CN106874280A - 异常数据的报警方法和装置 - Google Patents
异常数据的报警方法和装置 Download PDFInfo
- Publication number
- CN106874280A CN106874280A CN201510919137.1A CN201510919137A CN106874280A CN 106874280 A CN106874280 A CN 106874280A CN 201510919137 A CN201510919137 A CN 201510919137A CN 106874280 A CN106874280 A CN 106874280A
- Authority
- CN
- China
- Prior art keywords
- operation data
- data
- value
- history
- trend 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种异常数据的报警方法,包括:获取预设时间段内的历史运营数据和当前运营数据;建立所述历史运营数据对应的趋势模型;计算所述历史运营数据对应的周期性因子;利用所述趋势模型和所述周期性因子计算所述当前运营数据中异常数据的报警阈值;利用所述趋势模型和周期性因子计算所述当前运营数据的预测值,并且根据所述预测值与所述当前运营数据计算对应的预测比率;当所述预测比率大于所述报警阈值时,对所述异常数据生成报警信息。采用本方法对异常数据进行预警时能够有效节省操作时间提高工作效率。此外还提供一种异常数据的报警装置。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种异常数据的报警方法和装置。
背景技术
随着企业的发展,企业推出的产品越来越多,与产品相关的运营数据也越来越庞杂。企业的运营人员通过需要花费大量的时间来监测运营数据是否出现异常。例如,监测当天的运营数据是否突然有较大幅度的增加或减少,以及与历史数据的发展趋势有较大幅度的偏离等。传统的方式,运营人员是基于运营数据图形化的趋势图通过肉眼来判断是否出现异常数据。这种方式耗费大量的操作时间,工作效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效节省操作时间提高工作效率的异常数据的报警方法和装置。
一种异常数据的报警方法,包括:
获取预设时间段内的历史运营数据和当前运营数据;
建立所述历史运营数据对应的趋势模型;
计算所述历史运营数据对应的周期性因子;
利用所述趋势模型和所述周期性因子计算所述当前运营数据中异常数据的报警阈值;
利用所述趋势模型和周期性因子计算所述当前运营数据的预测值,并且根据所述预测值与所述当前运营数据计算对应的预测比率;
当所述预测比率大于所述报警阈值时,对所述异常数据生成报警信息。
在其中一个实施例中,所述预设时间段包括多个时间周期;所述建立所述历史运营数据对应的趋势模型的步骤包括:
计算时间周期内的历史运营数据的周期均值;
拟合所述周期均值对应的趋势模型。
在其中一个实施例中,所述时间周期包括多个子周期;所述计算所述历史运营数据对应的周期性因子的步骤包括:
获取子周期内的历史运营数据;
利用所述子周期内的历史运营数据与所述周期均值计算对应的子周期因子;
利用所述子周期因子分别计算每个子周期对应的周期性因子。
在其中一个实施例中,所述利用所述趋势模型和所述周期性因子计算所述当前运营数据中异常数据的报警阈值的步骤包括:
利用所述趋势模型推算所述预设时间段内的历史运营数据的周期均值的拟合值;
利用推算出的周期均值的拟合值与所述周期性因子得到历史运营数据拟合值;
根据所述历史运营数据拟合值与历史运营数据计算拟合比率;
根据所述拟合比率确定当前运营数据中异常数据的报警阈值。
在其中一个实施例中,所述利用所述趋势模型和周期性因子计算所述当前运营数据的预测值,并且根据所述预测值与所述当前运营数据计算对应的预测比率的步骤包括:
利用所述趋势模型推算当前运营数据在当前时间周期内的周期预测均值;
利用所述周期预测均值与所述周期性因子得到对应的周期预测值;
根据所述周期预测值与所述当前运营数据计算对应的预测比率。
一种异常数据的报警装置,包括:
获取模块,用于获取预设时间段内的历史运营数据和当前运营数据;
建模模块,用于建立所述历史运营数据对应的趋势模型;计算所述历史运营数据对应的周期性因子;
计算模块,用于利用所述趋势模型和所述周期性因子计算所述当前运营数据中异常数据的报警阈值;利用所述趋势模型和周期性因子计算所述当前运营数据的预测值,并且根据所述预测值与所述当前运营数据计算对应的预测比率;
报警模块,用于当所述预测比率大于所述报警阈值时,对所述异常数据生成报警信息。
在其中一个实施例中,所述预设时间段包括多个时间周期;所述计算模块还用于计算时间周期内的历史运营数据的周期均值;所述建模模块还用于拟合所述周期均值对应的趋势模型。
在其中一个实施例中,所述时间周期包括多个子周期;所述获取模块还用于获取子周期内的历史运营数据;所述计算模块还用于利用所述子周期内的历史运营数据与所述周期均值计算对应的子周期因子;利用所述子周期因子分别计算每个子周期对应的周期性因子。
在其中一个实施例中,所述计算模块还用于利用所述趋势模型推算所述预设时间段内的历史运营数据的周期均值的拟合值;利用推算出的周期均值的拟合值与所述周期性因子得到历史运营数据拟合值;根据所述历史运营数据拟合值与历史运营数据计算拟合比率;根据所述拟合比率确定当前运营数据中异常数据的报警阈值。
在其中一个实施例中,所述计算模块还用于利用所述趋势模型推算当前运营数据在当前时间周期内的周期预测均值;利用所述周期预测均值与所述周期性因子得到对应的周期预测值;根据所述周期预测值与所述当前运营数据计算对应的预测比率。
上述异常数据的报警方法和装置,通过利用预设时间段内的历史运营数据建立对应的趋势模型以及计算历史运营数据对应的周期性因子,从而能够利用趋势模型和周期性因子计算出当前运营数据中异常数据的报警阈值。利用趋势模型和周期性因子计算当前运营数据的预测值,并根据预测值与当前运营数据计算出对应的预测比率。将报警阈值与预测比率进行比对,如果预测比率大于报警阈值,则对异常数据生成报警信息。在整个过程中无需人工通过肉眼来判断当前运营数据中是否存在异常数据,因此在对异常数据进行预警时能够有效节省操作时间,提高工作效率。
附图说明
图1为一个实施例中异常数据的报警方法流程图;
图2为一个实施例中处理异常数据的报警方法的服务器的示意图;
图3为一个实施例中异常数据的报警装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在一个实施例中,如图1所示,提供了一种异常数据的报警方法,以该方法应用于服务器为例进行说明,具体包括:
步骤102,获取预设时间段内的历史运营数据和当前运营数据。
运营数据是指企业在产品运营过程中产生的相关数据。以软件产品为例,运营数据包括用户、充值金额以及访问量等。预设时间段可以是过去一个月、过去一个季度以及过去一年等多种情形。预设时间段可以整月、整季度,也可以是跨月、跨季度等,例如,从过去1月的某一天到过去4月的某一天等。运营数据存储在数据库中,服务器从数据库中获取预设时间段内的历史运营数据以及当前运营数据。数据库可以是部署在服务器上,也可以部署在独立于服务器之外的其他存储设备上。
步骤104,建立历史运营数据对应的趋势模型。
预设时间段包括多个时间周期。例如,如果预设时间段为过去一年,则时间周期为一个月;如果预设时间段为过去一个季度,则时间周期为一周。服务器计算每个时间周期内的历史运营数据的周期均值,并通过线性回归的方式拟合出周期均值对应的趋势模型。趋势模型能够反映历史运营数据发展趋势的特点。
步骤106,计算历史运营数据对应的周期性因子。
时间周期包括多个子周期。例如,如果时间周期为一个月,则子周期为一周;如果时间周期为一周,则子周期为一天。服务器获取子周期内的历史运营数据,并利用子周期内的历史运营数据与周期均值计算对应的子周期因子。服务器利用子周期因子分别计算每个子周期对应的周期性因子。周期性因子(也叫做周期模型)能够反映历史运营数据周期性变化的特点。
步骤108,利用趋势模型和周期性因子计算当前运营数据中异常数据的报警阈值。
服务器利用趋势模型来推算预设时间段内的历史运营数据的周期均值的拟合值,并利用推算出的周期均值的拟合值与周期性因子得到历史运营数据拟合值。服务器根据历史运营数据拟合值与历史运营数据计算拟合比率,根据拟合比率确定当前运营数据中异常数据的报警阈值。
步骤110,利用趋势模型和周期性因子计算当前运营数据的预测值,并且根据预测值与当前运营数据计算对应的预测比率。
服务器利用趋势模型来推算当前运营数据在预测周期(即当前周期)内的周期预测均值,并利用周期预测均值与周期性因子得到对应的周期预测值。服务器根据周期预测值与当前运营数据计算对应的预测比率。
步骤112,当预测比率大于报警阈值时,对异常数据生成报警信息。
服务器将报警阈值、预测比率等计算结果插入到数据库中。考虑到每天的运营数据可能会不同,为了进一步提高对异常数据进行报警的准确性,可以将报警阈值和预测比率等随着运营数据的变化进行更新。通过数据库对外开放的数据接口,服务器可以定时去数据库拉取报警阈值和预测比率。当预测比率小于或等于报警阈值时,表示当前运营数据正常,无需报警。当预测比率大于报警阈值时,表示当前运营数据中存在异常数据,需要报警。
服务器会根据异常数据生成相应的报警信息。报警信息包括多种,例如,报警邮件、报警短信和报警页面提示等。具体的,服务器可以向预先设置的邮箱发送异常数据对应的报警信息。服务器可以向预先设置的号码发送异常数据对应的报警短信。服务器还可以向后台操作界面推送报警页面提示等。
本实施例中,通过利用预设时间段内的历史运营数据建立对应的趋势模型以及计算历史运营数据对应的周期性因子,从而能够利用趋势模型和周期性因子计算出当前运营数据中异常数据的报警阈值。利用趋势模型和周期性因子计算当前运营数据的预测值,并根据预测值与当前运营数据计算出对应的预测比率。将报警阈值与预测比率进行比对,如果预测比率大于报警阈值,则对异常数据生成报警信息。在整个过程中无需人工通过肉眼来判断当前运营数据中是否存在异常数据,因此在对异常数据进行预警时能够有效节省操作时间,提高工作效率。
服务器还可以根据运营数据的内容对运营数据进行分类,得到多个类型的运营数据。例如,运营数据的类型包括:用户、充值金额等。进一步的,还可以对每个类型的运行数据分为子类。例如,用户包括新注册用户、活跃用户和充值用户等。服务器对每个类型的历史运营数据分别计算每个时间周期内的周期均值,并利用每个类型对应的周期均值和回归方程拟合出每个类型的历史运营数据在时间周期内的趋势模型。服务器对每个子周期内每个类型的历史运营数据分别计算对应的周期性因子。服务器利用每个类型的历史运营数据对应的趋势模型和周期性因子计算当前运营数据中异常数据的报警阈值,并利用每个类型的历史运营数据对应的趋势模型计算当前运营数据对应的预测比率。将每个类型的报警阈值与对应的预测比率进行比较。当预测比率大于报警阈值时,服务器对这一类型的异常数据生成报警信息。
例如,服务器对“用户”这一类型的运营数据拟合出在预设时间段的时间周期内的趋势模型,并分别计算出对应的周期性因子。服务器再利用“用户”的历史运营数据的趋势模型和周期因子计算得到“用户”当前运营数据对应的异常数据的报警阈值,以及利用“用户”的历史运营数据的趋势模型计算得到“用户”当前运营数据对应的预测比率。如果“用户”对应的预测比率大于“用户”对应的报警阈值,则表示这一预测值出现异常,生成“用户”这一类型的当前运营数据中存在异常数据的报警信息。
进一步的,如果想得知每个子类的当前运营数据中是否存在异常数据。服务器可以采用上述方式进一步对每个子类的当前运营数据进行预警,如果检测到有异常数据,则生成相应的报警信息。由此能够进一步提高对异常数据预警的准确性。
在一个实施例中,如图2所示,提供了一种服务器,包括通过系统总线连接的处理器、内存储器、非易失性存储介质和网络接口。其中,该服务器的非易失性存储介质中存储有操作系统和一种异常数据的报警装置,该异常数据的报警装置用于实现一种异常数据的报警方法。该服务器的处理器用于提供计算和控制能力,被配置为执行一种异常数据的报警方法。该服务器可以是单独的服务器,也可以是集群服务器。
在一个实施例中,预设时间段包括多个时间周期;建立运营数据对应的趋势模型的步骤包括:计算时间周期内的历史运营数据的周期均值;拟合周期均值对应的趋势模型。
本实施例中,预设时间段包括多个时间周期。例如,如果预设时间段为一年,则时间周期为一个月;如果预设时间段为一个季度,则时间周期为一周。服务器计算时间周期内的历史运营数据的周期均值。具体的,服务器对时间周期内每天的历史运营数据求和之后再除以时间周期对应的总天数得到历史运营数据的周期均值。例如,时间周期为一周,一周内有七天。每周的周期均值就是该周七天历史运营数据的平均值。假设周一的历史运营数据为V1,周二的历史运营数据为V2,以此类推,周日的历史运营数据为V7,则,周期均值=(V1+V2+V3+V4+V5+V6+V7)/7。
服务器通过线性回归的方式拟合出周期均值对应的趋势模型。具体的,可以采用线性回归方程来拟合出周期均值对应的趋势模型。线性回归方程可以采用的方程形式,其中表示周期均值的拟合值,t表示时间周期,a与b均表示参数。
假设预设时间段为过去3个月,则获取过去3个月的历史运营数据(假设这3个月有15周),表示运营数据周期均值的拟合值,t=(t1,t2,t3,…,t14,t15),其中t1=1,表示第1周,t2=2,表示第2周,以此类推。将过去3个月内实际的运营数据的周期均值定义为y,则y=(y1,y2,y3,…,y14,y15),其中y1表示第1周的均值,y2表示第2周的均值,以此类推。通过最小二乘法得到参数a和b的值,继而得到周期均值对应的趋势模型,即由此使得最小,即与y的误差最小。利用趋势模型使得周期均值的拟合值与周期均值的误差最小,进而能够利用趋势模型来计算当前运营数据的预测值。
进一步的,服务器还可以根据历史运营数据的类型分别计算时间周期内每个类型的历史运营数据的周期均值,并利用周期均值和回归方程拟合出每个类型的历史运营数据在时间周期内的趋势模型。例如,服务器分别对“用户”“充值金额”等运营数据进行计算,得到“用户”周期均值和“充值金额”周期均值。利用“用户”周期均值和回归方程拟合出“用户”在时间周期内的趋势模型。利用“充值金额”周期均值和回归方程拟合出“充值金额”在时间周期内的趋势模型。通过对每个类型的历史营运数据分别建立对应的趋势模型,由此能够进一步提高对异常数据预警的准确性。
在一个实施例中,时间周期包括多个子周期;计算运营数据对应的周期性因子的步骤包括:获取子周期内的历史运营数据;利用子周期内的历史运营数据与周期均值计算对应的子周期因子;利用子周期因子分别计算每个子周期对应的周期性因子。
本实施例中,时间周期包括月或周等,子周期包括天、半天或小时等。服务器利用子周期内的历史运营数据与周期均值计算对应的子周期因子。具体的,服务器利用子周期内的历史运营数据除以周期均值得到对应的子周期因子。不同子周期内的历史运营数据不同,不同时间周期的周期均值也不同,因此每个子周期因子都可能不同。以时间周期为一周、子周期为一天为例,子周期因子如表一所示:
表一:
将子周期进行分组。具体的,按照子周期在时间周期中的时间顺序来对子周期进行分组。可以将位于时间周期第一顺位的子周期作为一组,将位于时间周期第二顺位的子周期作为一组,以此类推。计算每一组子周期因子的平均值,得到每个子周期对应的周期性因子。例如,时间周期为一周,子周期为一天。则可以按照周一、周二、周三…周日来进行分组。计算每一组子周期因子的平均值,得到周一至周日的周期性因子。如表二所示:
表二:
在一个实施例中,利用趋势模型和周期性因子计算运营数据中异常数据的报警阈值的步骤包括:利用趋势模型推算预设时间段内的历史运营数据的周期均值的拟合值;利用推算出的周期均值的拟合值与周期性因子得到历史运营数据拟合值;根据历史运营数据拟合值与历史运营数据计算拟合比率;根据拟合比率确定当前运营数据中异常数据的报警阈值。
本实施例中,服务器可以采用上述实施例中提及的方式利用趋势模型来推算出预设时间段内的历史运营数据的周期均值的拟合值。例如,趋势模型为的线性方程,当t=1,2,…15时,可以得到过去15周内的运营数据的周期均值的拟合值,当t=16时,即可推算出第16周的运营数据的周期均值的拟合值。假设预设时间段内的历史运营数据分别为1、3、4、7和9,通过线性回归得到回归方程为则对应的周期均值的拟合值分别为0.8、2.8、4.8、6.8和8.8。
服务器利用推算出的周期均值的拟合值乘以周期性因子得到历史运营数据拟合值。利用趋势模型计算得到的周期均值的拟合值与周期均值的误差最小,服务器计算历史运营数据拟合值与历史运营数据的拟合比率,根据拟合比率确定当前运营数据中异常数据的报警阈值。
在一个实施例中,利用趋势模型和周期性因子计算当前运营数据的预测值,并且根据预测值与当前运营数据计算对应的预测比率的步骤包括:利用趋势模型推算当前运营数据在当前时间周期内的周期预测均值;利用周期预测均值与周期性因子得到对应的周期预测值;根据周期预测值与当前运营数据计算对应的预测比率。
本实施中,服务器可以采用上述实施例中提及的方式利用趋势模型来推算出当前运营数据在当前时间周期内的周期预测均值。服务器将周期预测均值乘以周期性因子得到当前运营数据对应的周期预测值,计算周期预测值与当前运营数据的比率,将该比率确定为预测比率。将报警阈值与预测比率进行比较,如果预测比率大于报警阈值,则表示当前运营数据偏大,存在异常,需要进行报警。
此外,服务器还可以计算当前运营数据与周期预测值的比率,将该比率确定为预测比率。将报警阈值与预测比率进行比较,如果预测比率小于报警阈值,则表示当前运营数据偏小,存在异常,需要进行报警。
在一个实施例中,获取多个时间周期内历史运营数据对应的拟合比率,将拟合比率进行排序,将排在预设阈值位置的拟合比率确定为对应的报警阈值,预设阈值位置根据进行排序的拟合比率的数量的预设百分比来确定。预设百分比根据正态分布确定。拟合比率可以是子周期拟合值与子周期内的历史运营数据的比率,也可以是时间周期内的运营数据的拟合值与周期内的历史运营数据的比率。
以时间周期为一周、子周期为一天为例,拟合比率与预测比率的统计表,如下表三所示:
表三:
如上表三中,第一周至第三周的运营数据可以视为历史运营数据,第四周的运营数据可以视为当前运营数据。子周期的历史运营数据乘以子周期因子得到对应的子周期拟合值。利用趋势模型来推算出当前运营数据在当前时间周期内(即第四周)的子周期预测值。拟合比率=子周期拟合值/历史运营数据,预测比率=子周期预测值/当前运营数据。将拟合比率按照从高到低的顺序进行排序,如下表四所示。例如,将预设百分比为90%,将21个拟合比率进行排序,21*90%≈19,按照从高到低的顺序,将排在第2位的拟合比率1.74确定为报警阈值。
表四:
表三中的预测比率均小于报警阈值1.74,由此可以确定表三中无异常数据。
可以理解,拟合比率还可以是历史运营数据除以子周期拟合值的商,预测比率还可以是当前运营数据除以子周期预测值的商。并且可以参照上述方式来确定报警阈值。
可以理解,在另外的实施例中,也可以采用箱线图法从多个拟合比率中确定报警阈值。
服务器还可以根据运营数据的类型分别计算每个类型的运营数据的报警阈值以及对应的预测值。服务器将每个类型的运营数据的预测值与报警阈值分别进行比较,如果有某一类型的预测值大于报警阈值,则表示该类型的运营数据中存在异常数据,需要报警。
在一个实施例中,在获取预设时间段内的历史运营数据和当前运营数据的步骤之前,还包括:检测预设时间段内的历史运营数据中是否存在异常数据;若是,则利用趋势模型和周期性因子计算得到异常数据对应的拟合值;利用拟合值替换异常数据;再次执行获取预设时间段内的历史运营数据和当前运营数据的步骤。
本实施例中,由于预设时间段内的历史运营数据可能会存在异常数据,从而导致对当前运营数据中的异常数据预警的准确率下降。为了避免预设时间段内的异常数据会造成不必要的干扰,需要在获取预设时间段内的历史运营数据的步骤之前,检测这些历史运营数据中是否存在异常数据。具体的,可以采用上述实施例中提供的方式来进行检测。如果检测到历史运营数据中有异常数据,则利用趋势模型和周期性因子计算得到该异常数据对应的拟合值。将异常数据替换为该拟合值。如果存在多个异常数据,则需要分别计算多个异常数据对应的拟合值,并利用这些拟合值分别对异常数据进行替换。在替换完所有的异常数据后,再次采用上述实施例中提及的方式利替换后的运营数据对异常数据进行预警。
可以理解,预设时间段内的历史运营数据可能存在多种类型的异常数据。服务器可以采用上述实施例中提供的方法分别对每个类型的历史运营数据进行检测,如果发现有异常数据,则将异常数据替换为该拟合值。直至对所有的异常数据替换完成替换,再采用上述实施例中提及的方式利替换后的运营数据对异常数据进行预警。
在一个实施例中,如图3所示,提供了一种异常数据的报警装置,该装置包括:获取模块302、建模模块304、计算模块306和报警模块308,其中:
获取模块302,用于获取预设时间段内的历史运营数据和当前运营数据。
建模模块304,用于建立历史运营数据对应的趋势模型;计算历史运营数据对应的周期性因子。
计算模块306,用于利用趋势模型和周期性因子计算当前运营数据中异常数据的报警阈值;利用趋势模型和周期性因子计算当前运营数据的预测值,并且根据预测值与当前运营数据计算对应的预测比率。
报警模块308,用于当预测比率大于报警阈值时,对异常数据生成报警信息。
在一个实施例中,预设时间段包括多个时间周期;计算模块306还用于计算时间周期内的历史运营数据的周期均值;建模模块304还用于拟合周期均值对应的趋势模型。
在一个实施例中,时间周期包括多个子周期;获取模块302还用于获取子周期内的历史运营数据;计算模块306还用于利用子周期内的历史运营数据与周期均值计算对应的子周期因子;利用子周期因子分别计算每个子周期对应的周期性因子。
在一个实施例中,计算模块306还用于利用趋势模型推算预设时间段内的历史运营数据的周期均值的拟合值;利用推算出的周期均值的拟合值与周期性因子得到历史运营数据拟合值;根据历史运营数据拟合值与历史运营数据计算拟合比率;根据拟合比率确定当前运营数据中异常数据的报警阈值。
在一个实施例中,计算模块306还用于利用趋势模型推算当前运营数据在当前时间周期内的周期预测均值;利用周期预测均值与周期性因子得到对应的周期预测值;根据周期预测值与当前运营数据计算对应的预测比率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常数据的报警方法,包括:
获取预设时间段内的历史运营数据和当前运营数据;
建立所述历史运营数据对应的趋势模型;
计算所述历史运营数据对应的周期性因子;
利用所述趋势模型和所述周期性因子计算所述当前运营数据中异常数据的报警阈值;
利用所述趋势模型和周期性因子计算所述当前运营数据的预测值,并且根据所述预测值与所述当前运营数据计算对应的预测比率;
当所述预测比率大于所述报警阈值时,对所述异常数据生成报警信息。
2.根据权利要求1所述的异常数据的报警方法,其特征在于,所述预设时间段包括多个时间周期;所述建立所述历史运营数据对应的趋势模型的步骤包括:
计算时间周期内的历史运营数据的周期均值;
拟合所述周期均值对应的趋势模型。
3.根据权利要求2所述的异常数据的报警方法,其特征在于,所述时间周期包括多个子周期;所述计算所述历史运营数据对应的周期性因子的步骤包括:
获取子周期内的历史运营数据;
利用所述子周期内的历史运营数据与所述周期均值计算对应的子周期因子;
利用所述子周期因子分别计算每个子周期对应的周期性因子。
4.根据权利要求1所述的异常数据的报警方法,其特征在于,所述利用所述趋势模型和所述周期性因子计算所述当前运营数据中异常数据的报警阈值的步骤包括:
利用所述趋势模型推算所述预设时间段内的历史运营数据的周期均值的拟合值;
利用推算出的周期均值的拟合值与所述周期性因子得到历史运营数据拟合值;
根据所述历史运营数据拟合值与历史运营数据计算拟合比率;
根据所述拟合比率确定当前运营数据中异常数据的报警阈值。
5.根据权利要求1所述的异常数据的报警方法,其特征在于,所述利用所述趋势模型和周期性因子计算所述当前运营数据的预测值,并且根据所述预测值与所述当前运营数据计算对应的预测比率的步骤包括:
利用所述趋势模型推算当前运营数据在当前时间周期内的周期预测均值;
利用所述周期预测均值与所述周期性因子得到对应的周期预测值;
根据所述周期预测值与所述当前运营数据计算对应的预测比率。
6.一种异常数据的报警装置,其特征在于,包括:
获取模块,用于获取预设时间段内的历史运营数据和当前运营数据;
建模模块,用于建立所述历史运营数据对应的趋势模型;计算所述历史运营数据对应的周期性因子;
计算模块,用于利用所述趋势模型和所述周期性因子计算所述当前运营数据中异常数据的报警阈值;利用所述趋势模型和周期性因子计算所述当前运营数据的预测值,并且根据所述预测值与所述当前运营数据计算对应的预测比率;
报警模块,用于当所述预测比率大于所述报警阈值时,对所述异常数据生成报警信息。
7.根据权利要求6所述的异常数据的报警装置,其特征在于,所述预设时间段包括多个时间周期;所述计算模块还用于计算时间周期内的历史运营数据的周期均值;所述建模模块还用于拟合所述周期均值对应的趋势模型。
8.根据权利要求7所述的异常数据的报警装置,其特征在于,所述时间周期包括多个子周期;所述获取模块还用于获取子周期内的历史运营数据;所述计算模块还用于利用所述子周期内的历史运营数据与所述周期均值计算对应的子周期因子;利用所述子周期因子分别计算每个子周期对应的周期性因子。
9.根据权利要求6所述的异常数据的报警装置,其特征在于,所述计算模块还用于利用所述趋势模型推算所述预设时间段内的历史运营数据的周期均值的拟合值;利用推算出的周期均值的拟合值与所述周期性因子得到历史运营数据拟合值;根据所述历史运营数据拟合值与历史运营数据计算拟合比率;根据所述拟合比率确定当前运营数据中异常数据的报警阈值。
10.根据权利要求6所述的异常数据的报警装置,其特征在于,所述计算模块还用于利用所述趋势模型推算当前运营数据在当前时间周期内的周期预测均值;利用所述周期预测均值与所述周期性因子得到对应的周期预测值;根据所述周期预测值与所述当前运营数据计算对应的预测比率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510919137.1A CN106874280A (zh) | 2015-12-10 | 2015-12-10 | 异常数据的报警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510919137.1A CN106874280A (zh) | 2015-12-10 | 2015-12-10 | 异常数据的报警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106874280A true CN106874280A (zh) | 2017-06-20 |
Family
ID=59178739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510919137.1A Pending CN106874280A (zh) | 2015-12-10 | 2015-12-10 | 异常数据的报警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874280A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN108269189A (zh) * | 2017-07-05 | 2018-07-10 | 中国中投证券有限责任公司 | 指标数据监控方法、装置、存储介质和计算机设备 |
CN108491965A (zh) * | 2018-03-14 | 2018-09-04 | 广东省智能制造研究所 | 冲压设备的状态预测方法、装置、电子设备与存储介质 |
CN108599995A (zh) * | 2018-03-28 | 2018-09-28 | 北京大米科技有限公司 | 网络线路故障判定方法及服务器 |
CN109218062A (zh) * | 2017-07-07 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 基于置信区间的互联网业务报警方法和装置 |
CN109614299A (zh) * | 2018-09-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种系统异常检测方法、装置及电子设备 |
CN109886512A (zh) * | 2017-12-05 | 2019-06-14 | 北京绪水互联科技有限公司 | 剩余应急维修时间估算方法及预警方法、以及其估算系统和预警系统 |
CN110198244A (zh) * | 2019-06-19 | 2019-09-03 | 北京百度网讯科技有限公司 | 面向异构云服务的资源配置方法和装置 |
CN110335450A (zh) * | 2019-06-28 | 2019-10-15 | 电子科技大学 | 一种基于安全阈值的动态报警方法 |
CN110400459A (zh) * | 2018-04-24 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 针对交通状况的报警规则配置方法、报警方法及装置 |
CN110597875A (zh) * | 2019-08-28 | 2019-12-20 | 上海汇纳数据科技有限公司 | 一种店铺经营状况判定方法、系统、介质及设备 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
CN110825787A (zh) * | 2019-11-04 | 2020-02-21 | 上海燕汐软件信息科技有限公司 | 数据提醒方法及装置、电子设备、存储介质 |
CN110971435A (zh) * | 2018-09-30 | 2020-04-07 | 北京金山云网络技术有限公司 | 一种报警方法及装置 |
CN113420816A (zh) * | 2021-06-24 | 2021-09-21 | 北京市生态环境监测中心 | 一种针对全光谱水质监测设备的数据异常值确定方法 |
CN113627940A (zh) * | 2021-08-27 | 2021-11-09 | 中国银行股份有限公司 | 一种交易量异常的告警方法及装置 |
-
2015
- 2015-12-10 CN CN201510919137.1A patent/CN106874280A/zh active Pending
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269189A (zh) * | 2017-07-05 | 2018-07-10 | 中国中投证券有限责任公司 | 指标数据监控方法、装置、存储介质和计算机设备 |
CN108269189B (zh) * | 2017-07-05 | 2020-09-08 | 中国中投证券有限责任公司 | 指标数据监控方法、装置、存储介质和计算机设备 |
CN109218062A (zh) * | 2017-07-07 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 基于置信区间的互联网业务报警方法和装置 |
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 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109886512A (zh) * | 2017-12-05 | 2019-06-14 | 北京绪水互联科技有限公司 | 剩余应急维修时间估算方法及预警方法、以及其估算系统和预警系统 |
CN108491965A (zh) * | 2018-03-14 | 2018-09-04 | 广东省智能制造研究所 | 冲压设备的状态预测方法、装置、电子设备与存储介质 |
CN108599995A (zh) * | 2018-03-28 | 2018-09-28 | 北京大米科技有限公司 | 网络线路故障判定方法及服务器 |
CN108599995B (zh) * | 2018-03-28 | 2020-10-27 | 北京大米科技有限公司 | 网络线路故障判定方法及服务器 |
WO2019184263A1 (zh) * | 2018-03-28 | 2019-10-03 | 北京大米科技有限公司 | 网络线路故障判定方法及服务器 |
CN110400459A (zh) * | 2018-04-24 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 针对交通状况的报警规则配置方法、报警方法及装置 |
CN109614299B (zh) * | 2018-09-25 | 2022-05-31 | 创新先进技术有限公司 | 一种系统异常检测方法、装置及电子设备 |
CN109614299A (zh) * | 2018-09-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种系统异常检测方法、装置及电子设备 |
CN110971435A (zh) * | 2018-09-30 | 2020-04-07 | 北京金山云网络技术有限公司 | 一种报警方法及装置 |
US11449774B2 (en) | 2019-06-19 | 2022-09-20 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Resource configuration method and apparatus for heterogeneous cloud services |
CN110198244A (zh) * | 2019-06-19 | 2019-09-03 | 北京百度网讯科技有限公司 | 面向异构云服务的资源配置方法和装置 |
CN110198244B (zh) * | 2019-06-19 | 2022-02-18 | 北京百度网讯科技有限公司 | 面向异构云服务的资源配置方法和装置 |
CN110335450A (zh) * | 2019-06-28 | 2019-10-15 | 电子科技大学 | 一种基于安全阈值的动态报警方法 |
CN110597875A (zh) * | 2019-08-28 | 2019-12-20 | 上海汇纳数据科技有限公司 | 一种店铺经营状况判定方法、系统、介质及设备 |
CN110597875B (zh) * | 2019-08-28 | 2022-02-25 | 上海汇纳数据科技有限公司 | 一种店铺经营状况判定方法、系统、介质及设备 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
CN110807024B (zh) * | 2019-10-12 | 2022-04-19 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
CN110825787A (zh) * | 2019-11-04 | 2020-02-21 | 上海燕汐软件信息科技有限公司 | 数据提醒方法及装置、电子设备、存储介质 |
CN113420816A (zh) * | 2021-06-24 | 2021-09-21 | 北京市生态环境监测中心 | 一种针对全光谱水质监测设备的数据异常值确定方法 |
CN113627940A (zh) * | 2021-08-27 | 2021-11-09 | 中国银行股份有限公司 | 一种交易量异常的告警方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874280A (zh) | 异常数据的报警方法和装置 | |
JP7105830B2 (ja) | 資源消費分析論のためのシステムおよび方法 | |
WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
CN110888788A (zh) | 异常检测方法、装置、计算机设备及存储介质 | |
US9118182B2 (en) | Power curve correlation system | |
CN106716454B (zh) | 利用机器学习来识别非技术性损失 | |
CN107871190A (zh) | 一种业务指标监控方法及装置 | |
CN108920324A (zh) | It设备存储容量趋势分析和预警的方法、系统及电子装置 | |
CN103745280A (zh) | 用电量预测方法、装置及处理器 | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
CN107153593A (zh) | 一种互联网业务监控阈值的确定方法及装置 | |
CN109697525A (zh) | 一种批次电能表多故障模式近期寿命预测方法 | |
CN110096491A (zh) | 数据库性能指标预测方法及系统 | |
CN109583783A (zh) | 一种托板螺母生产线的组态设计方法 | |
CN109976975A (zh) | 一种磁盘容量预测方法、装置、电子设备及存储介质 | |
WO2021072128A1 (en) | Systems and methods for big data analytics | |
CN105243449A (zh) | 售电量预测结果修正方法及装置 | |
CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
Huang et al. | Demand forecasting and smoothing capacity planning for products with high random demand volatility | |
CN109726068A (zh) | 一种数据检测方法及装置 | |
WO2024098668A1 (zh) | 基于5g的核电设备异常诊断方法、装置和计算机设备 | |
Nicolae et al. | Flexibility and efficiency analysis of a flexible manufacturing system | |
CN114877943B (zh) | 一种基于区块链的生态环境监测装置 | |
CN115130954A (zh) | 一种基于多分散网点的供应预测方法 | |
CN114663232A (zh) | 异常交易行为的监测方法、装置及计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170620 |