CN105205297B - 一种基于时间序列的业务预测方法及系统 - Google Patents
一种基于时间序列的业务预测方法及系统 Download PDFInfo
- Publication number
- CN105205297B CN105205297B CN201410261902.0A CN201410261902A CN105205297B CN 105205297 B CN105205297 B CN 105205297B CN 201410261902 A CN201410261902 A CN 201410261902A CN 105205297 B CN105205297 B CN 105205297B
- Authority
- CN
- China
- Prior art keywords
- time
- prediction
- time sequence
- granularity
- dimension
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了时间序列预测方法,包括:对时间序列的时间粒度进行多维划分,划分出至少两个时间维度;获取划分出的每个时间维度的时间序列;获取的时间序列为在当前时刻之前的一段时间序列;根据获取的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测组合,根据预测组合生成多维度时间划分预测模型;获取并根据当前时刻的真实时间序列值,通过多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值;采用本发明,实现了在不同的时间维度上对时间序列进行预测,解决了现有技术中时间序列在多维时间粒度上预测精度的问题,提高了业务预测的准确性。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于时间序列的业务预测方法及系统。
背景技术
时间序列预测分析技术是基于与时间顺序相关联的有序观测数据集,利用随机过程理论和数理统计学方法,研究所述数据集所遵从的统计规律,从而推测数据发展趋势指导解决实际问题。科学正确地对各种实际时间序列进行预测分析可产生巨大的经济效益和与社会效益,时间序列预测分析技术已广泛应用到工业、地址、生态、经济、气象、医学等领域。
当前时间序列的实时预测一般使用自回归滑动平均模型(Autoregressivemoving average model,ARMA)、多层神经网络(Back propagation Natural Network,BPNN)或者支持向量机(Support Vector Machines,SVM)等方法。其中,最常用的是ARMA及其变化模型。ARMA是自回归模型AR和滑动平均模型MA的混合,自回归模型计算当前值与历史值之间的关系,滑动平均模型计算自回归模型的累计误差。ARMA常用于消费行为模式变迁研究,在零售研究中,用于具有季节变动特征的销售量、市场规模的预测等。
然而,ARMA模型在预测时,往往固定使用时间序列的一种时间粒度,比如,按照季度,月,星期等粒度。这种预测方法无法反应时间序列在时间粒度的特征,对于多种时间粒度上的时间序列的预测效果往往较差,预测结果的波动范围较大。而使用SVM,BPNN等模型预测时,为了保证预测的精度,预测模型的复杂度一般都较高,不适用于多种时间粒度的时间序列实时预测。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于时间序列的业务预测方法及系统,通过对时间粒度进行多维划分,在不同的时间维度上对时间序列进行预测,解决了现有技术中时间序列在多维时间粒度上预测精度的问题,提高了业务预测的准确性。
为了解决上述技术问题,本发明实施例第一方面公开了一种基于时间序列的业务预测方法,包括
处理器针对业务实时生成对应于业务场景的时间序列,并存储所述业务场景在不同时间粒度对应的时间序列;所述对应于业务场景的时间序列包括网络业务量的时间序列、或天气雨量的时间序列、或网站浏览点击量的时间序列;
处理器对时间序列的时间粒度进行多维划分,划分生成至少两个时间维度;
处理器基于所述对应于业务场景的时间序列,生成划分出的每个时间维度的时间序列;所述生成的时间序列为在当前时刻之前的一段时间序列;
处理器根据所述生成的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测结果组合,并根据所述预测结果组合生成在不同的时间维度上对业务场景的时间序列进行预测的多维度时间划分预测模型;
处理器获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值。
本发明实施例第二方面公开了一种基于时间序列的业务预测系统,包括:
多维划分模块,用于针对业务实时生成对应于业务场景的时间序列,并存储所述业务场景在不同时间粒度对应的时间序列;
时间序列获取模块,用于对时间序列的时间粒度进行多维划分,划分生成至少两个时间维度,基于所述对应于业务场景的时间序列,生成划分出的每个时间维度的时间序列;所述生成的时间序列为在当前时刻之前的一段时间序列;
预测模型生成模块,用于根据所述生成的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测结果组合,并根据所述预测结果组合生成在不同的时间维度上对业务场景的时间序列进行预测的多维度时间划分预测模型;
预测模块,用于获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值;
生成存储模块,用于在所述多维划分模块对时间序列的时间粒度进行多维划分之前,针对业务实时生成时间序列,并存储不同时间粒度对应的时间序列。
实施本发明实施例,具有如下有益效果:
通过对时间序列的时间粒度进行多维划分,组成不同时间维度的预测组合,生成多维度时间划分预测模型,实现了在不同的时间维度上对时间序列进行预测,解决了现有技术中时间序列在多维时间粒度上预测精度的问题,提高了业务预测的准确性,同时生成的预测模型复杂度低,容易实现,可以满足实时预测的需求;另外还可以针对生成的预测模型获取误差修正因子来修正预测时间序列值,从而不断地更新预测模型的参数,进一步提高业务预测的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明实施例提供的时间序列预测方法的流程示意图;
图2是本发明提供的时间序列预测方法的另一实施例的流程示意图;
图3是本发明提供的时间序列预测方法的另一实施例的流程示意图;
图4是本发明提供的时间序列预测方法的另一实施例的流程示意图;
图5是本发明实施例提供的对某网络业务的预测准确率趋势图;
图6是本发明提供的时间序列预测系统的结构示意图;
图7是本发明提供的时间序列预测系统的另一实施例的结构示意图;
图8是本发明提供的时间序列预测系统的另一实施例的结构示意图;
图9是本发明提供的时间序列预测系统的另一实施例的结构示意图;
图10是本发明实施例提供的预测模型生成模块的结构示意图;
图11是本发明提供的预测模型生成模块的另一实施例是结构示意图;
图12是本发明提供的时间序列预测系统的另一实施例的结构示意图;
图13是本发明提供的时间序列预测系统的另一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例提供的时间序列预测方法的流程示意图,该方法包括:
步骤S100:对时间序列的时间粒度进行多维划分,划分出至少两个时间维度;
具体地,时间序列的时间粒度可以包括季度、月份、星期、天、小时等等时间粒度,即,步骤S100可以将时间序列的时间粒度进行多维划分,划分出月份和天两个时间维度,或者划分出天和每天中第1个小时(即0点到1点)两个时间维度,或者划分出月份、每月份中第一个星期和每星期中第二天三个时间维度,等等,只要将时间粒度进行划分,划分出至少两个时间维度即可。
需要说明的是,本发明各个实施例中的时间序列可以为针对业务的时间序列,比如某网络业务量的时间序列,或者某地方天气雨量的时间序列,或者某网站浏览点击量的时间序列,等等,本发明各实施例中不做限定。
步骤S102:获取划分出的每个时间维度的时间序列;所述获取的时间序列为在当前时刻之前的一段时间序列;
具体地,当前时刻为t,那么获取的时间序列为当前时刻t之前的一段时间序列,比如从t0到t-1时刻这段时间的时间序列,或者从t0+n到t-m这段时间的时间序列,n和m可以为自然数,只要t0+n小于t-m,且t-m小于t即可;
例如,步骤S100中划分出月份和天两个时间维度,那么可以获取从t0到t-1时刻这段时间中,每个月的时间序列和每天的时间序列;又例如,步骤S100中划分出每天、每天中工作日和每天中每小时三个时间维度,那么可以获取从t0到t-1时刻这段时间中,每天的时间序列、每天中工作日的时间序列和每天中每小时的时间序列。
步骤S104:根据所述获取的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测组合,根据所述预测组合生成多维度时间划分预测模型;
具体地,对步骤S102中获取的时间序列可以通过回归模型,ARMA等预测算法进行预测得出预测结果,根据预测结果组合出最优的时间维度得到预测组合,可理解的,预测组合也可以为某个最优的时间维度;
例如,根据预测结果获知使用每个星期的时间序列来预测每个月的时间序列值,预测的准确率最高,那么使用每个星期这个时间维度来生成多维度时间划分预测模型;又如,根据预测结果获知组合使用每天中工作日和该工作日中每小时的时间序列来预测每个月的时间序列值,预测的准确率最高,那么组成每天中工作日和该工作日中每小时的预测组合,然后根据该预测组合生成多维度时间划分预测模型;
步骤S106:获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值。
具体地,假如步骤S104中是使用每个星期这个时间维度来生成多维度时间划分预测模型,那么获取当前时刻的真实时间序列值即获取当前这个星期的真实时间序列值,然后通过该生成的多维度时间划分预测模型来预测当前这个星期之后的下一个星期的时间序列值,得到预测时间序列值;
又如,步骤S104中是使用每天中工作日和该工作日中每小时的预测组合生成多维度时间划分预测模型,那么获取当前时刻的真实时间序列值即获取当前工作日中当前小时的真实时间序列值,然后通过该生成的多维度时间划分预测模型来预测当前工作日中下一个小时的时间序列值,得到该下一个小时的预测时间序列值;可理解的是,后续本发明实施例将再根据该预测时间序列值通过该生成的多维度时间划分预测模型来预测往后各个小时的时间序列值,直到预测得出下个月的时间序列值。
再具体地,本发明各个实施例中生成的多维度时间划分预测模型可以如下公式(1)所示:
其中,为预测当前时刻t的预测时间序列值;f(t-1)为指示时间序列需要是在当前时刻t之前,即时刻t-1及之前的时间序列的标识;di(t-t0)为指示时间序列需要是在第i维上的模型标识,该维度即为根据预测结果组成的不同时间维度的预测组合;fp(xi(t-t0))为在该第i维上的预测结果,该第i维上的预测结果可以使用回归模型,ARMA等预测方法来进行预测;F(*)为指示使用根据预测结果组成的不同时间维度的预测组合;
具体地,F(*)可以如下式所示:
其中,表示每一维的预测结果,x(t)为时间序列值,αi为各个对应的预测权重参数,αi为有理数,∑αi可以等于1或不等于1,优选地∑αi可以为1,使得预测算法更加简单,算法收敛更快;通过该F(*)对不同维度预测结果的组合,使其与真实结果的误差最小。需要说明的是,本发明实施例不限于上述F(*)的表达形式,只要实现对不同维度预测结果的组合,使其与真实结果的误差最小即可。
需要说明的是,本发明实施例不限于上述公式(1)的表达形式,符合公式(1)的表达内容的其它表达形式都在本发明实施例的保护范围内。
实施本发明实施例,通过对时间序列的时间粒度进行多维划分,组成不同时间维度的预测组合,生成多维度时间划分预测模型,实现了在不同的时间维度上对时间序列进行预测,解决了现有技术中时间序列在多维时间粒度上预测精度的问题,提高了业务预测的准确性,同时生成的预测模型复杂度低,容易实现,可以满足实时预测的需求。
具体地,如图2示出的本发明提供的时间序列预测方法的另一实施例的流程示意图,该方法包括:
步骤S200:针对业务实时生成时间序列,并存储不同时间粒度对应的时间序列;
具体地,可以针对某具体业务按照可能的时间序列预测需求以及预测时间序列的业务数据特征,来实时地生成并存储时间序列,并且存储的时间序列在不同的时间粒度上都有记录;再具体地,可以根据业务需求来限定最小的时间粒度,比如统计某网站日流量的时间序列,那么除了可以按照每天的时间粒度来生成并存储时间粒度外,还可以限定最小的时间粒度为小时或者分钟,并以小时或分钟的时间粒度来生成并存储时间序列;
进一步地,存储的不同时间粒度的时间序列可以包括第一时间粒度的时间序列,以及第二时间粒度的时间序列,其中第一时间粒度的维度小于第二时间粒度的维度,比如小时的维度小于天的维度,分钟的维度小于小时的维度,等等;那么在同一时段中,当所述第一时间粒度中至少两个时间单元的时长之和等于所述第二时间粒度中的一个时间单元的时长,则所述第一时间粒度中至少两个时间单元对应的真实时间序列值之和等于所述第二时间粒度中的一个时间单元对应的真实时间序列值。即,本发明实施例中存储的各个不同时间粒度的时间序列具有可加性,例如,连续60个分钟的时间序列值之和,等于该段时间内1个小时的时间序列值;或者连续24个小时的时间序列值之和,等于该段时间内1天的时间序列值;等等。
步骤S202:对时间序列的时间粒度进行多维划分,划分出至少两个时间维度;
步骤S204:获取划分出的每个时间维度的时间序列;所述获取的时间序列为在当前时刻之前的一段时间序列;
步骤S206:根据所述获取的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测组合,根据所述预测组合生成多维度时间划分预测模型;
步骤S208:获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值。
具体地,步骤S202至步骤S208可对应参考上述图1实施例中的步骤S100至步骤S106,这里不再赘述。
进一步地,如图3示出的本发明提供的时间序列预测方法的另一实施例的流程示意图,该方法包括:
步骤S300:对时间序列的时间粒度进行划分,划分出至少两级时间粒度;并根据划分出的每级时间粒度的粒度特性进行划分,划分出每级时间粒度对应的第一时间维度;
具体地,时间序列的时间粒度可以包括季度、月份、星期、天、小时等等不同级别的时间粒度,可以针对业务需求划分出至少两级时间粒度,比如天和小时两级时间粒度,然后还可以根据天的时间粒度特性划分出工作日、周末和节假日的第一时间维度,以及根据小时的粒度特性划分出1点到24点的第一时间维度;需要说明的是,上述对天的时间粒度划分出工作日可以看作划分出一个时间维度,对小时的时间粒度划分出1点到24点可以看作划分出另一个时间维度;
还需要说明的是,对天和小时的时间粒度划分出第一时间维度不限于上述例子,例如还可以对天的时间粒度划分出周一到周日的第一时间维度,等等,只要按照每级时间粒度的粒度特性进行划分即可。
可理解的,本发明实施例步骤S300之前还可以执行图2实施例中的步骤200。
步骤S302:获取划分出的每级时间粒度的时间序列,以及获取所述每级时间粒度对应的第一时间维度的时间序列;
步骤S304:根据所述获取的时间序列通过预测算法进行预测,得到第一预测结果;根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一时间维度中组合出预测组合;根据所述预测组合生成多维度时间划分预测模型;
具体地,对步骤S302中获取的时间序列可以通过回归模型,ARMA等预测算法进行预测得出第一预测结果,根据第一预测结果组合出最优的时间维度得到预测组合;
例如,步骤S300中时间序列的时间粒度划分出天的时间粒度的周一到周日,以及小时的时间粒度的1点到24点,那么根据第一预测结果,可以选择组合周一10点这个预测组合来生成多维度时间划分预测模型,来预测周一全天的数据;又如,可以选择组合周一15点这个预测组合来生成多维度时间划分预测模型,来预测周一全天的数据;
需要说明的是,预测组合的选取依据可以根据第一预测结果的预测准确率来选择,比如根据当前时刻之前的数据使用某预测组合来预测的准确率最高,即选取该预测组合来生成多维度时间划分预测模型。
骤S306:获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值。
具体地,可以参考图1实施例中的步骤S106,这里不再赘述。
再进一步地,如图4示出的本发明提供的时间序列预测方法的另一实施例的流程示意图,该方法包括:
步骤S400:对时间序列的时间粒度进行划分,划分出至少两级时间粒度;并根据划分出的每级时间粒度的粒度特性进行划分,划分出每级时间粒度对应的第一时间维度;根据所述第一时间维度的维度特性进行划分,划分出所述每级时间粒度对应的第二时间维度;
具体地,时间序列的时间粒度可以包括季度、月份、星期、天、小时等等不同级别的时间粒度,可以针对业务需求划分出至少两级时间粒度,比如天和小时两级时间粒度,然后还可以根据天的时间粒度特性划分出工作日、周末和节假日的第一时间维度,以及根据小时的粒度特性划分出1点到24点的第一时间维度;然后还可以对划分出的工作日进行再划分,得出周一至周五(即对应的第二时间维度),或者对划分出的周末进行再划分,得出周六和周日(即对应的第二时间维度),或者对划分出的节假日依据假期的长短来划分出第二时间维度,或者对划分出的1点到24点进行再划分,得到午前AM0点到12点和午后PM0点到12点(即对应的第二时间维度),等等;
需要说明的是,上述对天的时间粒度划分出工作日再划分出周一到周五可以看作划分出一个时间维度,对小时的时间粒度划分出1点到24点再划分出午前AM0点到12点和午后PM0点到12点可以看作划分出另一个时间维度;
还需要说明的是,对天和小时的时间粒度划分出第一时间维度,再对第一时间维度划分出第二时间维度,不限于上述例子;只要按照每级时间粒度的粒度特性以及每一时间维度的维度特性进行划分即可。
可理解的,本发明实施例步骤S400之前还可以执行图2实施例中的步骤200。
步骤S402:获取划分出的每级时间粒度的时间序列,获取所述每级时间粒度对应的第一时间维度的时间序列,以及获取所述每级时间粒度对应的第二时间维度的时间序列;
步骤S404:根据所述获取的时间序列通过预测算法进行预测,得到第一预测结果;根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一时间维度中,或从划分出的每级时间粒度及其对应的第二时间维度中,组合出预测组合;根据所述预测组合生成多维度时间划分预测模型;
具体地,对步骤S402中获取的时间序列可以通过回归模型,ARMA等预测算法进行预测得出第一预测结果,根据第一预测结果组合出最优的时间维度得到预测组合;
例如,步骤S400中时间序列的时间粒度划分出天的时间粒度的工作日,并对工作日再划分出周一到周五,以及小时的时间粒度的1点到24点,并对1点到24点再划分出午前AM0点到12点和午后PM0点到12点;那么根据第一预测结果,可以选择组合第二个工作日10点这个预测组合来生成多维度时间划分预测模型,来预测第二个工作日全天的数据;又如,可以选择组合第二个工作日15点这个预测组合来生成多维度时间划分预测模型,来预测第二个工作日全天的数据;又如,可以选择组合周一10点这个预测组合来生成多维度时间划分预测模型,来预测周一全天的数据;又如,可以选择组合周一AM0点到12点这个预测组合来生成多维度时间划分预测模型,来预测周一全天的数据;
需要说明的是,预测组合的选取依据可以根据第一预测结果的预测准确率来选择,比如根据当前时刻之前的数据使用某预测组合来预测的准确率最高,即选取该预测组合来生成多维度时间划分预测模型。
步骤S406:获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值。
具体地,可以参考图1实施例中的步骤S106,这里不再赘述。
再进一步地,本发明实施例还可以对得到的预测时间序列值进行预测修正,具体地:
本发明实施例在根据所述预测组合生成多维度时间划分预测模型之后,还包括:获取当前时刻的误差修正因子,所述误差修正因子为通过计算当前时刻的预测时间序列值与真实时间序列值的误差而得出的误差修正因子;所述当前时刻的预测时间序列值为根据当前时刻之前的上一时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻的时间序列值而得到的预测时间序列值;
那么在得到当前时刻之后的下一时刻的预测时间序列值之后,还包括:根据所述误差修正因子修正所述当前时刻之后的下一时刻的预测时间序列值。
详细地,本发明可以在当前时刻t生成真实时间序列值后,通过计算真实值(即真实时间序列值)和预测值(即预测时间序列值)之间的误差,用来调整下一时刻的预测结果,当前时刻t的预测时间序列值是使用本发明实施例中的多维度时间划分预测模型进行预测得到的预测时间序列值,误差预测函数δ(t)可以如公式(2)所示:
然后,可以根据得出的δ(t)来生成误差修正因子,比如生成误差修正因子1/1+δ(t),以调整预测方向;即将公式(1)乘以该误差修正因子,当δ(t)大于1(即预测值大于真实值)时,那么下一时刻的预测值向小的方向调整,否则,向大的方向调整。
在具体地,还可以将得到的δ(t)通过修正函数来生成误差修正因子,该修正函数λ(t)可以如公式(3)所示:
λ(t)=u(δ(t))ke-βδ(t) 公式(3)
其中,u(δ(t))为冲击函数,k、β为常量的有理数,k、β可以为0.1、0.2等经验值,该修正函数是为了让误差δ(t)收敛,因此本发明实施例不限于上述公式(2)的表达形式,只要可以使得误差δ(t)收敛的修正函数即可;
然后,可以根据得出的λ(t)来生成误差修正因子,比如生成误差修正因子1/1+λ(t),以调整预测方向;即将公式(1)乘以该误差修正因子,可以得到公式(4)如下:
当λi(t-1)大于1(即预测值大于真实值)时,那么下一时刻的预测值向小的方向调整,否则,向大的方向调整。
下面以某网络业务时间序列的实时预测为例说明本发明实施例的时间序列预测方法。记某网络业务为i(t),其业务可以分钟级时间粒度来实时统计,需要根据该业务的实时数据,预测该天的业务总量。
使用本发明实施例的时间序列预测方法,首先生产需要实时生成并存储时间序列。假设我们以每小时的时间粒度的业务量来实时预测全天的业务量。对时间序列的存储按照天存储和小时存储。那么按照小时和天对时间序列的存储属于一个时间维度的划分。
然后,使用多维度时间划分预测模型,可以对小时的时间序列划分按照1-24小时分别使用不同的参数,对天的时间序列按照周一至周日分别使用不同的参数,该划分属于时间序列在不同级别时间粒度上的划分,是时间序列的另外一个维度维的划分。这两种不同维度的划分可以表示为:
其中,t1(t)和t2(t)指示标识,分别表示时间序列在小时和天时间粒度上的特征。例如,确定组合出周一的10点作为预测组合来进行预测,得到对应的预测结果。那么,可以使用公式(1),当前时刻为某周一10点,则使用历史对应的周一10点数据生成预测模型参数,对应的,f(t-1)指示要周一10点之前的时间序列,di(t-t0)指示之前所有时间序列中的每个周一的10点的时间序列,fp(xi(t-t0))是指使用历史所有的周一时间序列参数生成的预测结果;
在生成预测的初步结果后,计算预测结果误差,可以是计算前一天预测结果的误差。例如,利用当前时刻周一10点预测周一全天数据,先计算前一天即周日10点的预测值与对应的真实值的误差,比如为0.08,说明预测值偏大,则在修改函数中,计算修正参数:
λ(t)=u(0.08)ke-0.08β
使用该参数作为当前时刻的预测修正参数,使用公式(4)生成更新后的预测结果。在该网络时间序列的预测结果中,预测准确度可以如图5示出的本发明实施例提供的对某网络业务的预测准确率趋势图,从准确率结果可以看出,使用该预测方法的预测准确率逐渐上升,接近99%。
实施本发明实施例,通过对时间序列的时间粒度进行多维划分,组成不同时间维度的预测组合,生成多维度时间划分预测模型,实现了在不同的时间维度上对时间序列进行预测,解决了现有技术中时间序列在多维时间粒度上预测精度的问题,提高了业务预测的准确性,同时生成的预测模型复杂度低,容易实现,可以满足实时预测的需求;另外还可以针对生成的预测模型获取误差修正因子来修正预测时间序列值,从而不断地更新预测模型的参数,进一步提高业务预测的准确性。
为了便于更好地实施本发明实施例的上述方案,本发明还对应提供了一种时间序列预测系统,如图6示出的本发明提供的时间序列预测系统的结构示意图,时间序列预测系统60包括:多维划分模块600、时间序列获取模块602、预测模型生成模块604和预测模块606,其中
多维划分模块600用于对时间序列的时间粒度进行多维划分,划分出至少两个时间维度;
时间序列获取模块602用于获取划分出的每个时间维度的时间序列;所述获取的时间序列为在当前时刻之前的一段时间序列;
预测模型生成模块604用于根据所述获取的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测组合,根据所述预测组合生成多维度时间划分预测模型;
预测模块606用于获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值。
具体地,如图7示出的本发明提供的时间序列预测系统的另一实施例的结构示意图,时间序列预测系统60包括多维划分模块600、时间序列获取模块602、预测模型生成模块604和预测模块606外,还可以包括生成存储模块608,用于在多维划分模块600对时间序列的时间粒度进行多维划分之前,针对业务实时生成时间序列,并存储不同时间粒度对应的时间序列。
再具体地,生成存储模块608存储的时间序列包括第一时间粒度的时间序列,以及第二时间粒度的时间序列;其中
在同一时段中,当所述第一时间粒度中至少两个时间单元的时长之和等于所述第二时间粒度中的一个时间单元的时长,则所述第一时间粒度中至少两个时间单元对应的真实时间序列值之和等于所述第二时间粒度中的一个时间单元对应的真实时间序列值。
进一步地,如图8示出的本发明提供的时间序列预测系统的另一实施例的结构示意图,时间序列预测系统60包括多维划分模块600、时间序列获取模块602、预测模型生成模块604和预测模块606,其中多维划分模块600还可以包括第一划分单元6000和第二划分单元6002,时间序列获取模块602可以包括第一获取单元6020和第二获取单元6022,其中
第一划分单元6000用于对时间序列的时间粒度进行划分,划分出至少两级时间粒度;
第二划分单元6002用于根据划分出的每级时间粒度的粒度特性进行划分,划分出每级时间粒度对应的第一时间维度;
第一获取单元6020用于获取划分出的每级时间粒度的时间序列;
第二获取单元6022用于获取所述每级时间粒度对应的第一时间维度的时间序列。
可理解的是,图8实施例中的时间序列预测系统60还可以包括生成存储模块。
再进一步地,如图9示出的本发明提供的时间序列预测系统的另一实施例的结构示意图,时间序列预测系统60包括多维划分模块600、时间序列获取模块602、预测模型生成模块604和预测模块606,其中多维划分模块600包括第一划分单元6000和第二划分单元6002外,还可以包括第三划分单元6004,用于在所述第二划分单元根据划分出的每级时间粒度的粒度特性进行划分,划分出每级时间粒度对应的第一时间维度之后,根据所述第一时间维度的维度特性进行划分,划分出所述每级时间粒度对应的第二时间维度;
时间序列获取模块602包括第一获取单元6020和第二获取单元6022外,还可以包括第三获取单元6024,用于获取所述每级时间粒度对应的第二时间维度的时间序列。
可理解的是,图9实施例中的时间序列预测系统60还可以包括生成存储模块。
再进一步地,如图10示出的本发明实施例提供的预测模型生成模块的结构示意图,预测模型生成模块604可以包括:第一预测单元6040、第一预测组合单元6042和第一模型生成单元6044,其中
第一预测单元6040用于根据所述获取的时间序列通过预测算法进行预测,得到第一预测结果;
第一预测组合单元6042用于根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一时间维度中组合出预测组合;
第一模型生成单元6044用于根据所述预测组合生成多维度时间划分预测模型。
再进一步地,如图11示出的本发明提供的预测模型生成模块的另一实施例是结构示意图,预测模型生成模块604可以包括:第二预测单元6046、第二预测组合单元6048和第二模型生成单元60410,其中
第二预测单元6046用于根据所述获取的时间序列通过预测算法进行预测,得到第一预测结果;
第二预测组合单元6048用于根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一时间维度中,或从划分出的每级时间粒度及其对应的第二时间维度中,组合出预测组合;
第二模型生成单元60410用于根据所述预测组合生成多维度时间划分预测模型。
再进一步地,如图12示出的本发明提供的时间序列预测系统的另一实施例的结构示意图,时间序列预测系统60包括多维划分模块600、时间序列获取模块602、预测模型生成模块604、预测模块606和生成存储模块608外,还可以包括:修正因子获取模块6010和预测修正模块6012,其中
修正因子获取模块608用于在预测模型生成模块604生成多维度时间划分预测模型之后,获取当前时刻的误差修正因子,所述误差修正因子为通过计算当前时刻的预测时间序列值与真实时间序列值的误差而得出的误差修正因子;所述当前时刻的预测时间序列值为根据当前时刻之前的上一时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻的时间序列值而得到的预测时间序列值;
预测修正模块6010用于在预测模块606得到当前时刻之后的下一时刻的预测时间序列值之后,根据所述误差修正因子修正所述当前时刻之后的下一时刻的预测时间序列值。
需要说明的是,本发明实施例中的时间序列预测系统60可以为个人计算机或移动智能终端、平板电脑等电子终端;时间序列预测系统60中各功能模块的功能可根据上述方法实施例中的方法具体实现,这里不再赘述。
请参阅图13,图13是本发明提供的时间序列预测系统的另一实施例的结构示意图。其中,如图13所示,时间序列预测系统130可以包括:至少一个处理器1301,例如CPU,至少一个网络接口1304,用户接口1303,存储器1305,至少一个通信总线1302以及显示屏1306。其中,通信总线1302用于实现这些组件之间的连接通信。其中,用户接口1303可以包括显示屏(Display)8,可选用户接口1303还可以包括标准的有线接口、无线接口。网络接口,1304可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1305可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1305可选的还可以是至少一个位于远离前述处理器1301的存储系统。如图13所示,作为一种计算机存储介质的存储器1305中可以包括操作系统、网络通信模块、用户接口模块以及时间序列预测程序。
在图13所示的时间序列预测系统1300中,网络接口1304主要用于连接服务器,与服务器进行数据通信;而处理器1301可以用于调用存储器1305中存储的时间序列预测程序,并执行以下操作:
对时间序列的时间粒度进行多维划分,划分出至少两个时间维度;
获取划分出的每个时间维度的时间序列;所述获取的时间序列为在当前时刻之前的一段时间序列;
根据所述获取的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测组合,根据所述预测组合生成多维度时间划分预测模型;
获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值。
进一步地,处理器1301对时间序列的时间粒度进行多维划分之前,还执行:
针对业务实时生成时间序列,并存储不同时间粒度对应的时间序列。
再进一步地,所述存储的时间序列包括第一时间粒度的时间序列,以及第二时间粒度的时间序列;其中
在同一时段中,当所述第一时间粒度中至少两个时间单元的时长之和等于所述第二时间粒度中的一个时间单元的时长,则所述第一时间粒度中至少两个时间单元对应的真实时间序列值之和等于所述第二时间粒度中的一个时间单元对应的真实时间序列值。
再进一步地,处理器1301对时间序列的时间粒度进行多维划分,划分出至少两个时间维度包括:
对时间序列的时间粒度进行划分,划分出至少两级时间粒度;并根据划分出的每级时间粒度的粒度特性进行划分,划分出每级时间粒度对应的第一时间维度;
所述获取划分出的每个时间维度的时间序列包括:
获取划分出的每级时间粒度的时间序列,以及获取所述每级时间粒度对应的第一时间维度的时间序列。
再进一步地,处理器1301根据划分出的每级时间粒度的粒度特性进行划分,划分出每级时间粒度对应的第一时间维度之后,还执行:
根据所述第一时间维度的维度特性进行划分,划分出所述每级时间粒度对应的第二时间维度;
所述获取划分出的每个时间维度的时间序列还包括:
获取所述每级时间粒度对应的第二时间维度的时间序列。
再进一步地,处理器1301根据所述获取的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测组合,根据所述预测组合生成多维度时间划分预测模型包括:
根据所述获取的时间序列通过预测算法进行预测,得到第一预测结果;
根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一时间维度中组合出预测组合;
根据所述预测组合生成多维度时间划分预测模型。
再进一步地,处理器1301根据所述获取的时间序列通过预测算法进行预测,根据预测结果组成不同时间维度的预测组合,根据所述预测组合生成多维度时间划分预测模型包括:
根据所述获取的时间序列通过预测算法进行预测,得到第一预测结果;
根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一时间维度中,或从划分出的每级时间粒度及其对应的第二时间维度中,组合出预测组合;
根据所述预测组合生成多维度时间划分预测模型。
再进一步地,处理器1301根据所述预测组合生成多维度时间划分预测模型之后,还可以执行:
获取当前时刻的误差修正因子,所述误差修正因子为通过计算当前时刻的预测时间序列值与真实时间序列值的误差而得出的误差修正因子;所述当前时刻的预测时间序列值为根据当前时刻之前的上一时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻的时间序列值而得到的预测时间序列值;
所述得到当前时刻之后的下一时刻的预测时间序列值之后,还包括:
根据所述误差修正因子修正所述当前时刻之后的下一时刻的预测时间序列值。
需要说明的是,处理器1301执行的步骤可以参考上述图1到图5方法实施例中的具体实现方式,这里不再赘述。
综上所述,实施本发明实施例,通过对时间序列的时间粒度进行多维划分,组成不同时间维度的预测组合,生成多维度时间划分预测模型,实现了在不同的时间维度上对时间序列进行预测,解决了现有技术中时间序列在多维时间粒度上预测精度的问题,提高了业务预测的准确性,同时生成的预测模型复杂度低,容易实现,可以满足实时预测的需求;另外还可以针对生成的预测模型获取误差修正因子来修正预测时间序列值,从而不断地更新预测模型的参数,进一步提高业务预测的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (15)
1.一种基于时间序列的业务预测方法,其特征在于,包括:
处理器针对业务实时生成对应于业务场景的时间序列,并存储所述业务场景在不同时间粒度对应的时间序列;所述对应于业务场景的时间序列包括网络业务量的时间序列、或天气雨量的时间序列、或网站浏览点击量的时间序列;
处理器对时间序列的时间粒度进行多维划分,划分生成至少两种不同维度;
处理器基于所述对应于业务场景的时间序列,生成划分出的每个维度的时间序列;所述生成的每个维度的时间序列为在当前时刻之前的一段时间序列;
处理器根据所述生成的每个维度的时间序列通过预测算法进行预测,根据预测结果组成不同维度的预测结果组合,并根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型;
处理器获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值;其中,获取的所述当前时刻的真实时间序列值包括以所述最优的不同维度来获取的当前时刻的真实时间序列值。
2.如权利要求1所述的方法,其特征在于,所述存储的时间序列包括第一时间粒度的时间序列,以及第二时间粒度的时间序列;其中
在同一时段中,当所述第一时间粒度中至少两个时间单元的时长之和等于所述第二时间粒度中的一个时间单元的时长,则所述第一时间粒度中至少两个时间单元对应的真实时间序列值之和等于所述第二时间粒度中的一个时间单元对应的真实时间序列值。
3.如权利要求1所述的方法,其特征在于,所述对时间序列的时间粒度进行多维划分,划分生成至少两种不同维度包括:
对时间序列的时间粒度进行划分,划分生成至少两级时间粒度;并根据划分出的每级时间粒度的粒度特性进行划分,划分生成每级时间粒度对应的第一维度;
所述基于所述对应于业务场景的时间序列,生成划分出的每个维度的时间序列包括:
获取划分出的每级时间粒度的时间序列,以及生成所述每级时间粒度对应的第一维度的时间序列。
4.如权利要求3所述的方法,其特征在于,所述根据划分出的每级时间粒度的粒度特性进行划分,划分生成每级时间粒度对应的第一维度之后,还包括:
根据所述第一维度的维度特性进行划分,划分出所述每级时间粒度对应的第二维度;
所述获取划分出的每个维度的时间序列还包括:
生成所述每级时间粒度对应的第二维度的时间序列。
5.如权利要求3所述的方法,其特征在于,所述根据所述生成的时间序列通过预测算法进行预测,根据预测结果组成不同维度的预测结果组合,并根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型包括:
根据所述生成的时间序列通过预测算法进行预测,得到第一预测结果;
根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一维度中组合出预测结果组合;
根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型。
6.如权利要求4所述的方法,其特征在于,所述根据所述生成的时间序列通过预测算法进行预测,根据预测结果组成不同维度的预测结果组合,并根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型包括:
根据所述生成的时间序列通过预测算法进行预测,得到第一预测结果;
根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一维度中,或从划分出的每级时间粒度及其对应的第二维度中,组合出预测结果组合;
根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型。
7.如权利要求1-6任一项所述的方法,其特征在于,所述根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型之后,还包括:
获取当前时刻的误差修正因子,所述误差修正因子为通过计算当前时刻的预测时间序列值与真实时间序列值的误差而得出的误差修正因子;所述当前时刻的预测时间序列值为根据当前时刻之前的上一时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻的时间序列值而得到的预测时间序列值;
所述得到当前时刻之后的下一时刻的预测时间序列值之后,还包括:
根据所述误差修正因子修正所述当前时刻之后的下一时刻的预测时间序列值。
8.一种基于时间序列的业务预测系统,其特征在于,包括:
多维划分模块,用于针对业务实时生成对应于业务场景的时间序列,并存储所述业务场景在不同时间粒度对应的时间序列;
时间序列获取模块,用于对时间序列的时间粒度进行多维划分,划分生成至少两种不同维度,基于所述对应于业务场景的时间序列,生成划分出的每个维度的时间序列;所述生成的每个维度的时间序列为在当前时刻之前的一段时间序列;
预测模型生成模块,用于根据所述生成的每个维度的时间序列通过预测算法进行预测,根据预测结果组成不同维度的预测结果组合,并根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型;
预测模块,用于获取并根据当前时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻之后的下一时刻的时间序列值,得到当前时刻之后的下一时刻的预测时间序列值;其中,获取的所述当前时刻的真实时间序列值包括以所述最优的不同维度来获取的当前时刻的真实时间序列值;
生成存储模块,用于在所述多维划分模块对时间序列的时间粒度进行多维划分之前,针对业务实时生成时间序列,并存储不同时间粒度对应的时间序列。
9.如权利要求8所述的系统,其特征在于,所述存储的时间序列包括第一时间粒度的时间序列,以及第二时间粒度的时间序列;其中
在同一时段中,当所述第一时间粒度中至少两个时间单元的时长之和等于所述第二时间粒度中的一个时间单元的时长,则所述第一时间粒度中至少两个时间单元对应的真实时间序列值之和等于所述第二时间粒度中的一个时间单元对应的真实时间序列值。
10.如权利要求8所述的系统,其特征在于,所述多维划分模块包括:
第一划分单元,用于对时间序列的时间粒度进行划分,划分生成至少两级时间粒度;
第二划分单元,用于根据划分出的每级时间粒度的粒度特性进行划分,划分生成每级时间粒度对应的第一维度;
所述时间序列获取模块包括:
第一获取单元,用于获取划分出的每级时间粒度的时间序列;
第二获取单元,用于生成所述每级时间粒度对应的第一维度的时间序列。
11.如权利要求10所述的系统,其特征在于,所述多维划分模块还包括:
第三划分单元,用于在所述第二划分单元根据划分出的每级时间粒度的粒度特性进行划分,划分生成每级时间粒度对应的第一维度之后,根据所述第一维度的维度特性进行划分,划分生成所述每级时间粒度对应的第二维度;
所述时间序列获取模块还包括:
第三获取单元,用于生成所述每级时间粒度对应的第二维度的时间序列。
12.如权利要求10所述的系统,其特征在于,所述预测模型生成模块包括:
第一预测单元,用于根据所述生成的时间序列通过预测算法进行预测,得到第一预测结果;
第一预测组合单元,用于根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一维度中组合出预测结果组合;
第一模型生成单元,用于根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型。
13.如权利要求11所述的系统,其特征在于,所述预测模型生成模块包括:
第二预测单元,用于根据所述生成的时间序列通过预测算法进行预测,得到第一预测结果;
第二预测组合单元,用于根据所述第一预测结果,从划分出的每级时间粒度及其对应的第一维度中,或从划分出的每级时间粒度及其对应的第二维度中,组合出预测结果组合;
第二模型生成单元,用于根据所述预测结果组合生成最优的在不同维度上对业务场景的时间序列进行预测的多维度时间划分预测模型。
14.如权利要求8-13任一项所述的系统,其特征在于,还包括:
修正因子获取模块,用于在所述预测模型生成模块生成多维度时间划分预测模型之后,获取当前时刻的误差修正因子,所述误差修正因子为通过计算当前时刻的预测时间序列值与真实时间序列值的误差而得出的误差修正因子;所述当前时刻的预测时间序列值为根据当前时刻之前的上一时刻的真实时间序列值,通过所述多维度时间划分预测模型预测在当前时刻的时间序列值而得到的预测时间序列值;
预测修正模块,用于在所述预测模块得到当前时刻之后的下一时刻的预测时间序列值之后,根据所述误差修正因子修正所述当前时刻之后的下一时刻的预测时间序列值。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410261902.0A CN105205297B (zh) | 2014-06-12 | 2014-06-12 | 一种基于时间序列的业务预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410261902.0A CN105205297B (zh) | 2014-06-12 | 2014-06-12 | 一种基于时间序列的业务预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105205297A CN105205297A (zh) | 2015-12-30 |
CN105205297B true CN105205297B (zh) | 2020-04-03 |
Family
ID=54952976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410261902.0A Active CN105205297B (zh) | 2014-06-12 | 2014-06-12 | 一种基于时间序列的业务预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205297B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292649A (zh) * | 2016-04-01 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 业务预测数据校正的方法和装置 |
CN107844848B (zh) * | 2016-09-20 | 2020-12-29 | 中国移动通信集团湖北有限公司 | 一种区域人流量预测方法及系统 |
CN106506880B (zh) * | 2016-10-25 | 2019-07-09 | 杭州东信北邮信息技术有限公司 | 一种从黑名单号码库中自动识别可释放号码的方法 |
CN106909984B (zh) * | 2017-01-11 | 2020-04-03 | 北京众荟信息技术股份有限公司 | 一种综合性时间序列预测方法及系统 |
CN107357764B (zh) * | 2017-06-23 | 2020-10-27 | 联想(北京)有限公司 | 数据分析方法、电子设备及计算机存储介质 |
CN109471783B (zh) * | 2017-09-08 | 2022-07-05 | 北京京东尚科信息技术有限公司 | 预测任务运行参数的方法和装置 |
CN110167130A (zh) * | 2018-02-13 | 2019-08-23 | 华为技术有限公司 | 一种时间信息的传输方法及装置 |
CN108846057B (zh) * | 2018-06-01 | 2021-02-23 | 山东师范大学 | 一种基于带状时变模糊信息粒的时间序列长期预测方法 |
CN109002925A (zh) * | 2018-07-26 | 2018-12-14 | 北京京东金融科技控股有限公司 | 业务量预测方法和装置 |
CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 一种事件的预测方法及装置 |
CN109711606A (zh) * | 2018-12-13 | 2019-05-03 | 平安医疗健康管理股份有限公司 | 一种基于模型的数据预测方法及装置 |
CN110334839B (zh) | 2019-04-15 | 2021-05-14 | 北京航空航天大学 | 航班延误预测方法、装置、设备及存储介质 |
CN110704491B (zh) * | 2019-09-30 | 2020-11-20 | 京东城市(北京)数字科技有限公司 | 数据查询方法和装置 |
CN113538026B (zh) * | 2020-04-15 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
CN112215409B (zh) * | 2020-09-24 | 2024-01-30 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101801004A (zh) * | 2009-12-31 | 2010-08-11 | 哈尔滨工业大学 | 基于先验知识的自适应话务量中长期预测方法 |
CN103246943A (zh) * | 2013-05-31 | 2013-08-14 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
CN103593718A (zh) * | 2013-11-26 | 2014-02-19 | 国家电网公司 | 一种负荷组合预测方法及装置 |
-
2014
- 2014-06-12 CN CN201410261902.0A patent/CN105205297B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101801004A (zh) * | 2009-12-31 | 2010-08-11 | 哈尔滨工业大学 | 基于先验知识的自适应话务量中长期预测方法 |
CN103246943A (zh) * | 2013-05-31 | 2013-08-14 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
CN103593718A (zh) * | 2013-11-26 | 2014-02-19 | 国家电网公司 | 一种负荷组合预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105205297A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205297B (zh) | 一种基于时间序列的业务预测方法及系统 | |
CN110019401B (zh) | 件量预测方法、装置、设备及其存储介质 | |
US10127568B2 (en) | Systems and methods for improving the accuracy of day-ahead load forecasts on an electric utility grid | |
CN109118012B (zh) | 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端 | |
CN110610382B (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
CN111030869B (zh) | 一种网络流量的预测方法及预测装置 | |
CN110009429B (zh) | 一种预测流量数据的方法、装置和计算机设备 | |
CN112070301B (zh) | 一种用户用电量调整方法、系统及设备 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN110544130A (zh) | 流量异动监测方法、装置、计算机设备和存储介质 | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN115689451A (zh) | 一种线下零售门店补货量确定方法、装置、终端及介质 | |
Kumar et al. | Benchmarking stochastic and deterministic MPC: A case study in stationary battery systems | |
US20190066235A1 (en) | Systems and methods for energy management | |
JP2016212825A (ja) | 商品価格予測のための装置及び方法 | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
Brereton et al. | Monte Carlo methods for portfolio credit risk | |
CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
Mazur | Probabilistic predictive analysis of business cycle fluctuations in Polish economy | |
CN110110882A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN113256422B (zh) | 分仓账户识别方法、装置、计算机设备和存储介质 | |
CN115170191A (zh) | 一种产品销量预测方法及系统 | |
CN108471362B (zh) | 资源分配预测方法和装置 | |
CN111372286B (zh) | 移动终端数据处理方法、介质和电子设备 |
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 |