CN106021080B - 应用中间件数据库连接池资源消耗趋势智能预测方法 - Google Patents
应用中间件数据库连接池资源消耗趋势智能预测方法 Download PDFInfo
- Publication number
- CN106021080B CN106021080B CN201610306081.7A CN201610306081A CN106021080B CN 106021080 B CN106021080 B CN 106021080B CN 201610306081 A CN201610306081 A CN 201610306081A CN 106021080 B CN106021080 B CN 106021080B
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- prediction algorithm
- acquisition system
- prediction
- 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.)
- Expired - Fee Related
Links
- 239000013598 vector Substances 0.000 claims abstract description 45
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 101150092249 ALG6 gene Proteins 0.000 claims description 4
- 101100055301 Drosophila melanogaster gny gene Proteins 0.000 claims description 4
- 101100473971 Mus musculus Pdcd11 gene Proteins 0.000 claims description 4
- 101100192157 Mus musculus Psen2 gene Proteins 0.000 claims description 4
- 101100108600 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) alg-10 gene Proteins 0.000 claims description 4
- 101100322982 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) alg-11 gene Proteins 0.000 claims description 4
- 101100108611 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) alg-8 gene Proteins 0.000 claims description 4
- 101150011873 Pdcd6 gene Proteins 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3433—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment for load management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种应用中间件数据库连接池资源消耗趋势智能预测方法，其包括如下步骤：S1、同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合，子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同；其中N、M均为正整数且M小于N；S2、分别计算各子数据集合以及数据集合B的特征值向量；S3、利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果，并根据预测结果计算预测算法模型；S4、实时选择数据集合B特征值向量中的数据，重复步骤S3，修正预测算法模型的权重值，得到应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优预测算法模型。
Description
技术领域
本发明涉及计算器技术领域，特别涉及一种应用中间件数据库连接池资源消耗趋势智能预测方法。
背景技术
计算机自我学习，是指计算机模拟和实现人类的学习行为，来获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的过程。
但是，目前的计算机自我学习方法预测效果并不理想。
发明内容
有鉴于此，本发明提出一种应用中间件数据库连接池资源消耗趋势智能预测方法。
一种应用中间件数据库连接池资源消耗趋势智能预测方法，其包括如下步骤：
S1、同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合，子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同；其中N、M均为正整数且M小于N；
S2、分别计算各子数据集合以及数据集合B的特征值向量；
S3、利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果，并根据预测结果计算预测算法模型；
S4、实时选择数据集合B特征值向量中的数据，重复步骤S3，修正预测算法模型的权重值，得到应用中间件实时根据使用的数据库连接池资源数据集合模型选择最优预测算法模型。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中，
所述步骤S1包括：
将数据集合A中的数据从第一个数据开始取出M个数放入集合A1中，从第二个数据开始再拿出M个数放入集合A2中……从第n个数据开始拿出M个数据放入集合An中……依次类推，直到数据集合A中的n+1个数据开始到数据集合A的最后一个数据不满足M个；数据集合A被分成n个小数据集合A1，A2，……An；A1，A2，……An集合中都有M个数据。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中，
所述步骤S2中各子数据集合以及数据集合B的特征值向量的数据包括：
(1)最大值：切片数据中的最大数；
(2)最小值：切片数据中的最小数；
(3)平均值：切片数据的算术平均值；
(4)标准差：表示切片数据集的离散程度；
(5)变异系数：表示数据测量尺度相对较大的离散程度；
(6)中位数：把数据集分成相等两部分的数；
(7)偏度：统计数据分步非对称程度的数字特征；
(8)峰度：频数分布曲线顶端尖峭或扁平程度的指标；
(9)最大差值：数据集中差值最大的值；
(10)最大差值出现位置占比：数据集中差值最大的值的位置；
集合A1的特征值向量表示为F1，A2的特征值向量表示为F2……依次类推An的特征值向量表示为Fn；数据集合B的特征值向量表示为Fb。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中，
所述步骤S3中预测算法包括：
(1)ARIMA专家系统的预测算法，标记为Alg1；
(2)ARIMA训练参数的预测算法，标记为Alg2；
(3)灰色预测算法，标记为Alg3；
(4)HoltWinters指数平滑预测算法，标记为Alg4；
(5)一元线性回归预测算法，标记为Alg5；
(6)环比预测算法，标记为Alg6；
(7)同比预测算法，标记为Alg7；
(8)同环比平均预测算法，标记为Alg8；
(9)基于同环比的一元回归预测算法，标记为Alg9；
(10)滑动平均预测算法，标记为Alg10；
(11)平均增长率预测算法，标记为Alg11；
对数据集合B的特征值向量Fb分别利用上述11中算法模型进行趋势预测，得出预测结果，并计算残差，记录算法对应的残差分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10和R11，进行残差对比最小的标记为Rmin，残差最小Rmin对应的算法，命中率最高，即是最合适预测算法，对每个算法初始化相同的权重值，分别为Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Q11，将其权重加1，最终选择权重最大的算法模型作为预测算法模型。
实施本发明提供的应用中间件数据库连接池资源消耗趋势智能预测方法具有以下有益效果：可以通过实时选择数据集合B特征值向量Fb数据，重复上述的选择预测算法模型的过程，持续通过实际发生情况实现机器自我学习，修正算法模型的权重值，最终实现预测模型的修改，实现应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优模型算法。
附图说明
图1是本发明实施例的应用中间件数据库连接池资源消耗趋势智能预测方法流程图。
具体实施方式
本发明实施例提供一种应用中间件数据库连接池资源消耗趋势智能预测方法，其包括如下步骤：
S1、同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合，子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同；其中N、M均为正整数且M小于N；
S2、分别计算各子数据集合以及数据集合B的特征值向量。
S3、利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果，并根据预测结果计算预测算法模型。
S4、实时选择数据集合B特征值向量中的数据，重复步骤S3，修正预测算法模型的权重值，得到应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优预测算法模型。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中，
所述步骤S1包括：
将数据集合A中的数据从第一个数据开始取出M个数放入集合A1中，从第二个数据开始再拿出M个数放入集合A2中……从第n个数据开始拿出M个数据放入集合An中……依次类推，直到数据集合A中的n+1个数据开始到数据集合A的最后一个数据不满足M个；数据集合A被分成n个小数据集合A1，A2，……An；A1，A2，……An集合中都有M个数据。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中，
所述步骤S2中各子数据集合以及数据集合B的特征值向量的数据包括：
(1)最大值：切片数据中的最大数；
(2)最小值：切片数据中的最小数；
(3)平均值：切片数据的算术平均值；
(4)标准差：表示切片数据集的离散程度；
(5)变异系数：表示数据测量尺度相对较大的离散程度；
(6)中位数：把数据集分成相等两部分的数；
(7)偏度：统计数据分步非对称程度的数字特征；
(8)峰度：频数分布曲线顶端尖峭或扁平程度的指标；
(9)最大差值：数据集中差值最大的值；
(10)最大差值出现位置占比：数据集中差值最大的值的位置；
集合A1的特征值向量表示为F1，A2的特征值向量表示为F2……依次类推An的特征值向量表示为Fn；数据集合B的特征值向量表示为Fb。
对切片处理过的数据进行特征值计算，即是切片后数据的特征表现。每一条切片数据对应一个特征值向量，如A1的特征值向量F1(最大值，最小值，平均值，标准差，变异系数，中位数，偏度，峰度，最大差值，最大差值出现位置占比)，A2的特征值向量F2(最大值，最小值，平均值，标准差，变异系数，中位数，偏度，峰度，最大差值，最大差值出现位置占比)……依次类推An的特征值向量Fn(最大值，最小值，平均值，标准差，变异系数，中位数，偏度，峰度，最大差值，最大差值出现位置占比)。B数据集的特征值向量为Fb(最大值，最小值，平均值，标准差，变异系数，中位数，偏度，峰度，最大差值，最大差值出现位置占比)。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中，
所述步骤S3中预测算法包括：
(1)ARIMA专家系统的预测算法，标记为Alg1；ARIMA全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法，基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。
(2)ARIMA训练参数的预测算法，标记为Alg2；
(3)灰色预测算法，标记为Alg3；
(4)HoltWinters指数平滑预测算法，标记为Alg4；HoltWinters为时间序列挖掘-预测算法-三次指数平滑法。
(5)一元线性回归预测算法，标记为Alg5；
(6)环比预测算法，标记为Alg6；
(7)同比预测算法，标记为Alg7；
(8)同环比平均预测算法，标记为Alg8；
(9)基于同环比的一元回归预测算法，标记为Alg9；
(10)滑动平均预测算法，标记为Alg10；
(11)平均增长率预测算法，标记为Alg11；
对数据集合B的特征值向量Fb分别利用上述11中算法模型进行趋势预测，得出预测结果，并计算残差，记录算法对应的残差分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10和R11，进行残差对比最小的标记为Rmin(例如此处比较后R1为做小残差，R1即为Rmin)，残差最小Rmin对应的算法(R1对应的算法Alg1)，命中率最高，即是最合适预测算法(Alg1就是最合适适用于此数据集合的预测算法)，对每个算法初始化相同的权重值，分别为Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Q11(最适算法Alg1对应的权重Q1)，将其权重加1，最终选择权重最大的算法模型作为预测算法模型。
本发明还提供一种应用中间件数据库连接池资源消耗趋势智能预测系统，其包括如下单元：
切片单元10，用于同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合，子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同；其中N、M均为正整数且M小于N。
特征值计算单元20，用于分别计算各子数据集合以及数据集合B的特征值向量。
预测单元30，用于利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果，并根据预测结果计算预测算法模型。
学习单元40，用于实时选择数据集合B特征值向量中的数据，重复执行预测单元30，修正预测算法模型的权重值，得到应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优预测算法模型。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测系统中，
所述切片单元10包括：
将数据集合A中的数据从第一个数据开始取出M个数放入集合A1中，从第二个数据开始再拿出M个数放入集合A2中……从第n个数据开始拿出M个数据放入集合An中……依次类推，直到数据集合A中的n+1个数据开始到数据集合A的最后一个数据不满足M个；数据集合A被分成n个小数据集合A1，A2，……An；A1，A2，……An集合中都有M个数据。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测系统中，
所述特征值计算单元20中各子数据集合以及数据集合B的特征值向量的数据包括：
(1)最大值：切片数据中的最大数；
(2)最小值：切片数据中的最小数；
(3)平均值：切片数据的算术平均值；
(4)标准差：表示切片数据集的离散程度；
(5)变异系数：表示数据测量尺度相对较大的离散程度；
(6)中位数：把数据集分成相等两部分的数；
(7)偏度：统计数据分步非对称程度的数字特征；
(8)峰度：频数分布曲线顶端尖峭或扁平程度的指标；
(9)最大差值：数据集中差值最大的值；
(10)最大差值出现位置占比：数据集中差值最大的值的位置；
集合A1的特征值向量表示为F1，A2的特征值向量表示为F2……依次类推An的特征值向量表示为Fn；数据集合B的特征值向量表示为Fb。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测系统中，
预测单元30中预测算法包括：
(1)ARIMA专家系统的预测算法，标记为Alg1；
(2)ARIMA训练参数的预测算法，标记为Alg2；
(3)灰色预测算法，标记为Alg3；
(4)HoltWinters指数平滑预测算法，标记为Alg4；
(5)一元线性回归预测算法，标记为Alg5；
(6)环比预测算法，标记为Alg6；
(7)同比预测算法，标记为Alg7；
(8)同环比平均预测算法，标记为Alg8；
(9)基于同环比的一元回归预测算法，标记为Alg9；
(10)滑动平均预测算法，标记为Alg10；
(11)平均增长率预测算法，标记为Alg11；
对数据集合B的特征值向量Fb分别利用上述11中算法模型进行趋势预测，得出预测结果，并计算残差，记录算法对应的残差分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10和R11，进行残差对比最小的标记为Rmin，残差最小Rmin对应的算法，命中率最高，即是最合适预测算法，对每个算法初始化相同的权重值，分别为Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Q11，将其权重加1，最终选择权重最大的算法模型作为预测算法模型。
实施本发明提供的应用中间件数据库连接池资源消耗趋势智能预测方法及系统具有以下有益效果：可以通过实时选择数据集合B特征值向量Fb数据，重复上述的选择预测算法模型的过程，持续通过实际发生情况实现机器自我学习，修正算法模型的权重值，最终实现预测模型的修改，实现应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优模型算法。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。
Claims (4)
1.一种应用中间件数据库连接池资源消耗趋势智能预测方法，其特征在于，其包括如下步骤：
S1、同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合，子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同；其中N、M均为正整数且M小于N；
S2、分别计算各子数据集合以及数据集合B的特征值向量；
S3、利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果，并根据预测结果计算预测算法模型；多种算法模型包括ARIMA专家系统的预测算法、ARIMA训练参数的预测算法、灰色预测算法、HoltWinters指数平滑预测算法、一元线性回归预测算法、环比预测算法、同比预测算法、同环比平均预测算法、基于同环比的一元回归预测算法、滑动平均预测算法、平均增长率预测算法中的至少两种；
S4、实时选择数据集合B特征值向量中的数据，重复步骤S3，修正预测算法模型的权重值，得到应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优预测算法模型。
2.如权利要求1所述的应用中间件数据库连接池资源消耗趋势智能预测方法，其特征在于，
所述步骤S1包括：
将数据集合A中的数据从第一个数据开始取出M个数放入集合A1中，从第二个数据开始再拿出M个数放入集合A2中……从第n个数据开始拿出M个数据放入集合An中……依次类推，直到数据集合A中的n+1个数据开始到数据集合A的最后一个数据不满足M个；数据集合A被分成n个小数据集合A1，A2，……，An；A1，A2，……，An集合中都有M个数据。
3.如权利要求2所述的应用中间件数据库连接池资源消耗趋势智能预测方法，其特征在于，
所述步骤S2中各子数据集合以及数据集合B的特征值向量的数据包括：
(1)最大值：切片数据中的最大数；
(2)最小值：切片数据中的最小数；
(3)平均值：切片数据的算术平均值；
(4)标准差：表示切片数据集的离散程度；
(5)变异系数：表示数据测量尺度相对较大的离散程度；
(6)中位数：把数据集分成相等两部分的数；
(7)偏度：统计数据分步非对称程度的数字特征；
(8)峰度：频数分布曲线顶端尖峭或扁平程度的指标；
(9)最大差值：数据集中差值最大的值；
(10)最大差值出现位置占比：数据集中差值最大的值的位置；
集合A1的特征值向量表示为F1，A2的特征值向量表示为F2……依次类推An的特征值向量表示为Fn；数据集合B的特征值向量表示为Fb。
4.如权利要求3所述的应用中间件数据库连接池资源消耗趋势智能预测方法，其特征在于，
所述步骤S3中预测算法包括：
(1)ARIMA专家系统的预测算法，标记为Alg1；
(2)ARIMA训练参数的预测算法，标记为Alg2；
(3)灰色预测算法，标记为Alg3；
(4)HoltWinters指数平滑预测算法，标记为Alg4；
(5)一元线性回归预测算法，标记为Alg5；
(6)环比预测算法，标记为Alg6；
(7)同比预测算法，标记为Alg7；
(8)同环比平均预测算法，标记为Alg8；
(9)基于同环比的一元回归预测算法，标记为Alg9；
(10)滑动平均预测算法，标记为Alg10；
(11)平均增长率预测算法，标记为Alg11；
对数据集合B的特征值向量Fb分别利用上述11中算法模型进行趋势预测，得出预测结果，并计算残差，记录算法对应的残差分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10和R11，进行残差对比最小的标记为Rmin，残差最小Rmin对应的算法，命中率最高，即是最合适预测算法，对每个算法初始化相同的权重值，分别为Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Q11，将其权重加1，最终选择权重最大的算法模型作为预测算法模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610306081.7A CN106021080B (zh) | 2016-05-10 | 2016-05-10 | 应用中间件数据库连接池资源消耗趋势智能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610306081.7A CN106021080B (zh) | 2016-05-10 | 2016-05-10 | 应用中间件数据库连接池资源消耗趋势智能预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106021080A CN106021080A (zh) | 2016-10-12 |
| CN106021080B true CN106021080B (zh) | 2018-10-19 |
Family
ID=57099112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610306081.7A Expired - Fee Related CN106021080B (zh) | 2016-05-10 | 2016-05-10 | 应用中间件数据库连接池资源消耗趋势智能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106021080B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650501B (zh) * | 2016-12-30 | 2019-12-06 | 迈普通信技术股份有限公司 | 数据库访问控制方法和装置 |
| CN109060103B (zh) * | 2018-07-22 | 2020-08-04 | 山东海洋信息技术研究院 | 一种带自校验、自诊断功能的智能水听器 |
| CN110705780A (zh) * | 2019-09-27 | 2020-01-17 | 科大国创软件股份有限公司 | 一种基于智能算法的it性能指标预测方法 |
| CN116821559B (zh) * | 2023-07-07 | 2024-02-23 | 中国人民解放军海军工程大学 | 用于快速获取一组大数据集中趋势的方法、系统及终端 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069703A (zh) * | 2015-08-10 | 2015-11-18 | 国家电网公司 | 一种电网海量数据管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8467451B2 (en) * | 2007-11-07 | 2013-06-18 | Industrial Technology Research Institute | Methods for selecting a prediction mode |
-
2016
- 2016-05-10 CN CN201610306081.7A patent/CN106021080B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069703A (zh) * | 2015-08-10 | 2015-11-18 | 国家电网公司 | 一种电网海量数据管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 企业电能耗的BP神经网络预测模型;张有山;《辽宁科技大学学报》;20140831;第37卷(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106021080A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106021080B (zh) | 应用中间件数据库连接池资源消耗趋势智能预测方法 | |
| JP6414363B2 (ja) | 予測システム、方法およびプログラム | |
| JP6992526B2 (ja) | 需要予測プログラム、需要予測方法および需要予測装置 | |
| CN110377447A (zh) | 一种异常数据检测方法、装置及服务器 | |
| CA3088689C (en) | Finite rank deep kernel learning for robust time series forecasting and regression | |
| Thouvenot et al. | Electricity forecasting using multi-stage estimators of nonlinear additive models | |
| JP6311851B2 (ja) | 共クラスタリングシステム、方法およびプログラム | |
| US9286573B2 (en) | Cost-aware non-stationary online learning | |
| JP2018092445A5 (zh) | ||
| Ismaeel et al. | Using ELM techniques to predict data centre VM requests | |
| CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
| CN103226759A (zh) | 基于遗传算法的动态云工作流调度方法 | |
| Qazi et al. | Workload prediction of virtual machines for harnessing data center resources | |
| US10558767B1 (en) | Analytical derivative-based ARMA model estimation | |
| CN117318055B (zh) | 电力负荷预测模型处理方法、装置、电子设备和存储介质 | |
| Tarutani et al. | Temperature distribution prediction in data centers for decreasing power consumption by machine learning | |
| Leka et al. | A hybrid cnn-lstm model for virtual machine workload forecasting in cloud data center | |
| KR20170075312A (ko) | 전후방향 동향 통합 시계열 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| WO2016015341A1 (en) | System, method and apparatuses for determining parameter settings for a power generation system and a tangible computer readable medium | |
| CN108320112A (zh) | 一种确定设备健康状态的方法及装置 | |
| Xing et al. | Research of a novel combined deterministic and probabilistic forecasting system for air pollutant concentration | |
| Jeong et al. | Proactive resource autoscaling scheme based on SCINet for high-performance cloud computing | |
| CN110956675B (zh) | 技术成熟度曲线自动生成方法及装置 | |
| CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
| CN105224389B (zh) | 基于线性相关性及分段性装箱理论的虚拟机资源整合方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181019 Termination date: 20210510 |