CN102355381B - 自适应的差分自回归移动平均模型的流量预测方法和系统 - Google Patents
自适应的差分自回归移动平均模型的流量预测方法和系统 Download PDFInfo
- Publication number
- CN102355381B CN102355381B CN201110237615.2A CN201110237615A CN102355381B CN 102355381 B CN102355381 B CN 102355381B CN 201110237615 A CN201110237615 A CN 201110237615A CN 102355381 B CN102355381 B CN 102355381B
- Authority
- CN
- China
- Prior art keywords
- model
- value
- flow value
- confidential interval
- arima
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 55
- 241001123248 Arma Species 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000005311 autocorrelation function Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005314 correlation function Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了自适应的差分自回归移动平均模型的流量预测方法和系统，让模型更加的吻合当前流量的数据走势。其技术方案为：利用ARIMA模型对流量进行预测，当实际值偏离预测的置信区间时，产生报警；产生报警的同时，启动备选方案来进行监控流量数据，用以防止异常数据进入ARIMA模型预测；在ARIMA模型正常运作时，实时判别ARIMA模型的参数是否还适用，若发现不再适用时，自动进行再学习，通过再学习获得新的模型参数，以此提高模型预测的准确性。
Description
技术领域
本发明涉及机房流量的实时监控技术，尤其是利用差分自回归移动平均模型(Auto Regressive Integrated Moving Average Model，简记为ARIMA模型)对流量进行预测的方法和系统。
背景技术
ARIMA模型的基本思想是：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。
ARIMA模型预测的基本程序如图1所示：
1.根据时间序列的散点图、自相关函数和偏自相关函数图以ACF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识别。一般来讲，机房流量的时间序列都不是平稳序列。
2.对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。
3.根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARIMA模型。
4.进行参数估计，检验是否具有统计意义。
5.进行假设检验，诊断残差序列是否为白噪声。
6.利用已通过检验的模型进行预测分析。
在监控机房流量并进行实时预测时，单纯地寻找一固定模型来进行预测并监控存在两个弊端：一是随着时间的推移，数据的分布可能由于外在因素发生改变，故此时模型将不再适用；二是当模型监控到发生异常时，对于当前的异常数据属于脏数据不能带入模型进行拟合，此时也就不能进行预测分析下一时间段的流量值。
发明内容
本发明的目的在于解决上述问题，提供了一种自适应的差分自回归移动平均模型的流量预测方法，一方面对模型进行改进，通过数据本身的特点进行实时的模型修正，可使得模型能够吻合当前的数据特性；另一方面，可通过启动备选方案根据数据本身的特点进行预测分析，监控流量的情况，待数据正常时，再次启动ARIMA模型进行预测分析并监控流量。
本发明的另一目的在于提供了一种自适应的差分自回归移动平均模型的流量预测系统，一方面对模型进行改进，通过数据本身的特点进行实时的模型修正，可使得模型能够吻合当前的数据特性；另一方面，可通过启动备选方案根据数据本身的特点进行预测分析，监控流量的情况，待数据正常时，再次启动ARIMA模型进行预测分析并监控流量。
本发明的技术方案为：本发明揭示了一种自适应的差分自回归移动平均模型的流量预测方法，包括：
步骤1：通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型；
步骤2：将当前时刻的前m个数据点代入所述ARIMA模型中进行计算，预测出下n个时刻的流量值及其置信区间，其中m和n均为自然数且m＞n；
步骤3：判断实际的流量值是否位于预测的所述置信区间内，如果不在所述置信区间内，则进行步骤4，如果位于所述置信区间内，则进行步骤5；
步骤4：启动备选方案替代所述ARIMA模型，判别当前时刻的实际的流量值与前一时刻的流量值之差的绝对值是否超过一临界值，若超过则报警；
步骤5：利用当前时刻的预测值与前一时刻实际的流量值进行比较，若两者之差的绝对值大于所述临界值，则启动所述ARIMA模型的再学习以修改所述ARIMA模型的参数。
根据本发明的自适应的差分自回归移动平均模型的流量预测方法的一实施例，在步骤4中，若当前时刻的实际的流量值与前一时刻的流量值之差的绝对值未超过所述预设的临界值，则记录无报警的次数，待连续m个时间点无报警时，提示是否继续进行所述ARIMA模型的预测。
根据本发明的自适应的差分自回归移动平均模型的流量预测方法的一实施例，在步骤4中，在启动备选方案后，将m个时间点的位于所述置信区间内的流量值导入，根据所导入的所述流量值，基于其差分后的数据满足正态分布，计算其均值和标准差，计算出发生小概率事件p的所述临界值，其中参数p是指事件发生的概率。
本发明还揭示了一种自适应的差分自回归移动平均模型的流量预测系统，包括：
初始模型获取装置，通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型；
置信区间预测装置，将当前时刻的前m个数据点代入所述ARIMA模型中进行计算，预测出下n个时刻的流量值及其置信区间，其中m和n均为自然数且m＞n；
偏离检测装置，判断实际的流量值是否位于预测的所述置信区间内，如果不在所述置信区间内，则进入备选方案运行装置，如果位于所述置信区间内，则进入模型参数校验装置；
备选方案运行装置，启动备选方案替代所述ARIMA模型，判别当前时刻的实际的流量值与前一时刻的流量值之差的绝对值是否超过一临界值，若超过则报警；
模型参数校验装置，利用当前时刻的预测值与前一时刻实际的流量值进行比较，若两者之差的绝对值大于所述临界值，则启动所述ARIMA模型的再学习以修改所述ARIMA模型的参数。
根据本发明的自适应的差分自回归移动平均模型的流量预测系统的一实施例，在备选方案运行装置中，若当前时刻的实际的流量值与前一时刻的流量值之差的绝对值未超过所述预设的临界值，则记录无报警的次数，待连续m个时间点无报警时，提示是否继续进行所述ARIMA模型的预测。
根据本发明的自适应的差分自回归移动平均模型的流量预测系统的一实施例，在备选方案运行装置中，在启动备选方案后，将m个时间点的位于所述置信区间内的流量值导入，根据所导入的所述流量值，基于其差分后的数据满足正态分布，计算其均值和标准差，计算出发生小概率事件p的所述临界值，其中参数p是指事件发生的概率。
本发明对比现有技术有如下的有益效果：本发明的方案是利用ARIMA模型对流量进行预测，当实际值偏离预测的置信区间时，产生报警；产生报警的同时，启动备选方案来进行监控流量数据，用以防止异常数据进入ARIMA模型预测；在ARIMA模型正常运作时，实时判别ARIMA模型的参数是否还适用，若发现不再适用时，自动进行再学习，通过再学习获得新的模型参数，以此提高模型预测的准确性。对比现有技术，本发明是针对传统的ARIMA模型存在的两个弊端进行的：模型无法实时进行学习及无法自动排除脏数据，改进后自适应的差分自回归移动平均模型的流量预测方法主要是通过实时的模型自学习，让模型更加的吻合当前流量的数据走势，同时，当出现异常时，可根据数据本身的特性，替代ARIMA模型进行流量监控，从而不将异常数据放入ARIMA模型中进行数据拟合。对比传统的模型，本发明可以做到实时自学习，可以在尽可能不增加机器负载的情况下，当模型出现偏差时，立即启动自学习，使得模型更好地拟合当前的数据走势。备选方案是在模型监控到异常数据时，可通过启动备选方案代替模型进行监控，此时异常数据也就不进入模型，待数据回复正常时，正常数据带入模型继续进行预测并监控流量。
附图说明
图1示出了用ARIMA模型进行预测的流程图。
图2示出了本发明的自适应的差分自回归移动平均模型的流量预测方法的实施例的流程图。
图3示出了本发明的启动备选方案后的流程示意图。
图4示出了本发明的自适应的差分自回归移动平均模型的流量预测系统的实施例的原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
自适应的差分自回归移动平均模型的流量预测方法的实施例
图2示出了本发明的自适应的差分自回归移动平均模型的流量预测方法的实施例的流程。请参见图2，下面是对本实施例的方法中的各个步骤的详细描述。
步骤S100：通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型。
ARIMA是一种典型的时间序列分析算法，通过历史数据带入模型进行学习，确定模型的参数。对历史数据进行学习是为了确定模型的参数以便于后续实时数据可直接带入有确定参数的ARIMA直接计算，而不需再次去拟合数据计算及确认参数。获得初始ARIMA模型的过程是现有技术，在此不在赘述。
步骤S101：将当前时刻的前m个数据点代入ARIMA模型中进行计算，其中m为自然数。
步骤S102：预测出下n个时刻的流量值及其置信区间，其中n为自然数且m＞n。
步骤S103：判断实际的流量值是否位于预测的所述置信区间内，如果不在置信区间内，则判断为异常点，进行步骤S106，如果位于置信区间内，则进行步骤S104。
步骤S104：判断当前时刻的预测值与前一时刻实际的流量值的差的绝对值是否超过临界值，如果超过则进入步骤S105。
对历史流量作差分，得到一差分序列，发现其满足均值为0的正态分布，故计算其95％的置信区间(这里可假设95％的置信区间为[-b，b])，从而得到这一临界值b。
步骤S105：启动ARIMA模型的再学习，修改ARIMA模型的参数。
步骤S106：启动备选方案代替ARIMA模型。
备选方案的主要思想是通过对数据特性的分析，发现对机房流量数据做差分后，其差分后的数据分布近似于正态分布，此时可根据概率论，进行步骤S107。
启动备选方案的过程如图3所示，先将m个时间点的位于置信区间内的流量值导入，根据所导入的流量值，基于其差分后的数据满足正态分布，计算其均值和标准差，计算出发生小概率事件p的临界值，其中参数p是指事件发生的概率，一般设置为0.1、0.05或0.01。
步骤S107：判别当前时刻的实际的流量值与前一时刻的流量值之差的绝对值是否大于临界值，若超过则进入步骤S108，如果没有超过则进入步骤S109。
看参数是否合理，主要是通过观察其预测值和前一刻的实际值相减的绝对值是否超过了临界值b(也就是用了备选方案里面的临界值来检验模型参数的合理性)，备选方案的精确性没有ARIMA高，其不能体现数据的周期性，波动性，趋势性。
若大于临界值说明其发生了小概率事件，也就是说这一情况发生的概率小于概率p。
步骤S108：报警，流程结束。
步骤S109：记录无报警的次数，进入步骤S110。
步骤S110：待连续m个时间点无报警时，提示用户是否继续进行所述ARIMA模型的预测。如果用户选择继续预测则返回至步骤S100。
自适应的差分自回归移动平均模型的流量预测系统的实施例
图4示出了本发明的自适应的差分自回归移动平均模型的流量预测系统的实施例的原理。请参见图4，本实施例的系统包括初始模型获取装置10、置信区间预测装置11、偏离预测装置12、备选方案运行装置13以及模型参数校验装置14。
初始模型获取装置10通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型。
置信区间预测装置11将当前时刻的前m个数据点代入ARIMA模型中进行计算，预测出下n个时刻的流量值及其置信区间，其中m和n均为自然数且m＞n。
偏离检测装置12判断实际的流量值是否位于预测的置信区间内，如果不在置信区间内，则进入备选方案运行装置13，如果位于置信区间内，则进入模型参数校验装置14。
备选方案运行装置13启动备选方案替代所述ARIMA模型，判别当前时刻的实际的流量值与前一时刻的流量值之差的绝对值是否超过一临界值，若超过则报警。
在备选方案运行装置13中，在启动备选方案后，将m个时间点的位于所述置信区间内的流量值导入，根据所导入的所述流量值，基于其差分后的数据满足正态分布，计算其均值和标准差，计算出发生小概率事件p的临界值，其中参数p是指事件发生的概率。若当前时刻的实际的流量值与前一时刻的流量值之差的绝对值未超过预设的临界值，则记录无报警的次数，待连续m个时间点无报警时，提示是否继续进行所述ARIMA模型的预测。
模型参数校验装置14检查ARIMA模型的参数是否合理，是否吻合当前的数据特性。即，利用当前时刻的预测值与前一时刻实际的流量值进行比较，若两者之差的绝对值大于临界值，则启动ARIMA模型的再学习，修改ARIMA模型的参数。
上述实施例是提供给本领域普通技术人员来实现和使用本发明的，本领域普通技术人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的发明范围并不被上述实施例所限，而应该是符合权利要求书所提到的创新性特征的最大范围。
Claims (4)
1.一种自适应的差分自回归移动平均模型的流量预测方法，包括：
步骤1：通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型；
步骤2：将当前时刻的前m个数据点代入所述ARIMA模型中进行计算，预测出下n个时刻的流量值及其置信区间，其中m和n均为自然数且m＞n；
步骤3：判断实际的流量值是否位于预测的所述置信区间内，如果不在所述置信区间内，则进行步骤4，如果位于所述置信区间内，则进行步骤5；
步骤4：启动备选方案替代所述ARIMA模型，判别当前时刻的实际的流量值与前一时刻的流量值之差的绝对值是否超过一临界值，若超过则报警；在启动备选方案后，将m个时间点的位于所述置信区间内的流量值导入，根据所导入的所述流量值，基于其差分后的数据满足正态分布，计算其均值和标准差，计算出发生小概率事件p的所述临界值，其中参数p是指事件发生的概率；
步骤5：利用当前时刻的预测值与前一时刻实际的流量值进行比较，若两者之差的绝对值大于所述临界值，则启动所述ARIMA模型的再学习以修改所述ARIMA模型的参数。
2.根据权利要求1所述的自适应的差分自回归移动平均模型的流量预测方法，其特征在于，在步骤4中，若当前时刻的实际的流量值与前一时刻的流量值之差的绝对值未超过所述临界值，则记录无报警的次数，待连续m个时间点无报警时，提示是否继续进行所述ARIMA模型的预测。
3.一种自适应的差分自回归移动平均模型的流量预测系统，包括：
初始模型获取装置，通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型；
置信区间预测装置，将当前时刻的前m个数据点代入所述ARIMA模型中进行计算，预测出下n个时刻的流量值及其置信区间，其中m和n均为自然数且m＞n；
偏离检测装置，判断实际的流量值是否位于预测的所述置信区间内，如果不在所述置信区间内，则进入备选方案运行装置，如果位于所述置信区间内，则进入模型参数校验装置；
备选方案运行装置，启动备选方案替代所述ARIMA模型，判别当前时刻的实际的流量值与前一时刻的流量值之差的绝对值是否超过一临界值，若超过则报警；在启动备选方案后，将m个时间点的位于所述置信区间内的流量值导入，根据所导入的所述流量值，基于其差分后的数据满足正态分布，计算其均值和标准差，计算出发生小概率事件p的所述临界值，其中参数p是指事件发生的概率；
模型参数校验装置，利用当前时刻的预测值与前一时刻实际的流量值进行比较，若两者之差的绝对值大于所述临界值，则启动所述ARIMA模型的再学习以修改所述ARIMA模型的参数。
4.根据权利要求3所述的自适应的差分自回归移动平均模型的流量预测系统，其特征在于，在备选方案运行装置中，若当前时刻的实际的流量值与前一时刻的流量值之差的绝对值未超过所述临界值，则记录无报警的次数，待连续m个时间点无报警时，提示是否继续进行所述ARIMA模型的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110237615.2A CN102355381B (zh) | 2011-08-18 | 2011-08-18 | 自适应的差分自回归移动平均模型的流量预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110237615.2A CN102355381B (zh) | 2011-08-18 | 2011-08-18 | 自适应的差分自回归移动平均模型的流量预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102355381A CN102355381A (zh) | 2012-02-15 |
| CN102355381B true CN102355381B (zh) | 2014-03-12 |
Family
ID=45578878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110237615.2A Expired - Fee Related CN102355381B (zh) | 2011-08-18 | 2011-08-18 | 自适应的差分自回归移动平均模型的流量预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102355381B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106708694A (zh) * | 2015-11-18 | 2017-05-24 | 腾讯科技（深圳）有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
| CN110839016A (zh) * | 2019-10-18 | 2020-02-25 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116531A (zh) * | 2013-01-25 | 2013-05-22 | 浪潮(北京)电子信息产业有限公司 | 存储系统故障预测方法和装置 |
| CN103136599B (zh) * | 2013-03-11 | 2016-06-29 | 江苏省邮电规划设计院有限责任公司 | 一种移动数据流量动态预测方法 |
| CN103631900A (zh) * | 2013-11-20 | 2014-03-12 | 广东电网公司电力科学研究院 | 一种基于主备关口比对的数据比对方法 |
| CN103745094A (zh) * | 2013-12-25 | 2014-04-23 | 河海大学 | 感潮河段水文序列交互式模拟预测方法和系统 |
| CN104899405B (zh) * | 2014-03-04 | 2019-03-26 | 上海携程商务有限公司 | 数据预测方法和系统以及报警方法和系统 |
| CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
| US10911318B2 (en) * | 2015-03-24 | 2021-02-02 | Futurewei Technologies, Inc. | Future network condition predictor for network time series data utilizing a hidden Markov model for non-anomalous data and a gaussian mixture model for anomalous data |
| CN105550772A (zh) * | 2015-12-09 | 2016-05-04 | 中国电力科学研究院 | 一种在线历史数据潮流趋势分析方法 |
| CN106126483A (zh) * | 2016-06-21 | 2016-11-16 | 湖北天明气和网络科技有限公司 | 一种天气预测的方法及装置 |
| CN109873790A (zh) * | 2017-12-04 | 2019-06-11 | 中国电信股份有限公司 | 网络安全检测方法、装置以及计算机可读存储介质 |
| CN108712465A (zh) * | 2018-04-13 | 2018-10-26 | 电信科学技术第五研究所有限公司 | 大数据平台监控方法 |
| CN108920310B (zh) * | 2018-05-23 | 2022-05-03 | 携程旅游网络技术（上海）有限公司 | 接口数据的异常值检测方法及系统 |
| CN110245880A (zh) * | 2019-07-02 | 2019-09-17 | 浙江成功软件开发有限公司 | 一种污染源在线监控数据作弊识别方法 |
| JP7187397B2 (ja) * | 2019-07-18 | 2022-12-12 | オークマ株式会社 | 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム |
| CN110880984B (zh) * | 2019-10-18 | 2022-12-27 | 平安科技（深圳）有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
| CN111262750B (zh) * | 2020-01-09 | 2021-08-27 | 中国银联股份有限公司 | 一种用于评估基线模型的方法及系统 |
| CN112033479B (zh) * | 2020-08-11 | 2023-02-03 | 江苏水科尚禹能源技术研究院有限公司 | 一种生态流量监测数据采集及处理方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1545245A (zh) * | 2003-11-12 | 2004-11-10 | 中国科学院计算技术研究所 | 数据网络流量在线预测方法 |
| CN101771758B (zh) * | 2008-12-31 | 2012-11-07 | 北京亿阳信通科技有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
| CN101483547B (zh) * | 2009-02-12 | 2011-05-11 | 中国人民解放军信息工程大学 | 一种网络突发事件度量评估方法及系统 |
-
2011
- 2011-08-18 CN CN201110237615.2A patent/CN102355381B/zh not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106708694A (zh) * | 2015-11-18 | 2017-05-24 | 腾讯科技（深圳）有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
| CN106708694B (zh) * | 2015-11-18 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
| CN110839016A (zh) * | 2019-10-18 | 2020-02-25 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102355381A (zh) | 2012-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102355381B (zh) | 自适应的差分自回归移动平均模型的流量预测方法和系统 | |
| AU2016286280B2 (en) | Combined method for detecting anomalies in a water distribution system | |
| CN112231174B (zh) | 异常告警方法、装置、设备及存储介质 | |
| Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
| CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
| CN106708692B (zh) | 建立过滤报警模型的方法和装置以及过滤报警的方法、装置和电子设备 | |
| JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
| CN108897954A (zh) | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 | |
| CN109001649A (zh) | 一种电源智能诊断系统及保护方法 | |
| CN104538041A (zh) | 异常声音检测方法及系统 | |
| CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| US20150073750A1 (en) | Fault detection, localization and performance monitoring of photosensors for lighting controls | |
| CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
| CN113518011A (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN103745094A (zh) | 感潮河段水文序列交互式模拟预测方法和系统 | |
| CN103631145A (zh) | 基于监控指标切换的多工况过程监控方法和系统 | |
| CN107516279A (zh) | 一种网络舆情自动预警的方法 | |
| CN103488169B (zh) | 连续型化工装置及其控制回路性能实时评价方法、装置 | |
| Alippi et al. | On-line reconstruction of missing data in sensor/actuator networks by exploiting temporal and spatial redundancy | |
| CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
| CN112380206B (zh) | 一种交通时序数据的诊断和修复方法 | |
| CN109145773A (zh) | 一种多源趋势信息融合的故障预测方法 | |
| CN117786578A (zh) | 一种电力运行状态检测方法、装置、设备及存储介质 | |
| CN103488168B (zh) | 间歇型化工装置及其控制回路性能实时评价方法、装置 | |
| Hwang et al. | A new machine condition monitoring method based on likelihood change of a stochastic model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| C56 | Change in the name or address of the patentee | ||
| CP02 | Change in the address of a patent holder |
Address after: 200030 Shanghai city Xuhui District Xietu Road No. 2899 Building 5 floor A Kuangchi Cultural Square Patentee after: WANGSU SCIENCE & TECHNOLOGY Co.,Ltd. Address before: 200030 Shanghai Xuhui District Xietu Road No. 2669 15 Floor Patentee before: WANGSU SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140312 |