现的流程有以下几步：
1)在监控实例订制部件选择监控的各个维度生成监控实例；
2)话务数据统计中间层定时按照监控实例统计数据；
3)话务水平自学习部件对监控数据进行分析，按照时间特性和移动平均值法计算预测值，根据设定的阀值进行监控实例的状态判定，并且更新话务数据统计中间层数据。如果是特殊实例管理的实例则通过特殊实例管理部件进行更新；
4)异常话务自动告警部件查询话务数据统计中间层数据，对异常监控实例进行告警；
5)监控人员在多维话务监控制图部件中得到所需的话务波动图，分析当前话务异常原因后通过异常话务人工稽核部件对异常进行稽核，通过该部件的稽核决定得到的异常信息是否符合实际，并且是否要参与未来话务水平自学习部件的预测值计算，设置监控实例有效性标志。
图1是以工作日为时间维度的话务波动图，该波动图是以同一特性时间方式为时间维度的效果图，可以看到其同组时间方式下趋势变化平稳。图2是以自然日期为时间维度的话务波动图，该波动图是以自然时间方式为时间维度的效果图，可以看到其呈现一周七天中五高二低的周期性变化趋势。
以广州某周日网间语音业务话务量监控为例，其实施方式如下：
1.配置监控实例，通过前台在监控实例配置表中增加一条记录。其记录信息如下：地区(广州)，业务(网间语言)；
2.话务统计中间层统计该监控实例上一天的话务量，任务进程自动统计该日话务量为30万；
3.系统判断该日监控实例不在特殊实例管理范围内，话务水平自学习部件对其进行话务量预测；
4.假设监控时间是周日，设置了10作为简单移动平均法的移动步长，并且在此前10个周日的话务量总数为1500万，则根据简单移动平均法公式，该日预测值为150万。当阀值浮动设为5％时，可知该日阀值上限为150万×(1+5％)，阀值下限为150万×(1-5％)。由于30万不在阀值范围内，所以判断该监控实例异常，前台产生告警信息，实例状态标志为待稽核；
5.监控人员在前台生成所需的话务波动图；
6.监控人员对该实例进行稽核。若稽核通过，确实为异常，修改该监控实例异常标志，等待参与下次预测值计算；否则该实例无效，将不参与下次预测值计算。
以上过程中参数均可事先配置好，一般不需要修改。所有监控过程由设置的部件自动完成，监控人员只需对异常告警样例进行稽核操作。
Claims (9)
1.基于数据中间层的通信话务波动监控方法，其特征在于设置下列部件：监控实例订制部件、话务数据统计中间层、话务水平自学习部件和多维话务监控制图部件；
1)、采用社会科学的经验模型对话务状况建模，以一天的话务作为分析粒度，该粒度具有时间、地区、业务三个维度属性，在监控实例订制部件中，选择一个采样时间点的地区、业务两个维度进行笛卡尔乘积，得到针对每个地区和业务的一系列监控实例，在每个采样时间点上，一个监控实例对应一个监控粒度，所述实例作为监控对象，监控实例订制部件针对监控实例设置阀值浮动系数；
2)、话务数据统计中间层定时对监控对象进行数据统计，统计出的监控数据由话务数据统计中间层保存和管理；
3)、话务水平自学习部件在话务数据统计中间层所管理的监控数据基础上进行学习和预测，通过季节性时间序列的移动平均法对历史监控数据进行计算得到预测值，并将预测值保存在话务数据统计中间层，该预测值和监控实例订制部件中的阀值浮动系数判断监控对象是否异常；
4)、多维话务监控制图部件从话务数据统计中间层提取数据，从不同时间维度展示监控数据和话务水平自学习部件得到的预测值，生成话务波动图。
2.根据权利要求1所述的基于数据中间层的通信话务波动监控方法，其特征在于设置异常话务人工稽核部件，读取话务数据统计中间层的异常信息进行人工稽核，并判断所述异常是否参与未来话务水平自学习部件的预测值计算。
3.根据权利要求1或2所述的基于数据中间层的通信话务波动监控方法，其特征在于对话务状况设定工作日、休息日、节假日三个时间特征，设置特殊实例管理部件，将节假日的监控实例归为特殊实例，工作日和休息日的监控实例通过话务水平自学习部件进行进行学习和预测，特殊实例通过特殊实例管理部件进行学习和预测，学习和预测的方法同话务水平自学习部件，针对特殊实例设置特殊实例阀值，由特殊实例管理部件的预测值和特殊实例阀值来判断监控对象是否异常。
4.根据权利要求1或2所述的基于数据中间层的通信话务波动监控方法，其特征在于话务水平自学习部件采用对同一时间特性下进行简单移动平均法来预测话务状况：
选择N个最近时期准确的监控实例数据来计算未来的一个预测值，简单移动平均法的计算方法如下：Ft＝(At-1+At-2+At-3+...+At-n)/n，式中Ft为下一个监控实例的预测值；n为移动平均的监控实例的个数；At-1为前一个监控实例的实际监控数据；At-2、At-3和At-n分别表示前两个、前三个直至前n个监控实例的实际监控数据；
监控实例订制部件针对监控实例设置阀值浮动系数为k，对于某一监控实例，其预测值记为t，则该监控实例阀值上限y1＝t×(1+k)，下限y2＝t×(1-k)，当该监控实例话务冲击x符合条件y1＞x＞y2则为正常，否则为异常。
5.根据权利要求3所述的基于数据中间层的通信话务波动监控方法，其特征在于话务水平自学习部件采用对同一时间特性下进行简单移动平均法来预测话务状况：
选择N个最近时期准确的监控实例数据来计算未来的一个预测值，简单移动平均法的计算方法如下：Ft＝(At-1+At-2+At-3+...+At-n)/n，式中Ft为下一个监控实例的预测值；n为移动平均的监控实例的个数；At-1为前一个监控实例的实际监控数据；At-2、At-3和At-n分别表示前两个、前三个直至前n个监控实例的实际监控数据；
监控实例订制部件针对监控实例设置阀值浮动系数为k，对于某一监控实例，其预测值记为t，则该监控实例阀值上限y1＝t×(1+k)，下限y2＝t×(1-k)，当该监控实例话务冲击x符合条件y1＞x＞y2则为正常，否则为异常。
6.根据权利要求1或2所述的基于数据中间层的通信话务波动监控方法，其特征在于设置异常话务自动告警部件，读取话务数据统计中间层的异常信息，对判为异常的监控对象进行告警。
7.根据权利要求3所述的基于数据中间层的通信话务波动监控方法，其特征在于设置异常话务自动告警部件，读取话务数据统计中间层的异常信息，对判为异常的监控对象进行告警。
8.根据权利要求4所述的基于数据中间层的通信话务波动监控方法，其特征在于设置异常话务自动告警部件，读取话务数据统计中间层的异常信息，对判为异常的监控对象进行告警。
9.根据权利要求5所述的基于数据中间层的通信话务波动监控方法，其特征在于设置异常话务自动告警部件，读取话务数据统计中间层的异常信息，对判为异常的监控对象进行告警。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100358523A CN101764893B (zh) | 2009-10-12 | 2009-10-12 | 基于数据中间层的通信话务波动监控方法 |
| US12/901,814 US20110085649A1 (en) | 2009-10-12 | 2010-10-11 | Fluctuation Monitoring Method that Based on the Mid-Layer Data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100358523A CN101764893B (zh) | 2009-10-12 | 2009-10-12 | 基于数据中间层的通信话务波动监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101764893A true CN101764893A (zh) | 2010-06-30 |
| CN101764893B CN101764893B (zh) | 2012-10-31 |
Family
ID=42495871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009100358523A Expired - Fee Related CN101764893B (zh) | 2009-10-12 | 2009-10-12 | 基于数据中间层的通信话务波动监控方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20110085649A1 (zh) |
| CN (1) | CN101764893B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103840970A (zh) * | 2014-01-24 | 2014-06-04 | 珠海多玩信息技术有限公司 | 一种获取业务运行状态的方法及装置 |
| CN104954154A (zh) * | 2014-03-24 | 2015-09-30 | 北京神州泰岳软件股份有限公司 | 运维管理平台的监控及故障维护方法和系统 |
| CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
| CN107566665A (zh) * | 2017-08-15 | 2018-01-09 | 携程旅游信息技术（上海）有限公司 | 话务异常检测方法及其设备 |
| CN108255681A (zh) * | 2018-02-09 | 2018-07-06 | 腾讯科技（北京）有限公司 | 任务告警方法及装置 |
| CN109255001A (zh) * | 2018-08-31 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 接口实例库的维护方法及装置、电子设备 |
| CN109274842A (zh) * | 2018-09-18 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 客服水平波动的关键因素定位方法、装置及设备 |
| CN112381548A (zh) * | 2020-09-10 | 2021-02-19 | 咪咕文化科技有限公司 | 稽核异常话单的方法、电子设备及存储介质 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107370766B (zh) * | 2017-09-07 | 2020-09-11 | 杭州安恒信息技术股份有限公司 | 一种网络流量异常检测方法及系统 |
| CN108829638B (zh) * | 2018-06-01 | 2022-12-16 | 创新先进技术有限公司 | 一种业务数据波动处理方法及装置 |
| CN110287229B (zh) * | 2019-05-30 | 2023-04-07 | 创新先进技术有限公司 | 一种数据统计处理方法及装置 |
| CN113329128B (zh) * | 2021-06-04 | 2023-01-06 | 中国电信股份有限公司 | 话务数据预测方法及装置、电子设备、存储介质 |
| CN114138617B (zh) * | 2022-02-07 | 2022-05-24 | 杭州朗澈科技有限公司 | 自学习的变频监控方法、系统、电子设备和存储介质 |
| WO2024079001A1 (en) | 2022-10-10 | 2024-04-18 | Telecom Italia S.P.A. | Traffic monitoring in a telecommunications network |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5689550A (en) * | 1994-08-08 | 1997-11-18 | Voice-Tel Enterprises, Inc. | Interface enabling voice messaging systems to interact with communications networks |
| US7903806B1 (en) * | 2000-01-05 | 2011-03-08 | Canoga Perkins Corp. | Expert call analyzer and next generation telephony network configuration system |
| US7545920B2 (en) * | 2004-11-30 | 2009-06-09 | Sbc Knowledge Ventures, L.P. | Call reporting |
| US7450502B1 (en) * | 2005-02-02 | 2008-11-11 | At&T Corp. | Method and apparatus for monitoring the potential impact of traffic surges |
| CN101132447B (zh) * | 2007-08-13 | 2011-06-01 | 中国移动通信集团安徽有限公司 | 一种大型呼叫中心的热线来话预测方法 |
| CN101242314B (zh) * | 2008-03-12 | 2010-12-15 | 华为技术有限公司 | 一种实现违例预警的方法及装置 |
-
2009
- 2009-10-12 CN CN2009100358523A patent/CN101764893B/zh not_active Expired - Fee Related
-
2010
- 2010-10-11 US US12/901,814 patent/US20110085649A1/en not_active Abandoned
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103840970B (zh) * | 2014-01-24 | 2017-09-15 | 珠海多玩信息技术有限公司 | 一种获取业务运行状态的方法及装置 |
| CN103840970A (zh) * | 2014-01-24 | 2014-06-04 | 珠海多玩信息技术有限公司 | 一种获取业务运行状态的方法及装置 |
| CN104954154A (zh) * | 2014-03-24 | 2015-09-30 | 北京神州泰岳软件股份有限公司 | 运维管理平台的监控及故障维护方法和系统 |
| CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
| CN107566665B (zh) * | 2017-08-15 | 2019-09-24 | 携程旅游信息技术（上海）有限公司 | 话务异常检测方法及其设备 |
| CN107566665A (zh) * | 2017-08-15 | 2018-01-09 | 携程旅游信息技术（上海）有限公司 | 话务异常检测方法及其设备 |
| CN108255681A (zh) * | 2018-02-09 | 2018-07-06 | 腾讯科技（北京）有限公司 | 任务告警方法及装置 |
| CN108255681B (zh) * | 2018-02-09 | 2021-08-13 | 腾讯科技（北京）有限公司 | 任务告警方法及装置 |
| CN109255001A (zh) * | 2018-08-31 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 接口实例库的维护方法及装置、电子设备 |
| CN109274842B (zh) * | 2018-09-18 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 客服水平波动的关键因素定位方法、装置及设备 |
| CN109274842A (zh) * | 2018-09-18 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 客服水平波动的关键因素定位方法、装置及设备 |
| CN112381548A (zh) * | 2020-09-10 | 2021-02-19 | 咪咕文化科技有限公司 | 稽核异常话单的方法、电子设备及存储介质 |
| CN112381548B (zh) * | 2020-09-10 | 2024-03-12 | 咪咕文化科技有限公司 | 稽核异常话单的方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20110085649A1 (en) | 2011-04-14 |
| CN101764893B (zh) | 2012-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101764893B (zh) | 基于数据中间层的通信话务波动监控方法 | |
| CN108024207A (zh) | 基于三层防控圈的人流量监控方法 | |
| CN108388852B (zh) | 一种基于深度学习的区域人群密度预测方法及装置 | |
| CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
| CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
| CN111709566A (zh) | 一种银行网点业务预测及调度方法 | |
| CN109165779B (zh) | 一种基于多源大数据与长短期记忆神经网络模型的人口数量预测方法 | |
| CN111865407B (zh) | 光通道性能劣化智能预警方法、装置、设备及存储介质 | |
| CN113099475B (zh) | 网络质量检测方法、装置、电子设备及可读存储介质 | |
| CN109116444A (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
| US20240086870A1 (en) | Method, internet of things (iot) system, and medium for disposing emergency gas supply of smart gas | |
| CN113837383B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN116336398B (zh) | 基于物联网的智慧燃气泄漏安全监测方法、系统和介质 | |
| CN110363658A (zh) | 信贷数据的处理方法及装置、存储介质和电子装置 | |
| CN114786190A (zh) | 一种流量的预测方法、装置及存储介质 | |
| CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
| Arsene et al. | Profiling consumers in a water distribution network using K-Means clustering and multiple pre-processing methods | |
| CN109615449A (zh) | 一种预测方法及装置、一种计算设备及存储介质 | |
| CN114189456B (zh) | 物联网设备的在线状态预测方法、装置及电子设备 | |
| CN102184638B (zh) | 行人交通数据的数据预处理方法 | |
| CN112184320B (zh) | 一种基于ai的商业网站运维数据的智能运营检测和运维的方法 | |
| CN112929887B (zh) | 基于流量预测设置室分站的方法、装置和电子设备 | |
| JP2023025801A (ja) | 予測装置、予測方法およびプログラム | |
| JP5561643B2 (ja) | 需要予測装置及び水運用監視システム | |
| Zhou et al. | LSTM Based Quantile Regression Method for Holiday Load Forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121031 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |