CN102955841A - 用于在复杂事件处理环境中预测事件流的未来行为的方法和/或装置 - Google Patents
用于在复杂事件处理环境中预测事件流的未来行为的方法和/或装置 Download PDFInfo
- Publication number
- CN102955841A CN102955841A CN2012102916013A CN201210291601A CN102955841A CN 102955841 A CN102955841 A CN 102955841A CN 2012102916013 A CN2012102916013 A CN 2012102916013A CN 201210291601 A CN201210291601 A CN 201210291601A CN 102955841 A CN102955841 A CN 102955841A
- Authority
- CN
- China
- Prior art keywords
- event
- prediction
- window
- reference windows
- time
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及在复杂事件处理(CEP)环境中预测事件流的未来行为。对于每个接收的所述事件流中的事件,一个用于显示预先定义的时间范围的参考窗口被更新,在该过程中所述预测被计算,从而使得所述参考窗口以所述接收的事件结束,所述参考窗口随所述事件流移动。在该处理循环内,当一个预测更新策略指出所述预测基于所述接收的事件被更新,则:用于显示时间范围的一个预测窗口被更新,其中事件在该预测窗口中被预测;以及当所述预测窗口的时间段没有被超出,(a)下一个预测事件通过至少一个处理器被生成,以及(b)所述下一个预测事件被插入所述预测窗口;以及所述预测窗口被发布。
Description
技术领域
在此描述的特定的示例实施方式涉及在复杂事件处理(CEP)环境中预测事件流的未来行为。在特定的示例实施方式中,当有事件流进入,新的预测可能关于连续地或间断地移动的时间窗口被自动计算。在特定的示例实施方式中,然后所述预测可能基于所述可移动的窗口估计它们将发生的所述未来值和时间,并且所述预测的框架可能被灵活地定义并参数化以允许定制的适合。
背景技术
增加数量的应用持续产生大量的数据。这些数据可以被看作数据流。复杂事件处理(CEP)系统已经被设计为分析那些事件流并从其它事情中以实时的或实质上实时的方式导出有意义的、相关的模式,不论为了技术目的还是业务相关的目的。
CEP系统典型地影响过滤、集合、关联和/或模式匹配功能以连续地分析被消耗到给定的点(point)的事件。为了允许主动反应,本申请的发明人已经实现典型的技术可通过预测所述事件流的未来行为被扩展。这样的预测可能基于比如,在变化的时间期限已经消耗的事件。
此外,在CEP系统内,比如,这样的预测功能可能在所述系统侧和在所述用户侧上被影响。比如,用户可以为一个输入流指定一个预测。该预测功能可以无缝地整合入所述CEP系统下的所述事件查询语言。通过设置一个对应的预测查询,比如,用户可以估计命令的数量直到这一天结束,10分钟后一支股票的价格,在下两个小时内网络断电的数量,交通事故或其它技术的或物理的事件等的数量。
CEP系统典型地必须处理具有易变特性的多个高容量流。这样,可适于提供非常稳健的CEP系统。预测那些流的未来行为可能较优地提供所述系统可能性的主动管理。例如,如果期望较低的系统负载,所述系统可能触发内部的、计算花费大的优化以帮助优化或改进所述事件流和吞吐量。相反,如果期望较高的系统负载,所述系统可以为所述受影响的输入流的对应的处理线程分配一个更高的优先级。
CEP系统典型地连续接收并从而可能以实时的方式分析大量的事件。这就出现多种挑战。第一个事项是用户可能想预测用于可能使用于形成主动反应(reactions)的所述事件流的未来行为。为了那个目的,所述相应的事件查询语言可能被扩展以便用户可以以直观的方式指定所述预测。第二个事项是怎样制作CEP系统,其典型地必须是高度适应的、使用预测功能估计未来流行为并且它的系统管理决定以该预测为基础。第三个事项是将较优地以在线的方式形成预测。比如,这包括完整的下面多个事件的在线预测,例如,它们具有那些值、它们什么时候发生和它们携带了哪些暂态信息。第四个问题是这样的在线预测功能可能必须被适当地集合入CEP系统并且也可能必须被灵活地设计为允许不同的事件表征、时间帧和/或预测策略。
本申请的发明人注意到在复杂事件处理/事件流处理/数据流处理/流挖掘的情况下,在事件流中预测的所述事项和它对CEP环境的应用可能包括,比如趋向的/预测的/预见的分析。
有多种方法处理这样的数据。比如,注意到所述数据库方法使用一种数据库系统以持久的方式存储数据。比如,SQL查询可用于获得用于数据库中的数据的特定的,最简单的预测功能。然而,遗憾的是,所述SQL标准没有为预测功能建模而保留的明确的子句。更复杂的预测策略典型地在数据库系统上计算。
此外,所述传统的数据库方法单独不适于高容量事件流处理。数据库系统不被设计为连续处理传入的事件。因此,它们也不被设计为递增地以实时方式更新预测。数据库系统可能为系统管理决策使用预测功能,但这可能将必须在定期的基础上而不是连续的基础上被执行。所述连续的方法本身获得所述流特性的最近的发展,而所述定期的方法冒着对过时的流特性做决策的风险。
特定的技术包括在所有的事件查询语言中计算加权平均数并应用平滑功能。然而,遗憾的是,那些功能不估计下一时间段的事件。比如,在Spotfire操作分析(市场上可从TIBCO购买)中,可认为提供了不能指出对未来一个时间段的事件的预测的公开信息。
发明内容
这样,本领域技术人员将理解到在本领域中需要访问更多的以上描述的和/或其它事项中的一项的技术,和/或在CEP环境中提供改进的预测事件流的未来行为的技术。
本发明的特定的示例实施方式的一方面涉及“在线”预测事件流的技术。当有事件流进入,新的预测可能关于连续地或间断地移动的时间窗口被自动计算。然后所述预测可能在所述可移动的窗口的基础上估计它们将发生的所述未来值和时间(例如,在下一小时的事件)。在特定的示例实施方式中,所述预测的框架可能被灵活地定义并参数化以允许定制的适合。本发明的特定的示例实施方式涉及在CEP系统中的预测功能的应用,显示功能怎样被合并入所述事件查询语言,并且合并入所述系统管理组件。
本发明的特定的示例实施方式的另一方面涉及预测在所述CEP上下文中配备有时间信息的事件。在特定的示例实施方式中,一个未来值被估计,如在预先定义的时间期限内期望的未来事件一样,包含所述事件的所述时间信息。根据特定的示例实施方式,一个预测算法可能被用于估计事件的值,以及它们的时间发生和时间信息。这样,在本发明的特定的示例实施方式中,可能提供以上线的方式预测事件流并且处理不同的事件流表征、参考和预测窗口、窗口模型,和/或预测策略的灵活的框架。
本发明的特定的示例实施方式的另一方面涉及以结合与综合的方式访问以上描述的一些或所有和/或事项。例如,关于第三和第四的事项,可能提供一个预测运算符。所述预测运算符可能遵循在运算附中封装分析功能的设计原理。运算符分析直接传入的事件的流并且产生连续的查询输出流。这样,特定的示例实施方式的所述运算符可能支持事件流的在线处理并直接提供新的预测。由于所述运算符设计,所述预测功能可能被应用于传入的流,和由其它运算符计算的中间流。为了允许增强的灵活性,特定的示例实施方式的所述运算符可能提供预测框架。所述框架可能被适用于不同的事件流表征、不同的参考和预测窗口、不同的窗口模型和/或不同的预测策略。例如,所述运算符框架可能被设计为计算未来时间窗口的未来事件并且,因此可能也估计什么时候所述事件将发生和它们携带哪些时间信息,并且不仅仅是它们的值将是什么。
上文描述的所述第二个事项可能连同所述运算符方法的实现被处理。例如,所述预测运算符可能被插入所述输入流。用那个示例的方法,所述系统可能视需要并以灵活的方式监控它的输入流。因为连续提供最近的预测,所述系统可能非常灵活地对改变流特性做出反应。所述相应的预测可能被用在特定的例子中以确定未来的负载配置文件,转而,可能提供用于系统管理的决策支持。为了那个目的,在系统管理中的不同的示例应用在此被列出。
所述第一事项可能通过使用可用于所述事件查询语言的预测运算符功能被处理。用户可能直接在连续的查询中指定预测功能并为参考和未来窗口设定相应的大小。在不同的实现中可能支持不同的窗口模型。由于所述处理范例,该查询可能被连续估计,并且当新事件流进入时,用户可能连续地呈现所述最近的预测。
这样,特定的示例实施方式可能合并一些或所有的以下和/或其它的特征:
·基于连续移动的时间的窗口连续产生预测的在线预测运算符;
·用于预测的运算符,允许不同的事件流表征、窗口模型、和/或预测策略的灵活的框架;
·用于基于时间间隔表征的事件的预测运算符的说明;
·未来时间窗口的未来事件的时间发生的预测;
·支持不同窗口模型的所述事件查询语言中的预测功能的集成;和/或
·为系统管理任务,所述预测运算符的使用。
发明人未意识到合并用于不同的参考和预测窗口、窗口模型、和更新策略的所述事件查询语言中的预测功能的当前的技术。这包括允许插入多个预测策略的所述灵活的框架设计。当前的解决方案也被认为缺少用于由用户建立的查询,以及用于系统管理目的的预测运算符。关于系统管理,发明人未意识到使用输入流和中间查询结果流的在线预测作为系统管理决策的基础的当前的技术,例如,在最优化、适合于查询负载,和/或追踪加强负载查询的领域。这样,特定的示例实施方式还有的另一方面设计提供这些“缺失的”特征。
在特定的示例实施方式中,提供一种预测一个事件流在未来将如何表现的方法。接收包含多个事件且以其为基础进行预测的一个事件流。对于每个接收的所述事件流中的事件,一个说明预先定义的时间范围的参考窗口被更新,在该过程中所述预测被计算,从而使得所述参考窗口以所述接收的事件结束,所述参考窗口随所述事件流移动。在该处理循环内,当一个预测更新策略指出所述预测基于所述接收的事件被更新,则:用于显示时间范围的一个预测窗口被更新,其中事件在该预测窗口中被预测;以及当所述预测窗口的时间段没有被超出,则(a)下一个预测事件通过至少一个处理器被生成,以及(b)所述下一个预测事件被插入所述预测窗口;以及所述预测窗口被发布。
根据特定的示例实施方式,所述参考和/或预测窗口是基于时间的或基于计数的。根据特定的示例实施方式,所述预测更新策略根据事件发生的预先定义的数量或在用户指定的时间间隔来触发更新。
根据特定的示例实施方式,为响应用户输入,可能调整所述参考窗口以有选择地突出所述事件流中的短期或长期的流趋向。在特定的示例例子中,所述选择的预测策略的参数可能基于预测的事件精确度的评估被调整。联合估计可能被应用于数据部分、事件间隔时间、和时间间隔长度参数。学习算法可能被应用于所述预测,并且所述参考窗口和/或所述预测窗口的所述时间范围可能被调整以响应所述学习算法。
根据特定的示例实施方式,对于每个预测的下一个事件,所述下一个事件的预测包括:基于在所述滑动参考窗口中的所述事件的数据部分计算用于所述预测的下一个事件的数据部分;计算用于所述预测的下一个事件的开始时间戳;以及计算用于所述预测的下一个事件的结束时间戳。用于所述预测的下一个事件的所述开始时间戳可能通过将到下一个开始时间戳的估计间隔加到立即优先的开始时间戳来计算。
可选择地,所述估计的间隔可能基于与所述参考窗口的间隔,用于所述预测的下一个事件的所述结束时间戳可能通过所述预测的下一个事件的所述计算的开始时间戳加上一个估计的时间间隔长度来计算,和/或所述估计的时间间隔长度可能基于所述参考窗口中的事件的时间间隔长度。在特定的实施方式中,至少一个预测的下一个事件可能被用于预测另一个被预测为在时间上更晚发生的预测的下一个事件。
根据特定的示例实施方式,根据预先定义的预测策略,预测所述下一个事件被实施,所述预测策略包括从包含以下策略的所述组中选择的至少一个策略:(a)以向前或向后的方式重复来自所述参考窗口中的所述事件的值;(b)随机选择来自所述参考窗口中的所述事件的值;(c)将加权的或未加权的平均数应用于来自所述参考窗口中的所述事件的值;(d)根据控制所述最近事件的重点的平滑参数,平滑递增地计算的下一个事件和上一个估计的加权平均数;(e)执行基于密度的重采样;和(f)将所述参考窗口与一组一个或更多的预先定义的历史参考窗口组合。
根据特定的示例实施方式,在所述参考窗口中的事件可能被压缩。在一些例子中,所述参考窗口的时间范围可能被增加,所述压缩与增加被平衡从而使得预测质量以快于压缩引入错误的比率提高。
根据特定的示例实施方式,用于表现在所述事件流中的事件的业务数据及用于表现预测的事件的业务数据,和/或系统管理事件数据及预测的系统管理事件数据可能被输出给显示器。
特定的示例实施方式也提供实体存储用于执行以上总结的和/或其它的方法的指令的非暂态计算机可读存储介质,还有相应的计算机程序。
特定的示例实施方式也可能提供类似的系统。例如,特定的示例实施方式涉及一种复杂事件处理(CEP)系统,包括至少一个处理器、被所述至少一个处理器控制的CEP引擎,和至少一个输入适配器,其被配置为接收一个包含事件的事件流,以及提供来自所述事件流的所述事件的事件数据给所述CEP引擎。所述CEP引擎包括至少一个运算符,其被配置为直接或间接地接收和处理所述事件数据,用于后续直接或间接输出给所述CEP系统的系统管理应用和/或事件消耗应用,或与所述CEP系统通信的组件,还有至少一个被配置为直接或间接地接收并处理至少一个所述的事件流的预测运算符。所述处理可能包括(a)对于每个接收的事件流中的事件,更新说明预先定义的时间范围的参考窗口,在该过程中所述预测被计算,从而使得所述参考窗口以所述接收的事件结束,所述参考窗口随所述事件流移动,并且当预测更新策略指出所述预测将基于所述接收的事件被更新时:更新用于显示时间范围的预测窗口,在其中事件在该预测窗口中被预测;并且当所述预测窗口的时间段没有被超过,则(i)通过至少一个处理器生成下一个预测事件,以及(ii)将所述下一个预测的事件插入所述预测窗口;并发布所述预测窗口。所述预测可能被直接或间接地输出到所述CEP系统的所述系统管理应用和/或外部应用或组件。
这些特征、方面、优点和示例实施方式可以被分开使用和/或以多种结合应用以获得本发明的进一步的实施方式。
附图说明
通过参考以下示例说明的实施例的详细描述并结合附图可以更好并且更完全地理解这些和其他特征及优点,其为:
图1是使用时间间隔表征的一个示例事件流;
图2是说明在特定的示例实施例中显示事件流的未来行为怎样被预测的一个示例流程的流程图;
图3是根据示例实施例说明将预测的功能集成入CEP系统的架构图;
图4是根据特定的示例实施例,显示在此描述的预测功能怎样可能被集成入用户界面的说明性屏幕截图;
图5是根据特定的示例实施例,显示在此描述的用于系统监视器的预测功能怎样可能被集成入用户界面的说明性屏幕截图。
具体实施方式
众所周知,CEP系统处理并分析高容量的事件流。一个事件流通常被认为是事件的连续递增序列。比如,当事件发生时(例如,对一辆汽车的命令已经在下午10点被申请或已经在特定的时间点进行一个物理测量),这些事件可能被认为包括一个数据部分和时间组件说明(temporal component stating)。使用比如单一的时间戳、时间间隔、用于单一的时间戳的正负性的声明等,存在事件的不同的时间表征。
特定的示例实施例的预测技术可能接收那些事件并连续保持事件的时间窗口。这个窗口的大小(例如,上一个小时或上10个事件等)可能是潜在的算法的可配置的参数。在特定的示例实施例中,所述预测的时间窗口(或用于要被预测的所述事件的时间窗口)也可能被参数化。比如,特定的示例实施例的所述预测算法可能被配置为涉及上三个小时并预测用于下一个十分钟的所述事件。可能由用户指定的另一个参数是所述预测的更新频率(比如,说明对于每个传入的事件、每五分钟等,所述预测算法是否将被更新)。在特定的示例实施例中,所述预测策略本身也可能被参数化。多个不同的预测策略可能被用来(leveraged)预测未来事件的值并且当它们将在指定的预测窗口发生时。通常,特定的示例实施例的预测算法可能以在线的方式处理事件并从而符合典型地严格的CEP处理要求。
特定的示例实施例的预测技术可能被嵌入一个CEP系统。CEP系统典型地使用适配器连接事件流。运算符可能连接那些适配器,其中一个运算符包括特定的分析逻辑。以同样的方式,一个预测运算符可能被形成以接收事件、保持事件的一个时间窗口并计算一个新的预测。所述灵活的设计不仅允许计算用于输入事件流的预测,还允许计算用于其他运算符的结果数据流的预测。
在特定的示例实施例中,所述预测功能可能被集成入所述用户界面以使得所述用户指定使用预测的业务逻辑。比如,业务逻辑的例子可能包括想预测下一个小时的汽车命令的用户、已经计算前两个小时内网络中断的平均数的用户并且现在想预测下个30分钟的相应的数目等。在特定的示例实施例中,事件查询语言可能通过具有相应的窗口设置的FORECAST字句被扩展以帮助促进这样的特性的实施。
其他的预测应用可能位于系统管理中。CEP系统典型地必须是高度自适应的,由于所述输入流的特征从而所述系统负载可能重大地改变。通常,所述流特征已经被发现对查询的处理成本具有直接的影响。因此,如上所指,所述系统可能影响流的预测以便以主动的方式适应未来的负载配置文件。比如,CEP系统的查询优化器可以通过所述查询定期地估计所述事件处理流并且,如果在不久的将来低输入负载被期望,所述的系统可能使用免费的资源预先触发优化流程。
现在将提供用于在CEP环境中计算和使用预测的示例框架。将理解到虽然所述示例的框架的特定方面被描述与具体的设置和策略相关,它们也可以根据其他的设置和策略被适应。此外,虽然以下的例子讨论代表确定的时间间隔方法的事件的预测,将理解到作为选择或增加,这样的技术可能适合于其他的方法。
在所述时间间隔方法中,一个事件包括一个数据部分e和一个时间间隔[ts,te)。所述时间间隔描述从ts(包含)开始到te(排除)的所述事件的有效性。在所述流中的事件通过开始时间戳被分别排序。图1是使用时间间隔表征的一个示例事件流。
如上所指,事件流的预测可能包括一些或所有以下参数:
·参考窗口:所述参考窗口指用于计算所述预测的事件的时间窗口。在不同的实现中,它可以是时间窗口(例如,上一个小时)或基于计数的窗口(例如,上10个事件)并可选择为由用户指定。当一个新的事件到达时,所述窗口可能被更新以包含关于所述新的事件的相应的以前的事件。这样,所述窗口随所述事件流移动。用这个参数,较旧的数据的影响可以被控制。取决于所述设置,短期流趋向或长期流趋向可能被突出。
·预测窗口:所述预测窗口指用于将要被预测的事件的时间窗口。在不同的实现中并当可由用户选择设置时,所述预测窗口可以是时间窗口(例如,下一个小时)或基于计数的窗口(例如,下10个事件)。这个参数可以定义未来事件将被估计的时期。较长的预测窗口将典型地导致较低的估计准确度,虽然不总是如此。
·预测更新:当一个新的预测将被计算从而被提供时,可以指定更新策略。所述预测更新参数可能为每个传入的事件设置或通过在不同的实现中遍历分割的时间轴(例如,每10分钟)来设置并由用户可选择的设置。其他的触发器可以被使用,例如预先定义的事件的发生,比如电源断电,尤其是高或低输出或处理可用资源等。
·预测策略:所述预测策略可以定义所述预测窗口的事件将怎样基于来自所述参考窗口的值被计算。
为了使用所述时间间隔方法估计一个事件,所述数据部分e、所述时间戳ts和所述时间间隔长度te-ts可能被估计。关于所述数据部分,以下的讨论假设所述数据部分包括来自公制尺(metric scale)的单一的数值。对于具有不同属性的事件,包括具有来自非公制尺的值的属性,然而,相应的预测策略可以被选择。为了估计一个新的事件,可能使用一个预测策略分别估计所述可变数据部分、开始时间戳和时间间隔长度。这些估计可能基于所述参考窗口中的事件的相应的值。给出所述参考窗口的上一个事件,未来的事件可能直到所述预测窗口的末端到达才被生成。取决于预测更新设置,所述预测的计算可能为每个传入的事件或当预设的更新时期已经过去时被触发。
以上简略讨论的参数可以根据下面的表格被定义,并且下面讨论的示例算法遵守这些定义:
参数 | 说明 |
wref | 参考窗口 |
wfc | 预测窗口 |
updatefc | 预测更新策略 |
fdata | 传递下一个数据部分值的预测函数 |
fts | 传递到下一个开始时间戳的间隔的预测函数 |
fti | 传递下一个时间间隔长度的预测函数 |
(e’,[t’s,t’e)) | 新的未来事件 |
以下的伪代码算法概述了以上讨论的一般的步骤:
1:for each incoming event do
2:update wref to end with new event;
3:evaluate updatefc with new event;
4:if(updatefc returns true)
5:flush wfc;
6:update temporal range of wfc;
7:while(temporal range of wfc is not exceeded)
8:compute nextforecast event(e’,[t’s,t’e));
9:insert(e’,[t’s,t’e))into wfc;
10:publish wfc;
图2可视地说明这个示例的算法。如图2所示,在步骤S202中,一个新的事件流到达。在步骤S204中,所述参考窗口以新的事件被更新,例如,以便所述参考窗口现在以新到达的事件结束。在步骤S206中,所述更新策略被检查以确定一个新的预测是否根据所述新到达的事件将被确定。如果步骤S208指示新的预测不需要被确定,那么在步骤S210中执行检查以确定所述流是否被完成。如果所述流未被完成,那么所述流程返回步骤S202等待另一个新的事件到达。但是,如果所述流已完成,那么图2的示例流程结束。
然而,如果步骤S208指示新的预测将被确定,那么在步骤S212中所述预测窗口被刷新或重置,并且它的时间范围被更新。然后在步骤S214中做出检查以确定所述时间范围是否已经被超出。如果所述时间范围未被超出,那么在步骤S216中,一个新的未来事件被生成并且被插入所述预测窗口。
一旦如步骤S214中确定的所述时间范围已经被超出,在步骤S218中所述新的预测窗口被发布。如上,在步骤S210中执行检查以确定所述流是否被完成。并且如上,如果所述流未被完成,那么所述流程返回步骤S202等待另一个新的事件到达。但是,如果所述流已完成,那么图2的示例流程结束。
现在将讨论所述预测策略,其可能源于来自所述参数窗口的事件的一组未来事件。要注意所述预测策略涉及上述伪代码算法中的7-9行并且从而为步骤S212、S214和S216。一个给定的预测策略可以分别为所述数据部分、开始时间戳和时间间隔长度被执行。以下的示例算法描述计算一个新的事件的一种方式:
第一,所述数据部分从所述参考窗口的数据部分被计算。第二,通过将到下一个开始时间戳的估计间隔增加到以前的开始时间戳来计算所述开始时间戳。比如,这个估计的间隔可能根据与所述参考窗口的间隔。此外,或以替代的选择,可能使用其他的标准,比如该天的时间(the time of the day)。通过增加估计的时间间隔长度到所述开始时间戳来计算所述结束时间戳。在特定的示例情况中,这个估计的长度可能基于所述参考窗口的时间间隔长度。取决于预测策略,来自以前的未来事件的值可能也被用于除所述参考窗口之外。
这个示例方法可以使用以下的伪代码表示,其中
wref=(e1,[ts1,te1)),…,(en,[tsn,ten)):
1:if(wfc is empty)
2:t’s=tsn;
3:e’=fdata(e1,…,en);
4:t’s=t’s+fts(ts2-ts1,…,tsn-t(sn-1));
5:t’e=t’s+fti(te1-ts1,…,ten-tsn);
6:return(e’,t’s,t’e);
要注意这个伪代码算法有点类似于托比亚斯·里门施耐德(TobiasRiemenschneider)的名称为“根据统计元数据的连续查询优化(Optimierungkontinuierlicher Anfragen auf Basis statistischer Metadaten)”的博士论文的第4.3.1节陈述的方法。这个方案总体上讨论使用统计元数据的连续查询的优化。它使用基于统计的模拟来估计查询的未来行为。密度估计量相对于可定期更新的定型数据集被计算。单独的密度估计量为事件的数据部分、间隔率和时间间隔长度建立。这些估计量然后被用于事件的抽样,其被用作预测。这样,这个方案使用可能被用于与所述未来事件的预测相关的一种提出的预测技术。在这个方案中的预测被用于测量查询优化中的潜在的查询成本。总的来说,这个方案基于用于查询优化的特定实例的定期更新预测模型。它不包括预测框架方法、运算符建模、使用不同的窗口模型的事件的通用目的预测,事件流表征和预测策略,还有集成入事件查询语言,和所有提出的系统管理应用。在第4.3.1节中陈述的方法在估计的分布的帮助下来源于下一个事件和它的时间发生,并且它也使用间隔率(inter-arrival rate)和时间间隔长度。但是,这个估计基于先前计算的密度,并且不在移动的参考窗口上。此外,在特定的示例实施例中,抽象可能从具体的预测技术中被减去。
在任何事件中,关于所述预测窗口的时间范围是否超出的检查可能取决于窗口类型。对于一个基于计数的窗口,可能做出一个关于生成的未来事件的数量是否小于或等于所述窗口大小的检查。然而,对于一个时间窗口,可能做出一个关于所述未来事件的开始时间戳是否位于开始于来自所述参考窗口的上一个事件的开始时间戳的所述窗口的检查。
不同的示例策略可能被用于预测其本身。比如,一些或所有的以下策略可能被使用:
·简单的预测:以向前或向后的方式重复来自所述参考窗口的值。
·随机预测:随机选择来自所述参考窗口的值。
·加权平均数:建立所述值的加权平均数。使用1的凸线性组合作为权数。特殊的情况是1/n,其给每个值相同的权数。
·指数平滑:递增地计算下一个事件和上一个估计的加权平均数。平滑参数允许在最近的事件上调整重点。
·基于密度的重采样:使用所述分布的非参数估计并抽取一个样本。比如,对于所述分布的非参数估计,可能使用直方图、核密度估计(KDE)、小波密度估计等。用所述估计的分布,可以抽取根据该分布的值的代表样本。
·参考曲线组合:使用所述参考窗口和一组预先定义的历史窗口。这些历史窗口跨越较宽的时间范围,例如,一个窗口覆盖前一天,一个窗口覆盖一星期前的一天,以及一个窗口覆盖前一个月。那些历史窗口的加权平均数被计算以便所述参考窗口可能被最佳近似。当一个新的预测将被计算,所述权值相对于当前的参考窗口被再计算。所述平均数被用于取得所述预测窗口。比如,如果来自三天的历史数据是可用的并且当前时间是下午2点,那么平均历史数据可被用于估计从下午2点到下午6点的预测窗口。
在本发明的特定的示例实施例中,与第一伪代码片段相关的描述的算法与图2可能以多种不同的可能的方式被扩展。比如,一种扩展涉及合并用于所述结果质量的连续的反馈。当一个新的事件到来,先前的预测的质量可能被评估。考虑到所述评估的结果,所述预测策略的参数可能被调整。比如,可能通过基于先前的预测质量评估连续调整过去事件的权数来改进所述加权平均数的方法。由于性能的原因,这个结果质量评估可能有时在周期的基础上(例如,每100个事件)而不是在每个事件的基础上被触发。此外,或作为选择,可能在所述查询被激活之前引入训练(training)阶段。所述查询可能通过一组历史数据被评估并且相应的预测质量可能被评估。因此所述查询的参数可能被调整并且使用另一个参数数据集在交叉验证步骤中评估它们的适用性。使用那个机制,不同的预测策略的选择也可能被评估。
另一个类似的扩展涉及允许为参考和预测窗口设置适当大小的学习算法的集成。所述参考窗口越长,越多的内存被分配,但典型地所述估计质量将越好。然而,所述预测窗口越长,所述结果典型地将越不确定,但用户的需求典型地越被满足。在学习算法的帮助下,那些窗口大小可能递增地适应于用户的需求。当这个扩展被实施时,可能为用户提供反馈机制以评价预测的质量。
关于预测策略的使用的进一步扩展涉及应用关于参数的联合估计。特定的示例实施例的所述算法的“基础”版本可能独立地为数据部分、事件间隔(inter-arrival)时间和时间间隔长度应用预测策略。为了处理那些参数中的相关性(例如,上午10点和上午11点之间,典型地所述值更高),多维预测策略可能同时被用于估计所有的参数。比如,在特定的示例实现中,基于密度的重采样策略可能被用于那个目的。
还有另一个扩展涉及在所述参考窗口中将压缩算法(例如小波或基于傅立叶技术等)应用于事件而允许更小的内存印迹。这样做可以使得用户使用更大的参考窗口。所述压缩不一定需要是无损的。但是,要注意更长的时间范围可以提高所述预测质量,快于新引入的压缩错误恶化。所述压缩算法除提供合适的压缩质量外,也被选择为与有效的解压方法相关。
图3是根据示例实施例说明将预测的功能集成入CEP系统的架构图。在特定的示例例子中,将预测功能集成入所述CEP系统可以被设计为类似于查询功能的集成。CEP系统(包括可能在包含一个或更多处理器、内存和非暂态存储单元的处理资源的控制下被执行的所述CEP引擎302)具有用于所述数据流的三层架构。多个输入适配器304a-d连接要被分析的输入事件流306a-d。在运行时环境上下文308内,运算符310连续地接收来自输入流304的事件并借助于它们特定的运算符分析逻辑分析它们。例如,一个过滤运算符过滤关于过滤谓词的事件。运算符310可以连接其他的运算符以允许分析功能的级联(cascade)。事件接收器消耗所述结果并处理它们,例如,通过使它们在图形组件中可视化。这样,多个输出适配器312a-c可以将输出供应给事件消耗应用和/或组件314。在特定的示例实施例中,为允许增强的适应性,所述预测功能可能被压缩在一个运算符中。这样,图3显示多个运算符310和预测运算符316。所述预测技术可以被集成入所述事件查询语言,而且在系统管理组件318中。所述系统也可以在并行的不同的流304上保持多个预测运算符316。给定的预测运算符的配置可能涉及设置所述参考窗口和预测窗口的大小、所述更新策略和预测策略。
要注意在不同的示例实施例中,可以提供更多或更少的输入流、输入适配器和输出适配器。同样地,在不同的示例实施例中,可以提供更多或更少的运算符和预测运算符。此外,所述运算符和/或预测运算符可以以任何适当的方式相互连接,并且也可以直接或间接地从任何一个或更多的输入适配器接收输入,以及直接或间接地将输出分配到任何一个或更多的输出适配器或所述系统管理组件。
所述事件查询语言被用于指明怎样分析事件流。如上所指,预测支持可以被并入事件查询语言。以下的讨论提供关于一个预测子句怎样被并入基于结构化查询语言SQL的事件查询语言的示例的说明。要注意下面的定义基于网页方法webMethods业务事件的事件查询语言。
在这个例子中,“数字”被定义为正整数,并且“字段名FieldName”是流的一个属性。此外,考虑以下子句:
TimeExpression::=Number("SECOND"|"SECONDS"|"MINUTE"|"MINUTES"|″HOUR"|″HOURS"|"DAY"|"DAYS")?
这个子句定义接着时间间隔(granularity)的作为正整数的时间跨度,如10分钟或1小时。
以下的子句定义所述参考窗口的大小和更新策略。它可以用在流规范后的FROM子句中。
WindowClause::="WINDOW""("("ROWS"Number("SLIDE"Number)?|"RANGE"TimeExpression("SLIDE"TimeExpression)?)")"
“ROWS”定义用于事件的正数的基于计数的窗口(例如,ROWS 10对应包含10个事件的窗口)。“RANGE”定义给出一个时间表达TimeExpression的时间窗口(例如,RANGE 5 MINUTES对应于5分钟窗口)。“SLIDE”定义对应的更新策略。例如,为了更新用于基于计数的窗口的每5个事件,使用ROWS 10SLIDE 5。没有SLIDE可能意味着预测为每个传入的事件被更新。
所述“预测”子句可以定义为:
ForecastClause::="FORECAST""("FieldName")""WINDOW″"("("ROWS"Number|"RANGE"TimeExpression)")"
这个子句定义哪个字段被预测并另外指定所述预测窗口,基于计数的或时间窗口。
现在将呈现多个示例查询,说明这些示例定义怎样被使用。
·给定上2个小时的事件,预测下一个小时的stock流的值:
SELECT FORECAST(price)WINDOW(RANGE 1 HOUR)
FROM StockStream WINDOW(RANGE 2 HOURS);
·只每5分钟更新所述预测:
SELECT FORECAST(price)WINDOW(RaNGE 1 HOUR)
FROM StockStream WINDOW(RANGE 2 HOURS SLIDE 5 MINUTES);
·给定上20个值,预测下一个值,我们规定
SELECT FORECAST(price)WINDOW(ROWS 1)
FROM StockStream WINDOW(ROWS 20);
图4是根据特定的示例实施例,显示在此描述的预测功能怎样可能被集成入用户界面的说明性屏幕截图。如图4的例子中所显示的,对于分批到达的一个命令量(volume),下一批的大小和时间被预测。此外,处理所述命令要求的时间被预测为多个小时的一个时间窗口。当前的预期的命令处理时间也被图形化为提供实际的预期的数据。
在特定的示例实施例中,CEP系统的管理组件也可能影响所述预测运算符。如果预测运算符连接每个输入流,所述管理组件可能在最近接收流特性的估计。比如,这可能包括所述输入速率(例如,每秒传入事件的数量,在给定的时间期限内的事件的总数等)。用那些流特性,所述系统可能能够估计它的未来负载。基于SQL的CEP引擎可能将成本模型应用于它的查询,每次查询传送它的处理成本的估计。给定所述未来流特征和所述成本模型,所述系统可能能够发展在最近的处理负载的综合概览。
所述未来负载配置文件可以使用于不同的系统相关的任务,比如包括:
·预期的负载集中的查询的识别:给定每个查询的所述负载配置文件,所述系统可以保持所述预期的负载最集中的查询的前k的列表。如果所述系统必须停止查询(例如,响应实际的负载或期望预期的负载),用户可能被提前通知查询是负载集中的并应当被停止。
·触发查询最优化:CEP系统的所述优化器被配置为尝试通过所述引擎改进所述事件流,以便获得增加的吞吐量和减少的延迟。因为这个流程典型地为资源集中的,它可能被定期地触发,但要比如当所述系统具有足够的免费的资源时。如果所述查询的所述未来负载配置文件在最近指出将有足够多免费资源,所述系统可能提前触发所述优化流程。
·适用高系统负载:类似地,所述系统可能适用所述负载配置文件主动适用预期的高系统负载。处理所述负载集中的流的所述线程和所述受影响的查询可能被给定更高的优先级以提高它们的吞吐量。如果所述预期的负载超出了所述系统容量,那么比如所述系统可能主动地分配查询给其他CEP系统以减少所述负载。
·与其他软件组件通信:所述CEP系统可能将其预测的见解(insights)传达给与其相连的其他软件组件。这种通信可能允许所述其他的组件更新或也采取适当的动作或避免采取动作以响应所述未来流行为。
图5是根据特定的示例实施例,显示在此描述的用于系统监视器的预测功能怎样可能被集成入用户界面的说明性屏幕截图。如图5所示,显示了为执行估计的前六个查询。要注意多于或少于六个查询可能显示在不同的实施例中。基于预期的系统负载,已经估计了运行下一个优化的时间和它可能的持续时间。该信息可以被用于连接(interface with)调度模块以指示所述CEP系统以所述估计的参数工作,提供覆写或阈值,以其完成优化。如也在图表中显示的所述示例屏幕的右侧是当前的和预期的系统负载。
将理解到当所述预测的数据是可用的,它可以以真实的数据替换。例如,随时间发展,所述示例的图表可能被更新。此外,在特定的示例实施例中,可能并行地观察实际的和预测的数据,或以促进两者之间的定量的和/或可视的比较的其它方式来观察。这个和/或其它的信息可以帮助用户动态地(on-the-fly)适应所述业务和/或潜在的系统,以及所述预测参数。在特定的示例实施例中,一些改变可能会自动进行(例如,没有直接的人工干预),比如,为了消除在处理请求、业务请求等中的预期的峰值和/或谷值。
将理解到如这里使用的术语系统、子系统、服务器、编程逻辑电路和类似的可能作为软件、硬件、固件和/或诸如此类的任何适当的结合被实施。也将理解到这里的存储单元可能是磁盘驱动设备、内存单元、固态驱动器、CD-ROM、DVD、磁带备份、存储区域网络(SAN)系统和/或任意其它合适的有形计算机可读存储介质的任何适当的结合。也将理解到这里描述的技术可能通过使处理器执行可能有形存储在计算机可读存储介质上的指令来完成。
虽然本发明已经被描述与目前被认为最实用和较优的实施例相关,应当理解本发明不限于所述公开的实施例,而相反,意在覆盖包含在所述附加的权利要求的精神实质和范围内的多种修改和同等设置。
Claims (21)
1.一种预测一个事件流在未来将如何表现的方法,所述方法包括:
接收包含多个事件且以其为基础进行预测的一个事件流;以及
对于每个接收的所述事件流中的事件:
更新用于显示预先定义的时间范围的参考窗口,在该过程中所述预测被计算从而使得所述参考窗口以所述接收的事件结束,所述参考窗口随所述事件流移动,以及
当一个预测更新策略指出所述预测将基于所述接收的事件被更新,则:
更新用于显示时间范围的一个预测窗口,其中事件在该预测窗口中被预测;以及
当所述预测窗口的时间段没有被超出,则(a)通过至少一个处理器生成下一个预测事件,以及(b)将所述下一个预测事件插入所述预测窗口;以及
发布所述预测窗口。
2.根据权利要求1所述的方法,其中所述参考窗口是基于时间的窗口或基于计数的窗口。
3.根据权利要求1或2所述的方法,进一步包括为响应用户输入,调整所述参考窗口以有选择地突出所述事件流中的短期或长期的流趋向。
4.根据前述权利要求中的任一项所述的方法,其中所述预测窗口是基于时间的窗口或基于计数的窗口。
5.根据前述权利要求中的任一项所述的方法,其中所述预测更新策略根据预先定义的事件发生的数量或在用户指定的时间间隔来触发更新。
6.根据前述权利要求中的任一项所述的方法,其中对于每个预测的下一个事件,所述下一个事件的预测包括:
基于在所述滑动参考窗口中的所述事件的数据部分计算用于所述预测的下一个事件的数据部分;
计算用于所述预测的下一个事件的开始时间戳;以及
计算用于所述预测的下一个事件的结束时间戳。
7.根据权利要求6所述的方法,其中用于所述预测的下一个事件的所述开始时间戳通过将到下一个开始时间戳的估计间隔加到立即优先的开始时间戳来计算。
8.根据权利要求7所述的方法,其中所述估计的间隔基于与所述参考窗口的间隔。
9.根据权利要求7所述的方法,其中用于所述预测的下一个事件的所述结束时间戳通过将估计的时间间隔长度增加到用于所述预测的下一个事件的所述计算的开始时间戳来计算。
10.根据权利要求9所述的方法,其中所述估计的时间间隔长度基于所述参考窗口中的事件的时间间隔长度。
11.根据权利要求6-10所述的方法,其中至少一个预测的下一个事件被用于预测另一个被预测为在时间上更晚发生的预测的下一个事件。
12.根据前述权利要求中的任一项所述的方法,其中根据预先定义的预测策略,所述下一个事件的预测被实施,所述预测策略包括从包含以下策略的所述组中选择的至少一个策略:
(a)以向前或向后的方式重复来自所述参考窗口中的所述事件的值;
(b)随机选择来自所述参考窗口中的所述事件的值;
(c)将加权的或未加权的平均数应用于来自所述参考窗口中的所述事件的值;
(d)根据控制所述最近事件的重点的平滑参数,平滑递增计算的下一个事件和上一个估计的加权平均数;
(e)执行基于密度的重采样;以及
(f)将所述参考窗口与一组一个或更多的预先定义的历史参考窗口组合。
13.根据权利要求12所述的方法,进一步包括基于预测的事件精确度的评估调整所述选择的预测策略的参数。
14.根据权利要求12或13所述的方法,进一步包括将联合估计应用于数据部分、事件间隔时间、和时间间隔长度参数。
15.根据前述权利要求中的任一项所述的方法,进一步包括:
将学习算法应用于所述预测;以及
调整所述参考窗口和/或所述预测窗口的所述时间范围以响应所述学习算法。
16.根据前述权利要求中的任一项所述的方法,进一步包括压缩在所述参考窗口中的事件。
17.根据权利要求16所述的方法,进一步包括增加所述参考窗口的时间范围,
其中所述压缩与增加被平衡从而使得预测质量以快于压缩引入错误的比率提高。
18.根据前述权利要求中的任一项所述的方法,进一步包括显示用于表现在所述事件流中的事件的业务数据及用于表现预测的事件的业务数据。
19.根据前述权利要求中的任一项所述的方法,进一步包括显示系统管理事件数据及预测的系统管理事件数据。
20.一种复杂事件处理系统,包括:
至少一个处理器;
被所述至少一个处理器控制的复杂事件处理引擎;和
至少一个输入适配器,其被配置为接收一个包含事件的事件流,并提供来自所述事件流的所述事件的事件数据给所述复杂事件处理引擎;
其中所述复杂事件处理引擎包括:
至少一个运算符,其被配置为直接或间接地接收和处理所述事件数据,用于后续直接或间接输出给所述复杂事件处理系统的系统管理应用和/或事件消耗应用,或与所述复杂事件处理系统通信的组件,
至少一个被配置为直接或间接地接收并处理至少一个所述的事件流的预测运算符,通过:
(a)对于每个接收的事件流中的事件:
更新说明预先定义的时间范围的参考窗口,在该过程中所述预测被计算,从而使得所述参考窗口以所述接收的事件结束,所述参考窗口随所述事件流移动,并且
当预测更新策略指出所述预测将基于所述接收的事件被更新时:
更新用于显示时间范围的预测窗口,其中事件在该预测窗口中被预测;并且
当所述预测窗口的时间段没有被超过,则(i)通过至少一个处理器生成下一个预测事件,以及(ii)将所述下一个预测的事件插入所述预测窗口;以及
发布所述预测窗口,以及
(b)直接或间接地输出所述预测到所述复杂事件处理系统的所述系统管理应用和/或外部应用或组件。
21.一种非暂态计算机可读存储介质,其实体存储通过复杂事件处理系统的至少一个处理器执行的指令,从而使得至少:
接收包含多个事件且以其为基础进行预测的一个事件流;以及
对于每个接收的所述事件流中的事件:
更新用于显示预先定义的时间范围的参考窗口,在该过程中所述预测被计算,从而使得所述参考窗口以所述接收的事件结束,所述参考窗口随所述事件流移动,以及
当一个预测更新策略指出所述预测将基于所述接收的事件被更新,则:
更新用于显示时间范围的预测窗口,其中事件在该预测窗口中被预测;以及
当所述预测窗口的时间段没有被超出,(a)生成下一个预测事件,以及(b)将所述下一个预测事件插入所述预测窗口;以及
发布所述预测窗口。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/209,996 | 2011-08-15 | ||
US13/209,996 US9286354B2 (en) | 2011-08-15 | 2011-08-15 | Systems and/or methods for forecasting future behavior of event streams in complex event processing (CEP) environments |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102955841A true CN102955841A (zh) | 2013-03-06 |
Family
ID=44584057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102916013A Pending CN102955841A (zh) | 2011-08-15 | 2012-08-15 | 用于在复杂事件处理环境中预测事件流的未来行为的方法和/或装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9286354B2 (zh) |
EP (1) | EP2560106B1 (zh) |
CN (1) | CN102955841A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778042A (zh) * | 2015-03-30 | 2015-07-15 | 江苏省邮电规划设计院有限责任公司 | 一种基于事件流处理和插件式开发框架的流数据处理方法 |
CN105303019A (zh) * | 2014-07-14 | 2016-02-03 | 富士通株式会社 | 事件预测方法和事件预测设备 |
WO2016127585A1 (zh) * | 2015-02-12 | 2016-08-18 | 中兴通讯股份有限公司 | 关键数据处理方法和装置、关键数据显示方法和系统 |
CN111771195A (zh) * | 2018-02-26 | 2020-10-13 | 华为技术有限公司 | 流处理设备和数据流处理方法 |
CN113805538A (zh) * | 2020-06-15 | 2021-12-17 | 霍尼韦尔国际公司 | 用于加工装备的具有动态未来表示的操作者控制台 |
CN115687428A (zh) * | 2022-12-29 | 2023-02-03 | 中建三局信息科技有限公司 | 乱序数据延迟水位线动态自适应生成方法、系统及设备 |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8589436B2 (en) | 2008-08-29 | 2013-11-19 | Oracle International Corporation | Techniques for performing regular expression-based pattern matching in data streams |
US9305057B2 (en) | 2009-12-28 | 2016-04-05 | Oracle International Corporation | Extensible indexing framework using data cartridges |
US9430494B2 (en) | 2009-12-28 | 2016-08-30 | Oracle International Corporation | Spatial data cartridge for event processing systems |
US8713049B2 (en) | 2010-09-17 | 2014-04-29 | Oracle International Corporation | Support for a parameterized query/view in complex event processing |
US9189280B2 (en) | 2010-11-18 | 2015-11-17 | Oracle International Corporation | Tracking large numbers of moving objects in an event processing system |
US8990416B2 (en) | 2011-05-06 | 2015-03-24 | Oracle International Corporation | Support for a new insert stream (ISTREAM) operation in complex event processing (CEP) |
US9329975B2 (en) | 2011-07-07 | 2016-05-03 | Oracle International Corporation | Continuous query language (CQL) debugger in complex event processing (CEP) |
US11288277B2 (en) | 2012-09-28 | 2022-03-29 | Oracle International Corporation | Operator sharing for continuous queries over archived relations |
US9563663B2 (en) | 2012-09-28 | 2017-02-07 | Oracle International Corporation | Fast path evaluation of Boolean predicates |
US10956422B2 (en) | 2012-12-05 | 2021-03-23 | Oracle International Corporation | Integrating event processing with map-reduce |
US10298444B2 (en) | 2013-01-15 | 2019-05-21 | Oracle International Corporation | Variable duration windows on continuous data streams |
US9098587B2 (en) | 2013-01-15 | 2015-08-04 | Oracle International Corporation | Variable duration non-event pattern matching |
US9390135B2 (en) | 2013-02-19 | 2016-07-12 | Oracle International Corporation | Executing continuous event processing (CEP) queries in parallel |
US9047249B2 (en) | 2013-02-19 | 2015-06-02 | Oracle International Corporation | Handling faults in a continuous event processing (CEP) system |
US9305031B2 (en) | 2013-04-17 | 2016-04-05 | International Business Machines Corporation | Exiting windowing early for stream computing |
US9418113B2 (en) | 2013-05-30 | 2016-08-16 | Oracle International Corporation | Value based windows on relations in continuous data streams |
EP2871577B1 (en) | 2013-11-06 | 2017-08-09 | Software AG | Complex event processing (CEP) based system for handling performance issues of a CEP system and corresponding method |
JP6156081B2 (ja) * | 2013-11-12 | 2017-07-05 | 富士通株式会社 | 負荷軽減プログラム、情報処理装置および負荷軽減方法 |
US9934279B2 (en) | 2013-12-05 | 2018-04-03 | Oracle International Corporation | Pattern matching across multiple input data streams |
TWI623881B (zh) * | 2013-12-13 | 2018-05-11 | 財團法人資訊工業策進會 | 事件串流處理系統、方法與機器可讀記憶體 |
US9558225B2 (en) | 2013-12-16 | 2017-01-31 | Sybase, Inc. | Event stream processor |
US9405854B2 (en) | 2013-12-16 | 2016-08-02 | Sybase, Inc. | Event stream processing partitioning |
US9244978B2 (en) | 2014-06-11 | 2016-01-26 | Oracle International Corporation | Custom partitioning of a data stream |
US9712645B2 (en) | 2014-06-26 | 2017-07-18 | Oracle International Corporation | Embedded event processing |
US9680919B2 (en) | 2014-08-13 | 2017-06-13 | Software Ag Usa, Inc. | Intelligent messaging grid for big data ingestion and/or associated methods |
US10089362B2 (en) | 2014-08-13 | 2018-10-02 | Software Ag | Systems and/or methods for investigating event streams in complex event processing (CEP) applications |
US10120907B2 (en) | 2014-09-24 | 2018-11-06 | Oracle International Corporation | Scaling event processing using distributed flows and map-reduce operations |
US9886486B2 (en) | 2014-09-24 | 2018-02-06 | Oracle International Corporation | Enriching events with dynamically typed big data for event processing |
US9547547B2 (en) | 2014-11-28 | 2017-01-17 | Software Ag | Systems and/or methods for handling erroneous events in complex event processing (CEP) applications |
US10242082B2 (en) | 2014-12-12 | 2019-03-26 | Microsoft Technology Licensing, Llc | Context-driven multi-user communication |
US9965514B2 (en) | 2014-12-19 | 2018-05-08 | Software Ag Usa, Inc. | Techniques for real-time generation of temporal comparative and superlative analytics in natural language for real-time dynamic data analytics |
US9891966B2 (en) | 2015-02-10 | 2018-02-13 | Red Hat, Inc. | Idempotent mode of executing commands triggered by complex event processing |
US10423468B2 (en) | 2015-02-10 | 2019-09-24 | Red Hat, Inc. | Complex event processing using pseudo-clock |
CN104852970B (zh) * | 2015-04-24 | 2018-11-30 | 公安部道路交通安全研究中心 | 一种高速公路交通事故信息发布系统 |
US10410135B2 (en) | 2015-05-21 | 2019-09-10 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
WO2017018901A1 (en) | 2015-07-24 | 2017-02-02 | Oracle International Corporation | Visually exploring and analyzing event streams |
US10387424B2 (en) | 2015-11-13 | 2019-08-20 | International Business Machines Corporation | Efficiency for real-time data processing |
US9792259B2 (en) | 2015-12-17 | 2017-10-17 | Software Ag | Systems and/or methods for interactive exploration of dependencies in streaming data |
US10075462B2 (en) * | 2015-12-22 | 2018-09-11 | Sap Se | System and user context in enterprise threat detection |
US10748071B2 (en) | 2016-01-04 | 2020-08-18 | International Business Machines Corporation | Method and system for complex event processing with latency constraints |
US10180891B2 (en) * | 2016-11-02 | 2019-01-15 | Sap Se | Monitoring processes running on a platform as a service architecture |
US20180268001A1 (en) * | 2017-03-16 | 2018-09-20 | International Business Machines Corporation | Managing a database management system using a set of stream computing data |
US11412343B2 (en) | 2017-09-30 | 2022-08-09 | Oracle International Corporation | Geo-hashing for proximity computation in a stream of a distributed system |
CN108615011B (zh) * | 2018-04-24 | 2021-10-08 | 东南大学 | 基于多尺度滑动窗口的非修剪视频行为识别预测方法 |
KR102156280B1 (ko) * | 2018-11-07 | 2020-09-15 | 고려대학교 세종산학협력단 | Cnn-lstm 및 복잡 활동 처리를 사용하는 반려 동물의 배설 행동 검출 방법 및 시스템 |
KR102156279B1 (ko) * | 2018-11-08 | 2020-09-15 | 고려대학교 세종산학협력단 | 반려 동물의 위험 행동의 검출 및 억제 방법 및 이를 위한 자동화된 카메라-기반 시스템 |
EP4004832A4 (en) | 2019-07-29 | 2023-08-09 | Pavel Atanasov | SYSTEMS AND METHODS FOR MULTIPLE-SOURCE REFERENCE CLASS IDENTIFICATION, BASE RATE CALCULATION AND PREDICTION |
JP7396361B2 (ja) * | 2019-09-17 | 2023-12-12 | 日産自動車株式会社 | 異常判定装置及び異常判定方法 |
EP3955176A1 (en) | 2020-08-14 | 2022-02-16 | National Centre for Scientific Research "Demokritos" | System and method for forecasting complex events |
CN112699204B (zh) * | 2021-01-14 | 2021-08-27 | 国家卫星海洋应用中心 | 空间匹配窗口的确定方法和装置 |
US12001310B2 (en) * | 2021-04-05 | 2024-06-04 | International Business Machines Corporation | Approximating activity loads in databases using smoothed time series |
US12013880B2 (en) * | 2021-10-18 | 2024-06-18 | Splunk Inc. | Dynamic resolution estimation for a detector |
US20230370350A1 (en) * | 2022-05-11 | 2023-11-16 | Computer Sciences Corporation | System and method for outage prediction |
CN116450381B (zh) * | 2023-06-15 | 2023-09-08 | 蔚来汽车科技(安徽)有限公司 | 复杂事件处理方法、电子设备、存储介质及车辆 |
CN118012720B (zh) * | 2024-04-09 | 2024-06-14 | 浙江口碑网络技术有限公司 | 复杂事件处理方法、装置、介质及设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020152305A1 (en) * | 2000-03-03 | 2002-10-17 | Jackson Gregory J. | Systems and methods for resource utilization analysis in information management environments |
US20050234309A1 (en) * | 2004-01-07 | 2005-10-20 | David Klapper | Method and apparatus for classification of movement states in Parkinson's disease |
US7421452B2 (en) * | 2006-06-14 | 2008-09-02 | International Business Machines Corporation | Method and apparatus for predicting future behavior of data streams |
US7292960B1 (en) * | 2006-06-30 | 2007-11-06 | Gm Global Technology Operations, Inc. | Method for characterization, detection and prediction for target events |
US20110046887A1 (en) * | 2006-08-16 | 2011-02-24 | Veldhuis Johannes D | Method for assessing pathway product levels |
US20080255760A1 (en) * | 2007-04-16 | 2008-10-16 | Honeywell International, Inc. | Forecasting system |
JP5149840B2 (ja) * | 2009-03-03 | 2013-02-20 | 株式会社日立製作所 | ストリームデータ処理方法、ストリームデータ処理プログラム、および、ストリームデータ処理装置 |
US8577815B2 (en) * | 2009-10-23 | 2013-11-05 | GM Global Technology Operations LLC | Method and system for concurrent event forecasting |
TW201117135A (en) * | 2009-11-12 | 2011-05-16 | Nat Univ Chung Cheng | Motion prediction method for multimedia image |
-
2011
- 2011-08-15 US US13/209,996 patent/US9286354B2/en active Active
- 2011-08-17 EP EP11177751.2A patent/EP2560106B1/en active Active
-
2012
- 2012-08-15 CN CN2012102916013A patent/CN102955841A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303019A (zh) * | 2014-07-14 | 2016-02-03 | 富士通株式会社 | 事件预测方法和事件预测设备 |
WO2016127585A1 (zh) * | 2015-02-12 | 2016-08-18 | 中兴通讯股份有限公司 | 关键数据处理方法和装置、关键数据显示方法和系统 |
CN104778042A (zh) * | 2015-03-30 | 2015-07-15 | 江苏省邮电规划设计院有限责任公司 | 一种基于事件流处理和插件式开发框架的流数据处理方法 |
CN104778042B (zh) * | 2015-03-30 | 2017-09-19 | 江苏省邮电规划设计院有限责任公司 | 一种基于事件流处理和插件式开发框架的流数据处理方法 |
CN111771195A (zh) * | 2018-02-26 | 2020-10-13 | 华为技术有限公司 | 流处理设备和数据流处理方法 |
CN113805538A (zh) * | 2020-06-15 | 2021-12-17 | 霍尼韦尔国际公司 | 用于加工装备的具有动态未来表示的操作者控制台 |
CN115687428A (zh) * | 2022-12-29 | 2023-02-03 | 中建三局信息科技有限公司 | 乱序数据延迟水位线动态自适应生成方法、系统及设备 |
CN115687428B (zh) * | 2022-12-29 | 2023-04-07 | 中建三局信息科技有限公司 | 乱序数据延迟水位线动态自适应生成方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
US9286354B2 (en) | 2016-03-15 |
US20130046725A1 (en) | 2013-02-21 |
EP2560106A1 (en) | 2013-02-20 |
EP2560106B1 (en) | 2019-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102955841A (zh) | 用于在复杂事件处理环境中预测事件流的未来行为的方法和/或装置 | |
US8014983B2 (en) | Computer-implemented system and method for storing data analysis models | |
US9449279B2 (en) | Network server arrangements for processing non-parametric, multi-dimensional, spatial and temporal human behavior or technical observations measured pervasively, and related methods for the same | |
US9928320B2 (en) | Techniques for estimating compound probability distribution by simulating large empirical samples with scalable parallel and distributed processing | |
US7251589B1 (en) | Computer-implemented system and method for generating forecasts | |
CA2756198C (en) | Digital analytics system | |
US20050096949A1 (en) | Method and system for automatic continuous monitoring and on-demand optimization of business IT infrastructure according to business objectives | |
US8135718B1 (en) | Collaborative filtering | |
KR101972199B1 (ko) | 캐시처리된 데이터베이스 질의 결과의 업데이트 | |
US20130275685A1 (en) | Intelligent data pre-caching in a relational database management system | |
US20160105327A9 (en) | Automated upgrading method for capacity of it system resources | |
CN102238045A (zh) | 一种无线互联网用户行为的预测系统和方法 | |
CN111915254A (zh) | 一种适用于汽车售后配件的库存优化控制方法和系统 | |
CN103176974A (zh) | 优化数据库中访问路径的方法和装置 | |
CN104751235A (zh) | 用于数据挖掘的方法和装置 | |
KR20240008374A (ko) | 머신 러닝 시계열 이상 검출 | |
CN117010541A (zh) | 时间序列预测方法、装置及存储介质 | |
Tong et al. | Research on a grey prediction model of population growth based on a logistic approach | |
CN102411757B (zh) | 一种大型主机cpu容量预测方法及系统 | |
US20070156512A1 (en) | System and method for modeling an asset portfolio and predicting performance thereof | |
US20210248512A1 (en) | Intelligent machine learning recommendation platform | |
Fischer | Forecasting in database systems | |
WO2022005403A1 (en) | Communications apparatus and method for estimating potential demand for improved forecasting and resource management | |
US20120166355A1 (en) | Maintenance of master data by analysis of operational data | |
CN117764638B (zh) | 一种供电企业售电数据预测方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130306 |