CN105096041A - 一种指标异动的溯源及预测方法、装置 - Google Patents
一种指标异动的溯源及预测方法、装置 Download PDFInfo
- Publication number
- CN105096041A CN105096041A CN201510441211.3A CN201510441211A CN105096041A CN 105096041 A CN105096041 A CN 105096041A CN 201510441211 A CN201510441211 A CN 201510441211A CN 105096041 A CN105096041 A CN 105096041A
- Authority
- CN
- China
- Prior art keywords
- node
- index
- abnormal nodes
- granger
- graph model
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种的指标异动的溯源及预测方法、装置,均已预先建立的Granger图模型为搜索基础,因为Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示这两个节点间的因果关系,所述边由原因节点指向结果节点,所以通过此模型可以展现出指标间的因果关系,所以,在已知指标异动的情况下,即可通过发生异动的指标对应的节点,向此节点原因节点的方向进行溯源,从而查询出指标异动的原因,以及,向此节点结果节点的方向进行预测,从而预测出可能异动的指标。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种指标异动的溯源及预测方法、装置。
背景技术
所谓指标异动,是指公司运营的指标在制定周期内的变化幅度超过预先设定的阈值,从而对公司运营活动产生显著的负面影响。
目前,只能基于指标的数值与阈值之间的关系,确定出单个指标是否发生异动,而无法定位出指标异动的原因,也无法对于指标异动做出预判。
发明内容
本申请提供了一种指标异动的溯源方法及装置,目的在于定位出的指标异动的原因,并且,本申请还提供了一种指标异动的预测方法及装置,目的在于对于指标异动做出预判。
为了实现上述目的,本申请提供了以下技术方案:
一种指标异动的溯源方法,包括:
在检测到指标异动后,从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点;
重复执行以下步骤构成的流程,直至找不到新的异常节点,并将标记的异常节点对应的指标作为所述指标异动的原因:
依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的原因节点;
从所述原因节点中标记异常节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值。
可选地,所述Granger图模型的建立过程具体包括:
指定滑动窗口T和之后时间Lag的大小;
生成指标集合{xi}的全连接图G=<V,E>,其中,V为图中节点,每个节点代表一个指标,边集E置为空集,xi为节点;
对V中的每个指标y,记Lasso(y,Xlag,T)为在指定了滑动窗口T和滞后值Lag之后,对指标y进行Lasso算法之后得到的具有非零系数的指标滞后变量的集合:{xt′|(t′=t-lag-T+1,t-lag-T+2,...,t-lag,x∈X)};
对每一对节点x和y,记(x,y)为其边,wy=Lasso(y,Xlag,T):
若且则记(x,y)为x→y;
若且则记(x,y)为y→x;
若且则记(x,y)为
若且指标x、y之间没有边。
可选地,所述重复执行以下步骤构成的流程包括:
以树结构的宽度优先搜索的方式,重复执行以下步骤构成的流程。
可选地,所述Granger图模型中的任意一个节点对应的指标均为时间序列;
在所述Granger图模型的建立之前,还包括:
检测Granger图模型中的任意一个节点对应的时间序列是否平稳,如果不平稳,通过使用差分法使之平稳。
一种指标异动的预测方法,包括:
从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值;
重复执行以下步骤构成的流程,直至找不到新的疑似异常节点,并将疑似异常节点对应的指标作为预判出的异动指标:
依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的结果节点;
将所述结果节点标记为疑似异常节点。
一种指标异动的溯源装置,包括:
第一定位模块,用于在检测到指标异动后,从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点;
迭代溯源模块,用于重复执行以下步骤构成的流程,直至找不到新的异常节点,并将标记的异常节点对应的指标作为所述指标异动的原因:依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的原因节点;从所述原因节点中标记异常节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值。
可选地,还包括:
Granger图模型建立模块,用于指定滑动窗口T和之后时间Lag的大小;生成指标集合{xi}的全连接图G=<V,E>,其中,V为图中节点,每个节点代表一个指标,边集E置为空集,xi为节点;对V中的每个指标y,记Lasso(y,Xlag,T)为在指定了滑动窗口T和滞后值Lag之后,对指标y进行Lasso算法之后得到的具有非零系数的指标滞后变量的集合:{xt′|(t′=t-lag-T+1,t-lag-T+2,...,t-lag,x∈X)};对每一对节点x和y,记(x,y)为其边,wy=Lasso(y,Xlag,T):若且则记(x,y)为x→y;若且则记(x,y)为y→x;若且则记(x,y)为若且指标x、y之间没有边。
可选地,所述迭代溯源模块用于重复执行以下步骤构成的流程包括:
所述迭代标记模块具体用于,以树结构的宽度优先搜索的方式,重复执行以下步骤构成的流程。
可选地,还包括:
时间序列处理模块,用于在所述Granger图模型的建立之前,检测Granger图模型中的任意一个节点对应的时间序列是否平稳,如果不平稳,通过使用差分法使之平稳,所述Granger图模型中的任意一个节点对应的指标均为时间序列。
一种指标异动的预测装置,包括:
第二定位模块,用于从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值;
迭代预测模块,用于重复执行以下步骤构成的流程,直至找不到新的疑似异常节点,并将疑似异常节点对应的指标作为预判出的异动指标:依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的结果节点;将所述结果节点标记为疑似异常节点。
本申请所述的指标异动的溯源及预测方法、装置,均已预先建立的Granger图模型为搜索基础,因为Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示这两个节点间的因果关系,所述边由原因节点指向结果节点,所以通过此模型可以展现出指标间的因果关系,所以,在已知指标异动的情况下,即可通过发生异动的指标对应的节点,向此节点原因节点的方向进行溯源,从而查询出指标异动的原因,以及,向此节点结果节点的方向进行预测,从而预测出可能异动的指标。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种指标异动的溯源方法的流程图;
图2为本申请实施例公开的Granger图模型的示意图;
图3为本申请实施例公开的又一种指标异动的溯源方法的流程图;
图4为本申请实施例公开的一种指标异动的预测方法的流程图;
图5为本申请实施例公开的一种指标异动的溯源装置的结构示意图;
图6为本申请实施例公开的一种指标异动的预测装置的结构示意图;
图7为本申请实施例公开的一种指标异动的溯源及预测装置的结构示意图。
具体实施方式
本申请实施例公开的指标异动的溯源及预测方法、装置、可以应用在对于运营数据进行的监控的场景下,通过对于运营数据的因果关系的挖掘,实现指标异动的溯源及预测。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开的一种指标异动的溯源方法,如图1所示,包括以下步骤:
S101:获取预设的Granger图模型;
其中,如图2所示,Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点,例如,x10为x11的结果节点,x11为x10的原因节点。
S102:在检测到指标异动后,从Granger图模型中定位异常节点;
例如,假设异动的指标为A,在Granger图模型中节点x4与A对应,则在Granger图模型中定位出的异常节点为x4。
S103:依据Granger图模型中异常节点与其它节点的边,从其它节点中确定异常节点的原因节点;
例如,如果异常节点为x4,依据图2所示的关系,它的原因节点为x1、x2、x3和x5。
S104:从原因节点中标记异常节点;
具体地,对于所有原因节点xi∈Vy,检查xi是否处于告警区间,若是,则将xi标记为异常节点
若xi尚处于正常区间,设当前时刻为T,检查xi在T时刻的变化率是否处于其变化率区间内,若则认为xi为异常节点
S105:判断在所有节点中是否还能找到新的异常节点,如果是,返回执行S103,如果否,执行S106;
例如,对于异常节点x4而言,如果它的原因节点为x1、x2、x3和x5中x5为异常节点,则从x5的原因节点x6和x8中查找异常节点,如果x6和x8均为正常节点,则执行S106,如果x8为异常节点,则进行标记,并判断x8的原因节点x10是否为异常节点,如果是,则进行标记,并且继续从x10的原因节点x9和x11中查找异常节点,如果否,则结束。如果x9和x11均为正常节点,则执行S106,如果否,则对异常节点进行标记后执行S106。
本实施例中,为了获得较高的搜索效率,可以采用以树结构的宽度优先搜索的方式,执行上述迭代过程。
S106:将标记的异常节点对应的指标作为所述指标异动的原因。
从本实施例所述的过程可以看出,采用“Granger图模型”原理构建指标拓扑结构,进行指标异常的原因定位,考虑了指标之间因果关联相互影响的因素,并且,可以减少对人为经验的依赖,从而提高指标异动原因定位的准确性。
本申请实施例公开的又一种指标异动的溯源方法,如图3所示,包括以下步骤:
S301:检测待建立的Granger图模型中的任意一个节点对应的时间序列是否平稳,如果是,执行S303,如果否,执行S302;
S302:通过使用差分法使时间序列平稳;
本实施例中,建立模型使用的指标均为时间序列,对时间序列进行Granger因果分析的前提条件是时间序列是平稳的。对不平稳的时间序列进行Granger因果分析(回归分析),会导致虚假回归问题。因此,在对指标数据建立Granger图模型之前,要先检查数据的平稳性,对不平稳的数据,采取差分法使之平稳。
S303:基于Lasso(一种特征选择方法)思想建立Granger图模型;
通常,为了建立起Granger图模型,一般采用对指标集当中的每一对指标使用传统的Granger因果检验方法,并根据检验结果决定相应指标之间是否存在边以及边的方向。然而,这种方法明显缺陷就是在指标集过大时会产生组合爆炸的问题,因此,在本实施例中,基于Lasso思想建立Granger图模型。
基于Lasso思想建立Granger图模型简称LassoGranger图模型,其对指标的领域选择问题进行回归分析,通过构造一个惩罚函数获得一个精炼的模型,其基本思想是在回归系数的绝对值之和小于一个常数的约束条件下,使残差平方和最小化,从而能够产生某些严格等于0的回归系数,从而实现指标集合精简的目的,得到可解释的模型。
LassoGranger图模型的具体形式如下:
其中,S为指标集合样本,n为样本数,该式的输出为一个系数矩阵该矩阵为除y之外的指标集合的系数矩阵。
基于上述原理,LassoGranger图模型的建立方法具体可以包括以下步骤:
A:指定滑动窗口T和之后时间Lag的大小;
B:生成指标集合{xi}的全连接图G=<V,E>,其中,V为图中节点,每个节点代表一个指标,边集E置为空集,xi为节点;
C:对V中的每个指标y,记Lasso(y,Xlag,T)为在指定了滑动窗口T和滞后值Lag之后,对指标y进行Lasso算法之后得到的具有非零系数的指标滞后变量的集合:{xt′|(t′=t-lag-T+1,t-lag-T+2,...,t-lag,x∈X)};
D:对每一对节点(指标)x和y,记(x,y)为其边,wy=Lasso(y,Xlag,T):
若且则记(x,y)为x→y;
若且则记(x,y)为y→x;
若且则记(x,y)为
若且指标x、y之间没有边。
S304:在检测到指标异动后,定位指标异动的原因,定位的方式可以参见图1中的S102至S106,这里不再赘述。
本实施例所述的方法采用Granger图模型理论构建指标拓扑结构,基于Lasso思想建立Granger图模型,结合运营指标的固有时间序列特性,采用差分序列对选取指标进行平稳,最后,通过对有向图的边进行反向搜索,使用类似于树的宽度优先搜索的策略,实现对异常指标进行原因定位,既有效解决了在构建Granger图模型由于指标集过大时会产生组合爆炸的问题,又大大提高了指标异常定位的准确性。
本申请实施例还公开了一种指标异动的预测方法,如图4所示,包括以下步骤:
S401:从预设的Granger图模型中定位异常节点,异常节点为发生异动的指标对应的节点;
其中,异常节点为满足预设条件的节点,预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值。
本实施例中,Granger图模型的具体实现形式和建立过程可以参见上述实施例,这里不再赘述。
S402:依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的结果节点;
S403:将所述结果节点标记为疑似异常节点;
S404:判断在所有节点中,是否还能够找到新的疑似异常节点,如果是,返回执行S402-S403,如果否,执行S405;
S405:将疑似异常节点对应的指标作为预判出的异动指标。
本实施例中,可以利用Granger图模型,依据当前的指标异动,预判出可能的异动指标,因此,可以在指标异动发生之前做出预警,或者进行干预,以防止指标异动的发生。
与图1或图3所示的方法实施相对应地,本申请实施例还公开了一种指标异动的溯源装置,如图5所示,包括:
第一定位模块501,用于在检测到指标异动后,从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点;
迭代溯源模块502,用于重复执行以下步骤构成的流程,直至找不到新的异常节点,并将标记的异常节点对应的指标作为所述指标异动的原因:依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的原因节点;从所述原因节点中标记异常节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值。
可选地,本实施例中所述的装置还可以包括:
Granger图模型建立模块503,用于指定滑动窗口T和之后时间Lag的大小;生成指标集合{xi}的全连接图G=<V,E>,其中,V为图中节点,每个节点代表一个指标,边集E置为空集,xi为节点;对V中的每个指标y,记Lasso(y,Xlag,T)为在指定了滑动窗口T和滞后值Lag之后,对指标y进行Lasso算法之后得到的具有非零系数的指标滞后变量的集合:{xt′|(t′=t-lag-T+1,t-lag-T+2,...,t-lag,x∈X)};对每一对节点x和y,记(x,y)为其边,wy=Lasso(y,Xlag,T):若且则记(x,y)为x→y;
若且则记(x,y)为y→x;若且则记(x,y)为若且指标x、y之间没有边。
以及时间序列处理模块504,用于在所述Granger图模型的建立之前,检测Granger图模型中的任意一个节点对应的时间序列是否平稳,如果不平稳,通过使用差分法使之平稳,所述Granger图模型中的任意一个节点对应的指标均为时间序列。
可选地,所述迭代溯源模块重复执行以下步骤构成的流程的具体实现方式可以为:以树结构的宽度优先搜索的方式,重复执行以下步骤构成的流程。
本实施例所述的指标异动的溯源装置,可以定位出指标异动的原因。
与图4所示的方法实施例相对应地,本申请实施例还公开了一种指标异动的预测装置,如图6所示,包括:
第二定位模块601,用于从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值;
迭代预测模块602,用于重复执行以下步骤构成的流程,直至找不到新的疑似异常节点,并将疑似异常节点对应的指标作为预判出的异动指标:依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的结果节点;将所述结果节点标记为疑似异常节点。
可选地,本实施例中所述的装置,也可以包括上述实施例所述的Granger图模型建立模块603以及时间序列处理模块604。
本实施例中,可以利用Granger图模型,依据当前的指标异动,预判出可能的异动指标。
需要说明的是,图5和图6所示的装置,在实际应用中,可以集成在一个物理装置中,同时实现指标异动的溯源和预测功能。在集成设置的条件下,Granger图模型建立模块以及时间序列处理模块可以共用,如图7所示。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种指标异动的溯源方法,其特征在于,包括:
在检测到指标异动后,从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点;
重复执行以下步骤构成的流程,直至找不到新的异常节点,并将标记的异常节点对应的指标作为所述指标异动的原因:
依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的原因节点;
从所述原因节点中标记异常节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值。
2.根据权利要求1所述的方法,其特征在于,所述Granger图模型的建立过程具体包括:
指定滑动窗口T和之后时间Lag的大小;
生成指标集合{xi}的全连接图G=<V,E>,其中,V为图中节点,每个节点代表一个指标,边集E置为空集,xi为节点;
对V中的每个指标y,记Lasso(y,Xlag,T)为在指定了滑动窗口T和滞后值Lag之后,对指标y进行Lasso算法之后得到的具有非零系数的指标滞后变量的集合:{xt′|(t′=t-lag-T+1,t-lag-T+2,...,t-lag,x∈X)}
{xt′|(t′=t-lag-T+1,t-lag-T+2,...,t-lag,x∈X)};
对每一对节点x和y,记(x,y)为其边,wy=Lasso(y,Xlag,T):
若 且 则记(x,y)为x→y;
若 且 则记(x,y)为y→x;
若 且 则记(x,y)为
若 且 指标x、y之间没有边。
3.根据权利要求2所述的方法,其特征在于,所述重复执行以下步骤构成的流程包括:
以树结构的宽度优先搜索的方式,重复执行以下步骤构成的流程。
4.根据权利要求2或3所述的方法,其特征在于,所述Granger图模型中的任意一个节点对应的指标均为时间序列;
在所述Granger图模型的建立之前,还包括:
检测Granger图模型中的任意一个节点对应的时间序列是否平稳,如果不平稳,通过使用差分法使之平稳。
5.一种指标异动的预测方法,其特征在于,包括:
从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值;
重复执行以下步骤构成的流程,直至找不到新的疑似异常节点,并将疑似异常节点对应的指标作为预判出的异动指标:
依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的结果节点;
将所述结果节点标记为疑似异常节点。
6.一种指标异动的溯源装置,其特征在于,包括:
第一定位模块,用于在检测到指标异动后,从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点;
迭代溯源模块,用于重复执行以下步骤构成的流程,直至找不到新的异常节点,并将标记的异常节点对应的指标作为所述指标异动的原因:依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的原因节点;从所述原因节点中标记异常节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值。
7.根据权利要求6所述的装置,其特征在于,还包括:
Granger图模型建立模块,用于指定滑动窗口T和之后时间Lag的大小;生成指标集合{xi}的全连接图G=<V,E>,其中,V为图中节点,每个节点代表一个指标,边集E置为空集,xi为节点;对V中的每个指标y,记Lasso(y,Xlag,T)为在指定了滑动窗口T和滞后值Lag之后,对指标y进行Lasso算法之后得到的具有非零系数的指标滞后变量的集合:{xt′|(t′=t-lag-T+1,t-lag-T+2,...,t-lag,x∈X)};对每一对节点x和y,记(x,y)为其边,wy=Lasso(y,Xlag,T):若且则记(x,y)为x→y;若 且 则记(x,y)为y→x;若 且 则记(x,y)为若 且 指标x、y之间没有边。
8.根据权利要求7所述的装置,其特征在于,所述迭代溯源模块用于重复执行以下步骤构成的流程包括:
所述迭代标记模块具体用于,以树结构的宽度优先搜索的方式,重复执行以下步骤构成的流程。
9.根据权利要求7或8所述的装置,其特征在于,还包括:
时间序列处理模块,用于在所述Granger图模型的建立之前,检测Granger图模型中的任意一个节点对应的时间序列是否平稳,如果不平稳,通过使用差分法使之平稳,所述Granger图模型中的任意一个节点对应的指标均为时间序列。
10.一种指标异动的预测装置,其特征在于,包括:
第二定位模块,用于从预设的Granger图模型中定位异常节点,所述异常节点为发生异动的指标对应的节点,所述Granger图模型中的每一节点均对应一个指标,任意一条存在于两个节点之间的边用于表示所述两个节点间的因果关系,所述边由原因节点指向结果节点,所述异常节点为其对应的指标满足预设条件的节点,所述预设条件包括:指标的值处于预设的告警区间或者指标的值的变化率大于预设的阈值;
迭代预测模块,用于重复执行以下步骤构成的流程,直至找不到新的疑似异常节点,并将疑似异常节点对应的指标作为预判出的异动指标:依据所述Granger图模型中所述异常节点与其它节点的边,从所述其它节点中确定所述异常节点的结果节点;将所述结果节点标记为疑似异常节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510441211.3A CN105096041A (zh) | 2015-07-24 | 2015-07-24 | 一种指标异动的溯源及预测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510441211.3A CN105096041A (zh) | 2015-07-24 | 2015-07-24 | 一种指标异动的溯源及预测方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105096041A true CN105096041A (zh) | 2015-11-25 |
Family
ID=54576410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510441211.3A Pending CN105096041A (zh) | 2015-07-24 | 2015-07-24 | 一种指标异动的溯源及预测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105096041A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529820A (zh) * | 2016-11-21 | 2017-03-22 | 北京中电普华信息技术有限公司 | 一种运营指标的预测方法及系统 |
CN109816940A (zh) * | 2019-03-21 | 2019-05-28 | 北京天诚同创电气有限公司 | 污水处理厂的故障报警方法和装置 |
CN110262937A (zh) * | 2019-05-06 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种指标异常原因的识别方法及装置 |
CN110390151A (zh) * | 2019-07-12 | 2019-10-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于时间序列和横向比对的换流站阀厅运行环境预警方法 |
CN110489262A (zh) * | 2019-08-05 | 2019-11-22 | 北京字节跳动网络技术有限公司 | 系统出错模块的自动定位方法、系统、介质和电子设备 |
CN111026570A (zh) * | 2019-11-01 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用于确定业务系统异常原因的方法和装置 |
WO2020119711A1 (zh) * | 2018-12-13 | 2020-06-18 | 中兴通讯股份有限公司 | 一种根因定位方法、服务器和存储介质 |
CN112526905A (zh) * | 2020-11-27 | 2021-03-19 | 杭州萤石软件有限公司 | 一种针对指标异常的处理方法及系统 |
CN112800282A (zh) * | 2021-01-15 | 2021-05-14 | 厦门大学 | 一种业务流程异常节点溯源方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414186A (zh) * | 2007-03-09 | 2009-04-22 | 欧姆龙株式会社 | 要因估计支持装置及其控制方法 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
-
2015
- 2015-07-24 CN CN201510441211.3A patent/CN105096041A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414186A (zh) * | 2007-03-09 | 2009-04-22 | 欧姆龙株式会社 | 要因估计支持装置及其控制方法 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
Non-Patent Citations (1)
Title |
---|
ANDREW ARNOLD等: "Temporal Causal Modeling with Graphical Granger Methods", 《KDD’07第13届ACM SIGKDD国际知识发现与数据挖掘会议论文集》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529820A (zh) * | 2016-11-21 | 2017-03-22 | 北京中电普华信息技术有限公司 | 一种运营指标的预测方法及系统 |
WO2020119711A1 (zh) * | 2018-12-13 | 2020-06-18 | 中兴通讯股份有限公司 | 一种根因定位方法、服务器和存储介质 |
CN109816940A (zh) * | 2019-03-21 | 2019-05-28 | 北京天诚同创电气有限公司 | 污水处理厂的故障报警方法和装置 |
CN109816940B (zh) * | 2019-03-21 | 2023-05-09 | 北京天诚同创电气有限公司 | 污水处理厂的故障报警方法和装置 |
CN110262937A (zh) * | 2019-05-06 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种指标异常原因的识别方法及装置 |
CN110262937B (zh) * | 2019-05-06 | 2023-07-18 | 创新先进技术有限公司 | 一种指标异常原因的识别方法及装置 |
CN110390151A (zh) * | 2019-07-12 | 2019-10-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于时间序列和横向比对的换流站阀厅运行环境预警方法 |
CN110489262A (zh) * | 2019-08-05 | 2019-11-22 | 北京字节跳动网络技术有限公司 | 系统出错模块的自动定位方法、系统、介质和电子设备 |
CN111026570B (zh) * | 2019-11-01 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 用于确定业务系统异常原因的方法和装置 |
CN111026570A (zh) * | 2019-11-01 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用于确定业务系统异常原因的方法和装置 |
CN112526905A (zh) * | 2020-11-27 | 2021-03-19 | 杭州萤石软件有限公司 | 一种针对指标异常的处理方法及系统 |
CN112526905B (zh) * | 2020-11-27 | 2022-09-27 | 杭州萤石软件有限公司 | 一种针对指标异常的处理方法及系统 |
CN112800282A (zh) * | 2021-01-15 | 2021-05-14 | 厦门大学 | 一种业务流程异常节点溯源方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105096041A (zh) | 一种指标异动的溯源及预测方法、装置 | |
CN104200087B (zh) | 用于机器学习的参数寻优及特征调优的方法及系统 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN107423414A (zh) | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 | |
Zhao et al. | Prediction model of tunnel boring machine performance by ensemble neural networks | |
CN102520708B (zh) | 一种新型过程工业多回路振荡的波动源定位方法 | |
CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
Di Filippo et al. | Generative Design for project optimization (S). | |
CN102663495B (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN108804800A (zh) | 基于回声状态网络的锂离子电池soc在线预测方法 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
Agarwal et al. | Code coverage using intelligent water drop (IWD) | |
Tangrand | Some new contributions to neural networks and wavelets with applications | |
CN107871197A (zh) | 扰动源追溯方法 | |
CN114417650B (zh) | 一种坝体安全监测方法和系统 | |
CN103337000B (zh) | 一种油气集输系统安全监测预警方法 | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
CN114880818A (zh) | 一种面向全局燃气管网结构的神经网络监测方法和系统 | |
CN114779739A (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 | |
CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151125 |