CN103514506B - 用于自动事件分析的方法和系统 - Google Patents
用于自动事件分析的方法和系统 Download PDFInfo
- Publication number
- CN103514506B CN103514506B CN201210225695.4A CN201210225695A CN103514506B CN 103514506 B CN103514506 B CN 103514506B CN 201210225695 A CN201210225695 A CN 201210225695A CN 103514506 B CN103514506 B CN 103514506B
- Authority
- CN
- China
- Prior art keywords
- event
- measurable
- regard
- predefined type
- time period
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Abstract
本发明的实施例涉及用于自动事件分析的方法和系统。特别地,根据本发明的实施例,公开一种用于自动事件分析的方法。该方法包括:收集在给定的时间段内发生于至少一个位置的预定类型事件的有关信息;根据收集的所述信息以及与所述预定类型事件相关的预定条件而确定所述预定类型事件关于所述至少一个位置的可预测性;以及确定关于所述至少一个位置的可预测事件在所述时间段内的稳定性。还公开了相应的系统。根据本发明的实施例,可以更加有效地分类与服务相关联的事件,从而更为有效地分析服务需求。
Description
技术领域
本发明的实施例总体上涉及数据分析领域,并且更具体地,涉及用于自动事件分析的方法和系统。
背景技术
对于很多信息、数据、电信和/或传统非信息领域的服务而言,对服务需求的准确估计和分析是一个至关重要的问题。特别地,很多服务在空间上是分布的,例如移动通信服务、网络服务等等。对于这些服务而言,如何准确地分析和预测不同位置处和/或不同时间的服务需求,将在例如服务资源的调配和规划中发挥重要作用。
以移动通信服务为例,在由小区组成的无线通信网络中,每个本地接入点(AP)所具有的服务能力(例如,覆盖范围,能够处理的移动终端数目,等等)通常是有限的。如何在无线网络的各个位置配备接入点、配备什么样的接入点以及在不同时间段如何激活或解激活这些接入点,在很大程度上取决于对服务需求的预测。具体而言,如果能够通过分析而确定某个地点所需要的服务明显高于其他地点,则可以相应地调整所部属的AP的数目、AP的类型和/或服务能力,等等。
已知的服务需求分析包括对服务所分布的空间中的各个位置的服务情况进行统计。根据这种统计信息,可以分析出各个位置对服务的需求状况。然而,在现有技术中,在针对空间上分布的服务的需求分析中,触发服务的事件总是被假定为可预测的。因此,在服务分析和后续优化中,并未全面地考虑此类事件的不同特性和不同方面。而且,根据已知的需求分析方案,在最坏情况下的空间异质性是难以估计的。另外,共享灵活的资源(例如,临时性资源)是困难的。不仅如此,在已知的需求事件分析方案中,需求随位置和时间这两个因素的变化并未被有机地结合在一起。因此,当根据位置对需求进行统计分析之后,这样的需求分析无法随着时间而有效地更新或改变。
发明内容
鉴于现有技术中存在的上述问题,本领域中需要一种更加有效的自动事件分析的技术方案。为此,本发明的实施例提供一种用于分析在空间上分布的服务的需求事件的方法和系统。
在本发明的一个方面,提供一种用于自动事件分析的方法。该方法包括:收集在一个时间段内发生于至少一个位置的预定类型事件的有关信息;根据收集的信息以及与该预定类型事件相关的预定条件而确定该预定类型事件关于至少一个位置的可预测性;以及确定关于至少一个位置可预测的事件在该时间段内的稳定性。
在本发明的另一方面,提供一种用于自动事件分析的系统。该系统包括:信息收集装置,配置用于收集在给定的时间段内发生于至少一个位置的预定类型事件的有关信息;可预测性确定装置,配置用于根据收集的信息以及与该预定类型事件相关的预定条件而确定该预定类型事件关于至少一个位置的可预测性;以及稳定性确定装置,配置用于确定关于至少一个位置的可预测事件在该时间段内的稳定性。
通过下文描述将会理解,利用本发明的方法和系统的实施例,对于一个或多个感兴趣的空间位置,可以将与服务相关联的事件划分为可预测事件和不可预测事件。而且,还可以进一步根据时间维度而将可预测事件划分为稳定事件和动态事件。
通过对事件的这种两阶段分类,可以将空间中的不同位置以及时间因素二者都纳入需求分析的考虑范畴。由此,能够更好地分析触发服务的事件在空间和时间维度上的特性,确定服务需求模式,从而实现更加合理、有效的服务安排和调度。
附图说明
通过参考附图阅读下文的详细描述,本发明实施例的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施例,其中:
图1示出了根据本发明一个示例性实施例的用于自动事件分析的方法100的流程图;
图2示出了根据本发明一个示例性实施例的用于根据预测模型来导出事件与预定条件之间的依赖关系从而确定事件可预测性的方法200的流程图;
图3示出了根据本发明一个示例性实施例的用于自动事件分析的系统300的框图;以及
图4示出了适于用来实现本发明实施例的示例性计算系统400的示意性框图。
在附图中,相同或相似的标号指代相同或相似的元素。
具体实施方式
下面将参考附图中示出的若干示例性实施例来描述本发明的原理和精神。应当理解,给出这些实施例仅仅是为了使本领域技术人员能够更好地理解进而实现本发明的思想,并非以任何方式限制本发明的范围。
首先参考图1,其示出了根据本发明一个示例性实施例的用于自动事件分析的方法100的流程图。
方法100开始之后,在步骤S102,收集在给定时间段内发生于空间中至少一个位置的预定类型的事件的有关信息。
根据本发明的实施例,所分析的任何一种预定类型的事件可以与特定的服务相关联。在此使用的术语“服务”可以表示各种类型的服务。例如,服务可以包括信息技术服务,例如,网络服务、移动通信服务、数据服务,等等。备选地或附加地,服务也可以是非纯信息服务,例如医疗救护、应急处理、车辆救援、事故应对,等等。本发明的范围在此方面不受限制。
每个服务可以与特定的一个或多个类型的事件有关,当这些类型的事件发生的时候,相应地出现对关联服务的需求,即,需要提供该服务。例如,当用户利用其电子设备发出网络数据请求这一类型的事件发生时,需要相应的网络节点提供关联的网络信息服务。此时,网络服务与用户请求事件相关联。又如,当发生犯罪事件时,需要提供相应的应急处置服务(例如,派遣警务和/或医疗人员到场)。此时,犯罪事件与应急处置服务相关联。这仅仅是几个示例。
如上文所述,往往需要在空间上分散的各个不同位置提供服务。换言之,与服务相关联的事件可能发生在空间中的不止一个位置。在步骤S102,可以收集给定时间段内发生于空间中至少一个位置的特定类型事件的有关信息。这里,给定的时间段例如可以是日、月、季度、年等各种适当的时间单位,这可以随具体的应用场景和需求而变。
根据某些实施例,所收集的信息例如可以包括对该类型事件以及发生位置的描述,例如包括事件在特定位置的发生次数、发生日期、发生时间、位置的地理坐标(例如,经纬度坐标)、位置的描述(例如,街区)、事件类型(例如,用户发起请求、发生犯罪事件,等等)。这仅仅是若干示例,其他任何与事件有关的信息均落入本发明的范围。
根据本发明的实施例,关于特定类型事件的此类信息可以按照任何适当的格式来组织和传输。例如,信息可以组织为格式化的结构,例如表(table)或者可扩展标记语言(XML)文件。又如,信息也可以通过无结构的格式来组织和传输,例如文本文件。本发明的范围在此方面不受限制。
根据本发明的实施例,信息可以利用各种适当的手段来收集。例如,可以通过适当的传感器来监测预定类型事件的发生并且采集有关信息。备选地或附加地,事件的信息也可以是人工或者半人工输入的。本发明的范围在此方面不受限制。
此外,信息可以通过各种适当的通信手段从空间中的各个位置被传送到收集点。例如,可以借助各种有线的和/或无线的网络通信技术和/或通信技术。又如,蓝牙、红外等其他设备间通信同样适用于本发明的实施例。注意,根据本发明的实施例,来自不同位置的事件信息可以被收集到具有信息加工和处理能力的任何适当实体,例如下文参考图4描述的计算机系统。
接下来,方法100进行到步骤S104,在此根据步骤S102处收集的信息以及与该特定类型事件相关的预定条件而确定该特定类型事件关于至少一个位置的可预测性。
在此使用的术语“可预测性”是指特定类型事件的可预测程度。更具体地说,根据本发明的实施例,可预测性可以通过此类事件同一组预定条件之间的关联的强度或者说紧密程度来衡量。
更具体地说,根据本发明的实施例,存在与事件的发生有关的一组预定条件。这组预定条件例如可以是经过对先前发生的同类事件的统计而得出的。例如,如果对先前事件的统计表明:用户利用移动设备进行数据访问这一事件通常发生在中午12:00到14:00,并且通常是在餐厅、商场等位置发生的,则与“移动数据访问”这一类型事件相关的预定条件可以包括时间条件“中午12:00到14:00”以及环境条件“餐厅、商场”。又如,如果统计表明:犯罪事件往往发生在夜间23:00-1:00,并且通常发生在娱乐场所、银行附近,则同样可以建立“犯罪”这一类型事件的预定发生条件。
除了根据统计信息之外或者作为补充,预定条件也可以从用户处接收。可以通过任何适当的技术手段来确定与事件相关的预定条件,本发明的范围在此方面不受限制。
注意,上文列举的时间和环境因素仅仅是与事件相关的预定条件的示例。各种与事件的发生有关的因素均可以作为预定条件被统计和记录。而且,这些预定条件可以随着时间而变化,例如增加或减少。本发明的范围在这些方面不受限制。
特别地,可以理解,根据本发明的实施例,在步骤S102处收集与发生于至少一个位置的事件有关的信息至少包含与每个预定条件相对应的信息项。例如,如果条件包含A1、A2...AN,则收集的信息中至少应当包含描述A1、A2...AN的内容。所收集的信息当然可以包含更多其他的附加信息。
继续对步骤S104的讨论,根据本发明的实施例,可以使用任何适当的手段根据收集的信息和预定条件来确定特定类型事件与这组预定条件之间的关联的紧密程度,即,该特定类型事件相对于位置的可预测性。作为一个示例,例如可以确定当事件在特定位置发生时,预定条件中得到满足的条件的数目或其比率。考虑一个具体示例,假设与事件相关的预定发生条件有N个,N为自然数。对于在给定位置处发生的事件,可以根据收集到的事件信息来确定该事件发生时,这N个条件中有多少个条件得到了满足。
一方面,如果得到满足的条件的数目M(M为小于N的自然数)的值或者M与N的比值超过预定阈值,则可以认为该事件在该位置处的发生符合对事件发生条件的先验认识。因此,可以将事件分类为关于该位置的发生分类为可预测的。也即,在该特定位置处,与服务相关联的事件是“可预测事件”。
另一方面,如果M的值或者M与N的比值没有超过预定阈值,则认为与服务相关联的事件在该位置的发生是偶然的或者说不可预测的。也即,在该特定位置处,与服务相关联的事件是“不可预测事件”。
考虑一个具体示例,仍然沿用上文假设:“移动数据访问”这一事件相关的预定条件包括时间条件“中午12:00到14:00”以及环境条件“餐厅或商场”。如果在地点A处发生了“移动访问数据”,但是通过收集的事件信息确定时间段不是中午12:00到14:00,并且地点A周围没有餐厅或商场,则可以认为“移动数据访问”事件关于地点A是偶然的,即,此事件关于地点A是不可预测事件。
注意,上面描述的根据得到满足的预定条件的数量来确定事件关于位置的可预测性仅仅是一个示例。可以理解,这种实施例可以被认为是基于预定规则而操作。还存在其他备选的或附加的实施例。例如,其他任何适当的规则均可与本发明的实施例结合使用。这样的规则例如可以根据先验知识而设置,和/或从用户处接收。本发明的范围在此方面不受限制。
除了这种基于规则的可预测性确定方案之外或者作为备选,根据本发明的实施例,可以挖掘事件与预定条件之间的内在依赖关系,并且根据这种依赖关系来确定事件关于空间中至少一个位置的可预测性。例如,在某些示例性实施例中,可以使用预测模型(predictive model)来确定发生于空间中至少一个位置的事件与预定条件之间的依赖关系。作为一个示例,可以应用回归模型和回归分析技术来确定事件与预定条件之间的依赖关系。本领域技术人员知道,回归模型和回归分析可以用来确定两组变量之间的依赖关系的强弱。这样的实施例将在下文参考图2详述。
除了回归预测模型之外,各类统计模型(例如,隐式马尔科夫模型),神经网络等各种预测模型均可与本发明的实施例结合使用,用以根据描述事件的信息来确定发生于特定位置的事件与预定条件之间的依赖关系。实际上,任何目前已知或者将来开发的预测模型均可用于判定发生于特定位置的事件与一组预定条件之间的依赖关系,本发明的范围在此方面不受限制。
通过执行步骤S102和S104,对于空间中的至少一个位置,可以将每个特定类型的事件划分到两个组中:相对于其发生位置而言可预测的事件,以及相对于其发生位置而言不可预测的事件。可以理解,相对于一个位置不可预测的事件在该位置的发生具有较强的偶然性。反之,相对于一个位置可预测的事件在该位置的发生具有较强的必然性。这种分类有助于更好地分析服务需求,从而例如更好地配置和/或调度相应的服务资源。
接下来,方法100继续进行以便对关于特定位置的可预测事件进一步分类。具体而言,如图1所示,方法100进行到步骤S106,在此确定关于至少一个位置的可预测事件在给定时间段内的稳定性。
为此,根据某些实施例,在步骤S106处可以将给定时间段划分为多个时间分片(time slice),并且根据关于至少一个位置可预测的事件在这些时间分片之间的分布情况来确定事件在给定时间段内的稳定性。
具体而言,可以将给定的时间段均匀地或者不均匀地分为多个子时间段,每个时间段称为一个时间分片。例如,如果在步骤S102中采集事件信息的时间段是一年,则在步骤S106处,可以按照季度为单位将时间段均分为4个时间分片。而后,对于关于特定位置的可预测事件,确定该可预测事件在4个时间分片中的分布是否均匀。一般地,事件在不同时间分片中的分布越均匀,表明该事件在给定时间段内的稳定性越高。
特别地,如果该可预测时间在特定位置处在4个时间分片中出现的频率基本上相当,则可以认为该事件不仅在该位置是可预测的,而且在给定的时间段(在此例中为1年)中是稳定的。反之,如果发现该事件在该位置的发生仅集中在其中几个时间分片,而在时间分片中很少发生或没有发生,则可以认为该事件在给定时间段内是不稳定的或者说动态的。
根据某些可选实施例,在步骤S106处,可以只确定那些比较频繁发生的可预测事件在给定时间段内的稳定性。首先,可以计算关于特定位置可预测的事件在每个时间分片内发生的频度(例如,次数)。而后,可以在每个时间分片内通过将计算出的频度与预定阈值比较对所述事件进行筛选。即,在每个时间分片内,只有那些发生频度大于预定阈值的可预测事件被筛选出来,其他可预测事件从后续处理中被排除。接下来,可以跨时间片比较筛选出的可预测事件的频度是否近似,从而确定这些筛选出的可预测事件在时间方面的稳定性。例如,如果筛选出的可预测事件存在于超过预定数目的时间分片内,则可以认为该事件在给定时间段内是稳定的。否则,该可预测事件将被分类为动态事件。
方法100在步骤S106之后结束。
至此,方法100完成了对事件(例如,与特定服务相关联的事件)的更为有效和有意义的自动分析。这种自动分析的结果可以由相关方以各种方式加以利用。例如,可以基于对事件的分析结果来调度与该事件相关联的服务的资源。可以理解,对事件的分析结果包括一个或多个类型的事件是否为可预测的,以及可预测事件在给定的时间段内是否是稳定的。利用这些结果,可以为相关联的服务更为合理地调度资源。例如,可以优先针对可预测事件而调度服务资源。进一步,在可预测事件中,又可以优先针对稳定事件而调度服务资源。下文还将给出这方面的详细示例。然而应当理解的是,根据本发明实施例的方法100的主要目的是解决事件自动分析和归类这一问题,如何使用分析结果可以根据实际情况而灵活确定。因此,对于方法100而言,对分析结果的使用不是必须的,也不构成对本发明范围的限制。
考虑一个具体示例,如上所述,通过执行方法100的实施例,对于空间中的一个或多个感兴趣的位置,可以将与空间上分布的服务相关联的事件首先分类为可预测事件和不可预测事件。可以理解,对于可预测事件,其发生的必然性较强;而对于不可预测事件,其发生的偶然性较强。相应地,在例如调度和配置服务资源时,可以优先安排那些事件是可预测的位置。例如,如果通过分析表明“移动数据访问”事件相对于条件“中午12:00到14:00”(时间条件)以及“餐厅、商场”(环境条件)而言是可预测的,则可以在餐厅、商场等地布置较多的接入点,并且可以在中午12:00到14:00将这些接入点配置为以较高的水平运转(例如,提高收发功率,等等)。
进一步,对于相对于给定位置的可预测事件而言,可以将其进一步划分为稳定事件和动态事件。对于那些在时间上稳定的可预测事件,可以在该给定时间段内总是优先调度和配置相应的服务资源。反之,对于那些不稳定的可预测事件,可以仅在其集中发生的时间分片内调度服务资源。仍然考虑上文关于无线接入点的示例,如果通过事件分析表明“移动数据访问”这一可预测事件仅在特定时间段内(例如,特定的月份或季节)是稳定的,而在其他时间段内不稳定,则可以只在特定的时间段内增强接入点资源的部署。备选地或附加地,如果“移动数据访问”事件某一地区内的第一位置处是稳定的,而在另一区域内的第二位置处是不稳定的,则可以更为优先地考虑无线接入资源和基础设施在第一位置处的部署。
根据本发明的实施例,与现有技术相比,通过对事件的两阶段分类,能够更好地分析服务的需求,并且例如能够更为合理、有效地调配服务资源。
注意,上文结合图1描述的各个步骤的顺序仅仅是示例性的。例如,在步骤S102,可以在接收到事件信息之后将事件按照时间分片划分到各个组中。此时,在步骤S104,可以以每个时间分片为单位来确定事件相对于其发生位置的可预测性。换言之,步骤S106中涉及的时间分片可以在步骤S102中执行。其他的执行顺序调整也是可能的。特别地,并行执行也是可能的。例如,在步骤S106中,各个时间分片中的操作可以至少部分地并行执行。本发明的范围在这些方面不受限制。
在参考图1的步骤S104的描述中已经提到,可以根据预测模型挖掘事件与预定条件之间的依赖关系,从而确定二者之间的依赖关系。图2描述了一个这方面的实施例。图2所示为根据本发明一个示例性实施例的用于根据预测模型来导出事件与预定条件之间的依赖关系从而确定事件可预测性的方法200的流程图。特别地,在方法200中,依赖关系使用回归模型来确定。
方法200开始之后,在步骤S202,建立事件与该事件的预定条件之间的回归预测模型。例如,假设与事件发生的条件包括A1、A2...AN。如本领域中已知的,可以构建以如下等式表达的回归模型:
Y=a1·X1+a2·X2+...+aN·XN
在上式中,X1、X2...XN分别是条件A1、A2...AN的量化观测值,其例如可以通过对历史数据的收集和统计获得。a1...aN代表待求解的参数或称为“回归系数”。Y是该特定类型事件在特定位置处发生的次数的观测值或称原值。通过上式可以求得回归系数a1...aN,从而建立回归预测模型。这些是相关领域技术人员所知道的。
根据本发明的实施例,可以按照任何适当的规则和策略来量化预定条件A1、A2...AN从而获得X1、X2...XN。例如,对于以数值表示的预定条件,可以直接基于该数值来确定量化值;对于以描述性信息表示的预定条件,可以采用任何适当的方案为相应的描述赋值(例如,“商场”赋值为“1”,“餐厅”赋值为2,等等)。还已知的是,在回归分析领域,由此,上面的回归模型表征了事件的发生与影响事件发生的预定条件之间的统计学关联。
注意,在步骤S202,可以使用各种目前已知或者将来开发的回归模型。备选地或附加地,也可以使用其他预测模型,例如隐式马尔科夫模型、神经网络,等等。本发明的范围在此方面不受限制。
此外,可以理解,根据某些实施例,随着历史数据的累积可以多次执行步骤S202以不断更新回归系数a1...aN。
接下来,在步骤S204,将收集到的发生于空间中至少一个位置的预定类型事件的有关信息所包含的信息项进行量化,记为x1、x2...xN。如上文所述,收集的与事件有关的信息中至少包括与每个预定条件相对应的信息项。相应地,可以采用与预定条件相同或相似的方案为每个信息项赋值,从而获得量化信息项x1、x2...xN。
此后方法200进行到步骤S206,在此将量化的信息项代入回归模型,以计算发生于所考虑特定位置处的该预定类型事件的发生次数的预测值y:
y=a1·x1+a2·x2+...+aN·xN
接下来在步骤S208,比较原值Y与观测值y之间的误差ε=Y-y。根据回归模型的定义可知,误差ε反映了发生于特定位置的事件与预定条件之间的依赖关系。如果误差ε小于预定阈值,则发生于特定位置处的事件与预定条件的依赖关系较强。反之,如果误差ε大于预定阈值,则说明发生于特定位置处的事件与预定条件的依赖关系较弱。
最后在步骤S210,可以根据依赖关系将事件关于其发生位置分类为可预测事件或者不可预测事件。这类似于上文参考图1所进行的描述,在此不再赘述。
方法200在步骤S210之后结束。
通过执行方法200的实施例,不同于参考图1描述的实施例中基于简单的规则来确定事件关于位置的可预测性,可以利用回归预测模型和回归分析更加全面、准确地表征和计算发生于特定位置的事件与预定条件之间的依赖关系,从而确定可预测性。
下面参考图3,其示出了根据本发明一个示例性实施例的用于分析服务需求的系统300的框图。可以理解,系统300的实施例可以驻留于例如空间中用于收集事件信息的实体上。
如图所示,根据本发明的实施例,系统300包括:信息收集装置302,配置用于收集在给定的时间段内发生于至少一个位置的预定类型事件的有关信息;可预测性确定装置304,配置用于根据收集的所述信息以及与所述预定类型事件相关的预定条件而确定所述预定类型事件关于所述至少一个位置的可预测性;以及稳定性确定装置306,配置用于确定关于所述至少一个位置的可预测事件在所述时间段内的稳定性。
根据本发明的某些实施例,可预测性确定装置304可以包括:依赖分析装置,配置用于分析所述信息以确定发生于所述至少一个位置的所述预定类型事件与所述预定条件之间的依赖关系;以及第一可预测性确定装置,配置用于根据所述依赖关系而确定所述预定类型事件关于所述至少一个位置的可预测性。
根据本发明的某些实施例,上述依赖分析装置包括:基于模型的依赖分析装置,配置用于根据预测模型来确定发生于所述至少一个位置的所述预定类型事件与所述预定条件之间的依赖关系。
根据本发明的某些实施例,预测模型包括以下之一:回归模型、统计模型、神经网络。
根据本发明的某些实施例,稳定性确定装置306可以包括:时间分片装置,配置用于将所述时间段划分为多个时间分片;第一稳定性确定装置,配置用于根据关于所述至少一个位置的可预测事件在所述多个时间分片之间的分布情况而确定所述可预测事件在所述时间段内的稳定性。
根据本发明的某些实施例,第一稳定性确定装置包括:频度计算装置,配置用于计算所述可预测事件在每个时间分片中的频度;筛选装置,配置用于在每个时间分片中通过将所述频度与预定阈值进行比较来筛选出所述频度大于所述预定阈值的可预测事件;以及比较装置,配置用于跨多个时间分片比较筛选出的可预测事件的频度以确定所述筛选出的可预测事件在所述时间段内的稳定性。
根据本发明的某些实施例,系统300可以包括可选的资源调度装置(未示出),其配置用于根据对事件的分析结果而调度与所述事件相关联的服务的资源。资源调度的一个示例是根据用户的无线接入需求来动态地调度接入点AP的部署和配置。
应当理解,上文参考图3描述的系统300包含的各个装置及其包含的可选子装置分别对应于上文参考图1-图2描述的方法100和200的各个步骤。由此,上文针对方法100和方法200描述的所有特征和操作同样分别适用于系统300,故在此不再赘述。
特别地,系统300中装置和可选子装置的划分不是限制性的而是示例性的。例如,在图3中所示的单个装置的功能可以由多个装置来实现。反之,在图3中所示的多个装置亦可由单个装置来实现。本发明的范围在此方面不受限制。
还应当理解,系统300中包含的各装置和子装置可以利用各种方式来实现,包括软件、硬件、固件或其任意组合。例如,在某些实施例中,系统300的各装置可以利用软件和/或固件模块来实现。备选地或附加地,系统300的各装置也可以利用硬件模块来实现。例如,系统300的各装置可以实现为集成电路(IC)芯片或专用集成电路(ASIC)。系统300的各装置也可以实现为片上系统(SOC)。现在已知或者将来开发的其他方式也是可行的,本发明的范围在此方面不受限制。
参考图4,其示出了适于用来实践本发明实施例的计算系统400的示意性框图。如图4所示,计算机系统可以包括:CPU(中央处理单元)401、RAM(随机存取存储器)402、ROM(只读存储器)403、系统总线404、硬盘控制器405、键盘控制器406、串行接口控制器407、并行接口控制器408、显示控制器409、硬盘410、键盘411、串行外部设备412、并行外部设备413和显示器414。在这些设备中,与系统总线404耦合的有CPU 401、RAM 402、ROM 403、硬盘控制器405、键盘控制器406、串行控制器407、并行控制器408和显示控制器409。硬盘410与硬盘控制器405耦合,键盘411与键盘控制器406耦合,串行外部设备412与串行接口控制器407耦合,并行外部设备413与并行接口控制器408耦合,以及显示器414与显示控制器409耦合。应当理解,图4所述的结构框图仅仅为了示例的目的而示出的,而不是对本发明范围的限制。在某些情况下,可以根据具体情况而增加或者减少某些设备。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。因此,本发明的实施例可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是-但不限于-电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括-但不限于-无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
此外,应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其它可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
而且,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以利用执行规定的功能或操作的专用的根据硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所公开的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文公开的各实施例。
Claims (12)
1.一种用于自动事件分析的方法,所述方法包括:
收集在给定的时间段内发生于至少一个位置的预定类型事件的有关信息;
根据收集的所述信息以及与所述预定类型事件相关的预定条件而确定所述预定类型事件关于所述至少一个位置的可预测性;以及
确定关于所述至少一个位置的可预测事件在所述时间段内的稳定性;
根据对事件的分析结果而调度与所述事件相关联的服务的资源。
2.根据权利要求1所述的方法,其中根据收集的所述信息以及与所述预定类型事件相关的预定条件而确定所述预定类型事件关于所述至少一个位置的可预测性包括:
分析所述信息以确定发生于所述至少一个位置的所述预定类型事件与所述预定条件之间的依赖关系;以及
根据所述依赖关系而确定所述预定类型事件关于所述至少一个位置的可预测性。
3.根据权利要求2所述的方法,其中分析所述信息以确定发生于所述至少一个位置的所述预定类型事件与所述预定条件之间的依赖关系包括:
根据预测模型来确定发生于所述至少一个位置的所述预定类型事件与所述预定条件之间的依赖关系。
4.根据权利要求3所述的方法,其中所述预测模型包括以下之一:回归模型、统计模型、神经网络。
5.根据权利要求1所述的方法,其中确定关于所述至少一个位置的可预测事件在所述时间段内的稳定性包括:
将所述时间段划分为多个时间分片;
根据关于所述至少一个位置的可预测事件在所述多个时间分片之间的分布情况而确定所述可预测事件在所述时间段内的稳定性。
6.根据权利要求5所述的方法,其中根据关于所述至少一个位置的可预测事件在所述多个时间分片之间的分布情况而确定所述可预测事件在所述时间段内的稳定性包括:
计算所述可预测事件在每个时间分片中的频度;
在每个时间分片中通过将所述频度与预定阈值进行比较筛选出所述频度大于所述阈值的可预测事件;以及
跨多个时间分片比较筛选出的可预测事件的频度以确定所述筛选出的可预测事件在所述时间段内的稳定性。
7.一种用于自动事件分析的系统,所述系统包括:
信息收集装置,配置用于收集在给定的时间段内发生于至少一个位置的预定类型事件的有关信息;
可预测性确定装置,配置用于根据收集的所述信息以及与所述预定类型事件相关的预定条件而确定所述预定类型事件关于所述至少一个位置的可预测性;
稳定性确定装置,配置用于确定关于所述至少一个位置的可预测事件在所述时间段内的稳定性;以及
资源调度装置,配置用于根据对事件的分析结果而调度与所述事件相关联的服务的资源。
8.根据权利要求7所述的系统,其中所述可预测性确定装置包括:
依赖分析装置,配置用于分析所述信息以确定发生于所述至少一个位置的所述预定类型事件与所述预定条件之间的依赖关系;以及
第一可预测性确定装置,配置用于根据所述依赖关系而确定所述预定类型事件关于所述至少一个位置的可预测性。
9.根据权利要求8所述的系统,其中所述依赖分析装置包括:
基于模型的依赖分析装置,配置用于根据预测模型来确定发生于所述至少一个位置的所述预定类型事件与所述预定条件之间的依赖关系。
10.根据权利要求9所述的系统,其中所述预测模型包括以下之一:回归模型、统计模型、神经网络。
11.根据权利要求7所述的系统,其中所述稳定性确定装置包括:
时间分片装置,配置用于将所述时间段划分为多个时间分片;
第一稳定性确定装置,配置用于根据关于所述至少一个位置的可预测事件在所述多个时间分片之间的分布情况而确定所述可预测事件在所述时间段内的稳定性。
12.根据权利要求11所述的系统,其中所述第一稳定性确定装置包括:
频度计算装置,配置用于计算所述可预测事件在每个时间分片中的频度;
筛选装置,配置用于在每个时间分片中通过将所述频度与预定阈值进行比较筛选出所述频度大于所述阈值的可预测事件;以及
比较装置,配置用于跨多个时间分片比较筛选出的可预测事件的频度以确定所述筛选出的可预测事件在所述时间段内的稳定性。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210225695.4A CN103514506B (zh) | 2012-06-29 | 2012-06-29 | 用于自动事件分析的方法和系统 |
US13/895,714 US9189738B2 (en) | 2012-06-29 | 2013-05-16 | Automatic event analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210225695.4A CN103514506B (zh) | 2012-06-29 | 2012-06-29 | 用于自动事件分析的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103514506A CN103514506A (zh) | 2014-01-15 |
CN103514506B true CN103514506B (zh) | 2017-03-29 |
Family
ID=49779203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210225695.4A Active CN103514506B (zh) | 2012-06-29 | 2012-06-29 | 用于自动事件分析的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9189738B2 (zh) |
CN (1) | CN103514506B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514506B (zh) | 2012-06-29 | 2017-03-29 | 国际商业机器公司 | 用于自动事件分析的方法和系统 |
CN105471846B (zh) * | 2015-11-16 | 2019-11-22 | 网神信息技术(北京)股份有限公司 | 事件的检测方法及装置 |
US11200485B2 (en) * | 2017-05-22 | 2021-12-14 | Genesys Telecommunications Laboratories, Inc. | Contact center system and method for advanced outbound communications to a contact group |
CN109218062B (zh) * | 2017-07-07 | 2022-04-05 | 上海优扬新媒信息技术有限公司 | 基于置信区间的互联网业务报警方法和装置 |
US11423325B2 (en) | 2017-10-25 | 2022-08-23 | International Business Machines Corporation | Regression for metric dataset |
CN108304580A (zh) * | 2018-03-05 | 2018-07-20 | 上海思贤信息技术股份有限公司 | 一种面向城市网格化管理的重大事件预警方法和系统 |
CN109166069B (zh) * | 2018-07-17 | 2020-09-08 | 华中科技大学 | 基于马尔科夫逻辑网络的数据关联方法、系统及设备 |
EP3621002A1 (en) * | 2018-09-06 | 2020-03-11 | Koninklijke Philips N.V. | Monitoring moveable entities in a predetermined area |
US11429903B2 (en) * | 2020-06-24 | 2022-08-30 | Jingdong Digits Technology Holding Co., Ltd. | Privacy-preserving asynchronous federated learning for vertical partitioned data |
JP2022124361A (ja) * | 2021-02-15 | 2022-08-25 | 富士通株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7035877B2 (en) * | 2001-12-28 | 2006-04-25 | Kimberly-Clark Worldwide, Inc. | Quality management and intelligent manufacturing with labels and smart tags in event-based product manufacturing |
US20060007308A1 (en) * | 2004-07-12 | 2006-01-12 | Ide Curtis E | Environmentally aware, intelligent surveillance device |
KR100840129B1 (ko) * | 2006-11-16 | 2008-06-20 | 삼성에스디에스 주식회사 | 통계적인 분석을 이용한 성능장애 관리시스템 및 그 방법 |
CN101541033B (zh) * | 2008-11-24 | 2010-12-08 | 中国移动通信集团广东有限公司 | 小区话务拥塞自动分析及参数调整系统 |
US8799009B2 (en) | 2009-02-02 | 2014-08-05 | Mckesson Financial Holdings | Systems, methods and apparatuses for predicting capacity of resources in an institution |
AU2009202874B2 (en) | 2009-07-16 | 2012-08-16 | Commonwealth Scientific And Industrial Research Organisation | System and Method for Prediction of Patient Admission Rates |
CN102111284B (zh) * | 2009-12-28 | 2013-09-04 | 北京亿阳信通科技有限公司 | 电信业务量预测方法和装置 |
CN103514506B (zh) | 2012-06-29 | 2017-03-29 | 国际商业机器公司 | 用于自动事件分析的方法和系统 |
-
2012
- 2012-06-29 CN CN201210225695.4A patent/CN103514506B/zh active Active
-
2013
- 2013-05-16 US US13/895,714 patent/US9189738B2/en not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
大型局域网干线流量的可预测性分析;王振旗等;《华中科技大学学报(自然科学版)》;20031231;第31卷(第S1期);第75-77页 * |
Also Published As
Publication number | Publication date |
---|---|
US9189738B2 (en) | 2015-11-17 |
US20140006324A1 (en) | 2014-01-02 |
CN103514506A (zh) | 2014-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514506B (zh) | 用于自动事件分析的方法和系统 | |
Singh et al. | A decade review on smart cities: Paradigms, challenges and opportunities | |
Mitropoulos et al. | Combining DEA with location analysis for the effective consolidation of services in the health sector | |
Manataki et al. | A generic system dynamics based tool for airport terminal performance analysis | |
US7720782B2 (en) | Automated predictive modeling of business future events based on historical data | |
Rad et al. | Designing a hybrid system dynamic model for analyzing the impact of strategic alignment on project portfolio selection | |
Hulshof et al. | Tactical resource allocation and elective patient admission planning in care processes | |
Arbex et al. | Estimating the influence of crowding and travel time variability on accessibility to jobs in a large public transport network using smart card big data | |
US11250954B2 (en) | Patient readmission prediction tool | |
Peng et al. | A hybrid simulation and genetic algorithm approach to determine the optimal scheduling templates for open access clinics admitting walk-in patients | |
Wang et al. | A discrete event simulation evaluation of distributed operating room scheduling | |
Teow et al. | Intelligent analysis of acute bed overflow in a tertiary hospital in Singapore | |
CN110443657A (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
US20200151634A1 (en) | Methods for Probabilistic Demand/Supply Matching and Designing Scheduling Decision Support Systems and Schedulers | |
Norris et al. | Social hotspots database | |
Bahou et al. | Modeling the critical care pathway for cardiothoracic surgery | |
Harper et al. | Proactive service recovery in emergency departments: A hybrid modelling approach using forecasting and real-time simulation | |
US20130124251A1 (en) | Optimal planning of building retrofit for a portfolio of buildings | |
Pehlivan et al. | Multi-period capacity planning for maternity facilities in a perinatal network: A queuing and optimization approach | |
Lanzarone et al. | The nurse-to-patient assignment problem in home care services | |
Aslani et al. | Integration of simulation and DEA to determine the most efficient patient appointment scheduling model for a specific healthcare setting | |
CN112085517A (zh) | 优惠券发放方法、装置、电子设备及可读存储介质 | |
Cimellaro et al. | Seismic performance of health care facilities using discrete event simulation models | |
CN110490132A (zh) | 数据处理方法和装置 | |
Vile | Time-dependent stochastic modelling for predicting demand and scheduling of emergency medical services |
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 |