CN105389335B - 一种基于自动演练的数据挖掘分析方法和装置 - Google Patents

一种基于自动演练的数据挖掘分析方法和装置 Download PDF

Info

Publication number
CN105389335B
CN105389335B CN201510676312.9A CN201510676312A CN105389335B CN 105389335 B CN105389335 B CN 105389335B CN 201510676312 A CN201510676312 A CN 201510676312A CN 105389335 B CN105389335 B CN 105389335B
Authority
CN
China
Prior art keywords
data
time point
module
time
setting
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
Application number
CN201510676312.9A
Other languages
English (en)
Other versions
CN105389335A (zh
Inventor
李德豪
陈伟康
邓俊安
区灿彬
刘开杰
李家昆
武梦洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
High In Clouds Foshan City Disaster Tolerance Information Technology Co Ltd
Original Assignee
High In Clouds Foshan City Disaster Tolerance Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by High In Clouds Foshan City Disaster Tolerance Information Technology Co Ltd filed Critical High In Clouds Foshan City Disaster Tolerance Information Technology Co Ltd
Priority to CN201510676312.9A priority Critical patent/CN105389335B/zh
Publication of CN105389335A publication Critical patent/CN105389335A/zh
Priority to PCT/CN2016/101840 priority patent/WO2017063554A1/zh
Application granted granted Critical
Publication of CN105389335B publication Critical patent/CN105389335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于自动演练的数据挖掘分析方法和装置，包括以下步骤：A、设定需要挖掘的数据信息；B、设定数据挖掘的时间起点和时间终点，同时设置在时间起点到时间终点的时间段内，需要数据挖掘的时间点；C、启动自动演练程序，使系统数据虚拟的依次恢复到从时间起点开始到时间终点结束的各时间点所对应的状态；D、每恢复到一个时间点所对应的数据状态，根据设定需要挖掘的数据信息，获取相对数据结果；E、依次获取与各时间点分别一一对应的多个相对数据结果，对这些相对数据结果进行分析。本发明的方法效率高，可操作性强，能够在数据库中快速获取反应问题的具体数据，从而对这些数据进行分析，了解问题的产生情况和制定解决办法。

Description

一种基于自动演练的数据挖掘分析方法和装置
技术领域
本发明涉及数据挖掘技术，尤其涉及的是一种基于自动演练的数据挖掘分析方法和装置。
背景技术
在大数据时代，数据挖掘已变成重要技术。我们知道，数据运算结果加入时间轴(time domain)将会得到更深更广的数据信息，例如某路口的车流量信息，结合时间信息分析(某一天或某一段时间)，即可得到车流量随着时间的变化信息，从而可以预计该路口在什么时间点会发生拥堵等情况。传统的数据挖掘方法只能人工的从存储大数据的设备中(例如磁盘)进行查询，对多个查询结构进行组合分析，这种数据挖掘分析方法效率极慢，不能及时的发现问题。
专利号为2009101698683的发明专利公开了一种集中管理式备份容灾系统，该专利公开了一种利用实体转虚拟技术，构建虚拟平台并进行数据备份自动演练的方法，基于该方法，本发明提出一种更加灵活、效率更高的数据挖掘分析方法。
发明内容
本发明的目的在于提供一种基于自动演练的数据挖掘分析方法和装置，该方法灵活多用，效率高，可以根据不同的应用情况，设定需要挖掘的数据，利用自动演练方式对这些数据进行收集后分析。
本发明的技术方案如下：一种基于自动演练的数据挖掘分析方法，其中，包括以下步骤：
A、设定需要挖掘的数据信息；
B、设定数据挖掘的时间起点和时间终点，同时设置在时间起点到时间终点的时间段内需要数据挖掘的时间点；
C、启动自动演练程序，使系统数据虚拟地依次恢复到从时间起点开始到时间终点结束的各时间点所对应的状态；
D、每恢复到一个时间点所对应的数据状态，根据设定需要挖掘的数据信息，获取相对数据结果；
E、依次获取与各时间点分别一一对应的多个相对数据结果，对这些相对数据结果进行分析。
所述的基于自动演练的数据挖掘分析方法，其中，所述步骤A中，设定需要挖掘的数据信息包括数据类型信息、数据内容信息、数据状态信息中的一种或多种。
所述的基于自动演练的数据挖掘分析方法，其中，所述步骤B中，设置时间点的步骤包括：
B1、设定获取时间点的模型算法；
B2、根据设定的模型算法，获取时间点。
所述的基于自动演练的数据挖掘分析方法，其中，所述模型算法包括定点追寻算法、二分法算法或三分法算法。
本发明还公开了一种基于自动演练的数据挖掘分析装置，其中，包括数据信息设定模块：用于设定需要挖掘的数据信息，并将数据信息传输到数据挖掘模块；
时间点设定模块：用于设定时间起点和时间终点，同时设置在时间起点到时间终点的时间段内需要数据挖掘的时间点，将设定好的时间点信息传输到自动演练模块；
自动演练模块：与时间点设定模块连接，根据设定好的时间点信息使系统数据虚拟地依次恢复到从时间起点开始到时间终点结束的各时间点所对应的状态；
数据挖掘模块：与所述数据信息设定模块和所述自动演练模块连接，根据设定好的数据信息，在自动演练模块每恢复到一个时间点所对应的数据状态时，获取相对数据结果，并把相对数据结果传输给数据分析模块；
数据分析模块：与数据挖掘模块连接，用于对相对数据结果进行分析。
所述的基于自动演练的数据挖掘分析装置，其中，所述数据信息包括数据类型信息、数据内容信息、数据状态信息中的一种或多种。
所述的基于自动演练的数据挖掘分析装置，其中，还包括模型算法设定模块，与时间点设定模块连接，用于设定获取时间点的模型算法，并把设定好的模型算法传输给时间点设定模块，时间点设定模块根据设定好的模型算法获取时间点。
所述的基于自动演练的数据挖掘分析装置，其中，所述模型算法包括定点追寻算法、二分法算法或三分法算法。
本发明的有益效果：本发明是基于自动演练技术的数据挖掘分析方法和装置，该方法和装置效率高，可操作性强，可以根据不同的问题情况，在以前的数据库中快速获取反应问题的具体数据，从而对这些数据进行分析，了解问题的产生情况和制定解决办法。
附图说明
图1是本发明中基于自动演练的数据挖掘分析方法的流程图。
图2是本发明中基于自动演练的数据挖掘分析装置的模块框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。
本发明公开了一种基于自动演练的数据挖掘分析方法，如图1所示，包括以下步骤：
A、设定需要挖掘的数据信息；
B、设定数据挖掘的时间起点和时间终点，同时设置在时间起点到时间终点的时间段内需要数据挖掘的时间点；
C、启动自动演练程序，使系统数据虚拟地依次恢复到从时间起点开始到时间终点结束的各时间点所对应的状态；
D、每恢复到一个时间点所对应的数据状态，根据设定需要挖掘的数据信息，获取一个相对数据结果；
E、依次获取与各时间点分别一一对应的多个相对数据结果，对这些相对数据结果进行分析。
实际应用中，步骤A中，设定需要挖掘的数据信息包括数据类型信息、数据内容信息、数据状态信息中的一种或多种。应用时，根据已经设定的数据信息，获取相对数据结果，这种有针对的获取对象的方法，极大的提高了数据挖掘的效率和准确性。
明确需要挖掘的数据信息后，需要结合时间点考虑，以进一步提高数据挖掘的效率和准确性。实际应用中，步骤B中，设置时间点的步骤包括：
B1、设定获取时间点的模型算法；
B2、根据设定的模型算法，在时间起点和时间终点之间的时间段内，获取时间点。
步骤B1中，针对不同的应用情况，需要获取的时间点不同，因而所选用的模型算法也不同，常用的模型算法包括定点追寻算法、二分法算法和三分法算法。定点追寻算法适用于获取少量时间点的应用情况(或者应用于对被获取的时间点非常明确的应用情况)，例如想要获取某一具体时间点的车流量信息(获取2014年11月20日18时的车流量信息，该车流量信息即为上述相对数据结果)，定点追寻算法的优势是快速高效，可以根据用户定义快速的找到相关信息。二分法算法适用于一些常用的数据收集应用情况，利用该算法可以获取大量相关信息(即相对数据结果)，以便于进行大数据分析应用，二分法的优点是在设定的时间段内可以获取大量数据，同时其准确度比较高。三分法算法一般应用在一些特殊情况(即二分法算法难以解决的情况)。
当然，实际应用中，时间点选取的算法也可以采用其他现有的算法，具体需要根据应用需要选择。
本发明还公开了一种基于自动演练的数据挖掘分析装置，如图2所示，包括数据信息设定模块100：用于设定需要挖掘的数据信息，并将数据信息传输到数据挖掘模块400；时间点设定模块200：与自动演练模块300连接，用于设定时间起点和时间终点，同时设置在时间起点到时间终点的时间段内需要数据挖掘的时间点，将设定好的时间点信息传输到自动演练模块300；
自动演练模块300：与时间点设定模块200连接，根据设定好的时间点信息使系统数据虚拟地依次恢复到从时间起点开始到时间终点结束的各时间点所对应的状态；
数据挖掘模块400：与数据信息设定模块100和自动演练模块300连接，根据设定好的数据信息，在自动演练模块300每恢复到一个时间点所对应的数据状态时，获取相对数据结果，并把相对数据结果传输给数据分析模块500；
数据分析模块500：与数据挖掘模块400连接，用于对相对数据结果进行分析。
实际应用中，数据信息设定模块100中所需要设定的数据信息包括数据类型信息、数据内容信息、数据状态信息中的一种或多种。
实际应用中，本发明的装置还包括模型算法设定模块600，与时间点设定模块200连接，用于设定获取时间点的模型算法，并把设定好的模型算法传输给时间点设定模块200，时间点设定模块200根据设定好的模型算法获取时间点。
进一步的，模型算法设定模块600所可以设定的模型算法包括定点追寻算法、二分法算法或三分法算法。当然，本发明不仅仅只是限定这三种模型算法，其他一些常用的模型算法也包含在本发明的保护范围内。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于自动演练的数据挖掘分析方法，其特征在于，包括以下步骤：
A、设定需要挖掘的数据信息；
B、设定数据挖掘的时间起点和时间终点，同时设置在时间起点到时间终点的时间段内需要数据挖掘的时间点；
C、启动自动演练程序，使系统数据虚拟地依次恢复到从时间起点开始到时间终点结束的各时间点所对应的状态；
D、每恢复到一个时间点所对应的数据状态，根据设定需要挖掘的数据信息，获取相对数据结果；
E、依次获取与各时间点分别一一对应的多个相对数据结果，对这些相对数据结果进行分析。
2.根据权利要求1所述的基于自动演练的数据挖掘分析方法，其特征在于，所述步骤A中，设定需要挖掘的数据信息包括数据类型信息、数据内容信息、数据状态信息中的一种或多种。
3.根据权利要求1所述的基于自动演练的数据挖掘分析方法，其特征在于，所述步骤B中，设置时间点的步骤包括：
B1、设定获取时间点的模型算法；
B2、根据设定的模型算法，获取时间点。
4.根据权利要求3所述的基于自动演练的数据挖掘分析方法，其特征在于，所述模型算法包括定点追寻算法、二分法算法或三分法算法。
5.一种基于自动演练的数据挖掘分析装置，其特征在于，包括数据信息设定模块：用于设定需要挖掘的数据信息，并将数据信息传输到数据挖掘模块；
时间点设定模块：用于设定时间起点和时间终点，同时设置在时间起点到时间终点的时间段内需要数据挖掘的时间点，将设定好的时间点信息传输到自动演练模块；
自动演练模块：与时间点设定模块连接，根据设定好的时间点信息使系统数据虚拟地依次恢复到从时间起点开始到时间终点结束的各时间点所对应的状态；
数据挖掘模块：与所述数据信息设定模块和所述自动演练模块连接，根据设定好的数据信息，在自动演练模块每恢复到一个时间点所对应的数据状态时，获取相对数据结果，并把相对数据结果传输给数据分析模块；
数据分析模块：与数据挖掘模块连接，用于对相对数据结果进行分析。
6.根据权利要求5所述的基于自动演练的数据挖掘分析装置，其特征在于，所述数据信息包括数据类型信息、数据内容信息、数据状态信息中的一种或多种。
7.根据权利要求5所述的基于自动演练的数据挖掘分析装置，其特征在于，还包括模型算法设定模块，与时间点设定模块连接，用于设定获取时间点的模型算法，并把设定好的模型算法传输给时间点设定模块，时间点设定模块根据设定好的模型算法获取时间点。
8.根据权利要求7所述的基于自动演练的数据挖掘分析装置，其特征在于，所述模型算法包括定点追寻算法、二分法算法或三分法算法。
CN201510676312.9A 2015-10-15 2015-10-15 一种基于自动演练的数据挖掘分析方法和装置 Active CN105389335B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201510676312.9A CN105389335B (zh) 2015-10-15 2015-10-15 一种基于自动演练的数据挖掘分析方法和装置
PCT/CN2016/101840 WO2017063554A1 (zh) 2015-10-15 2016-10-12 一种基于自动演练的数据挖掘分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510676312.9A CN105389335B (zh) 2015-10-15 2015-10-15 一种基于自动演练的数据挖掘分析方法和装置

Publications (2)

Publication Number Publication Date
CN105389335A CN105389335A (zh) 2016-03-09
CN105389335B true CN105389335B (zh) 2018-08-28

Family

ID=55421625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510676312.9A Active CN105389335B (zh) 2015-10-15 2015-10-15 一种基于自动演练的数据挖掘分析方法和装置

Country Status (2)

Country Link
CN (1) CN105389335B (zh)
WO (1) WO2017063554A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389335B (zh) * 2015-10-15 2018-08-28 佛山市云端容灾信息技术有限公司 一种基于自动演练的数据挖掘分析方法和装置
CN106610616B (zh) * 2016-11-30 2019-12-03 交控科技股份有限公司 一种基于大数据分析的性能自动调优方法及装置
CN108388493B (zh) * 2018-02-11 2021-06-22 佛山市云端容灾信息技术有限公司 大数据提取分析方法、装置、存储介质及服务器
CN109063150A (zh) * 2018-08-08 2018-12-21 湖南永爱生物科技有限公司 大数据提取方法、装置、存储介质及服务器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400033A (zh) * 2013-07-24 2013-11-20 浙江中烟工业有限责任公司 基于实时数据库的制丝设备停机率计算系统
US8903803B1 (en) * 2014-06-18 2014-12-02 Turn Inc. Horizontal interval-based data partitioning and indexing for large clusters
CN104769555A (zh) * 2012-06-18 2015-07-08 艾克特菲欧有限公司 增强型数据管理虚拟化系统
CN104850598A (zh) * 2015-04-28 2015-08-19 江苏瑞中数据股份有限公司 一种实时数据库备份恢复方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102012789B (zh) * 2009-09-07 2014-03-12 云端容灾有限公司 集中管理式备份容灾系统
CN103023016B (zh) * 2012-11-15 2014-08-20 广东电网公司电力调度控制中心 一种电网自动发电控制重演和仿真方法
WO2015020687A1 (en) * 2013-08-08 2015-02-12 Iteris, Inc. Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions
CN104408921A (zh) * 2014-11-28 2015-03-11 江苏物联网研究发展中心 基于交通仿真的交通流预测方法
CN105389335B (zh) * 2015-10-15 2018-08-28 佛山市云端容灾信息技术有限公司 一种基于自动演练的数据挖掘分析方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104769555A (zh) * 2012-06-18 2015-07-08 艾克特菲欧有限公司 增强型数据管理虚拟化系统
CN103400033A (zh) * 2013-07-24 2013-11-20 浙江中烟工业有限责任公司 基于实时数据库的制丝设备停机率计算系统
US8903803B1 (en) * 2014-06-18 2014-12-02 Turn Inc. Horizontal interval-based data partitioning and indexing for large clusters
CN104850598A (zh) * 2015-04-28 2015-08-19 江苏瑞中数据股份有限公司 一种实时数据库备份恢复方法

Also Published As

Publication number Publication date
WO2017063554A1 (zh) 2017-04-20
CN105389335A (zh) 2016-03-09

Similar Documents

Publication Publication Date Title
CN105389335B (zh) 一种基于自动演练的数据挖掘分析方法和装置
Siegmund et al. CoinCalc—A new R package for quantifying simultaneities of event series
Herrick et al. Monitoring ecological processes for restoration projects
KR102054090B1 (ko) 주유소 poi를 자동적으로 발견하는 방법, 장치, 저장 매체 및 기기
CN103853821A (zh) 一种面向多用户协作的数据挖掘平台的构建方法
Beck et al. CLIMTREG: detecting temporal changes in climate–growth reactions–a computer program using intra-annual daily and yearly moving time intervals of variable width
CN104636130B (zh) 用于生成事件树的方法和系统
CN112444858B (zh) 基于边云协同的地震实时监测ai计算方法、装置及介质
CN106777060B (zh) 节点式地震仪数据文件管理系统及方法
CN103714004A (zh) Jvm在线内存泄露分析方法及系统
CN109615015A (zh) 一种基于区块链智能合约与机器学习的数据预处理方法
CN116797157B (zh) 基于人工智能的河道治理工程造价管理系统
WO2015131558A1 (zh) 告警相关性数据挖掘方法和装置
CN106372074A (zh) 一种用于污染场地风险评估可视化系统的架构方法
CN108281012A (zh) 交通流量数据的显示方法、装置、存储介质及电子装置
Adhiambo et al. Assessing land use and land cover change using participatory geographical information system (PGIS) approach in Nguruman Sub-catchment, Kajiado north Sub county, Kenya
CN105373446B (zh) 一种基于自动演练的系统自动修复方法和装置
Magnusson Uncertainty and the design of in-situ biodiversity-monitoring programs
KR101545998B1 (ko) 유출-수리모형 데이터 통합 관리 방법 및 그 시스템
Horne et al. Evaluating the benefit of captive breeding and reintroductions to endangered Sonoran pronghorn
CN103679327A (zh) 制造管理系统以及制造管理方法
CN105975634A (zh) 分布式数据存储系统中多维有序数据的存储方法
White et al. Development of Agricultural Conservation Reduction Estimator (ACRE), a simple field-scale conservation planning and evaluation tool
CN113009074A (zh) 一种基于卷积神经网络算法的隧道空气质量监测方法
CN105046347A (zh) 一种油气田工况数据采集的优化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant