CN107301570B - 业务量预测方法、异常业务量检测方法、装置和电子设备 - Google Patents
业务量预测方法、异常业务量检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN107301570B CN107301570B CN201710570154.8A CN201710570154A CN107301570B CN 107301570 B CN107301570 B CN 107301570B CN 201710570154 A CN201710570154 A CN 201710570154A CN 107301570 B CN107301570 B CN 107301570B
- Authority
- CN
- China
- Prior art keywords
- traffic
- day
- week
- days
- value
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了一种业务量预测方法、异常业务量检测方法、装置和电子设备。通过分别计算一周的每一日对应的参考值和调节值,在参考值中包含近期业务量的平均值信息,而调节值表征对应日的业务量记录与特定平均业务量的比值,进而通过参考值和调节值来预测下一周对应日的业务量,由此,可以获得比简单均值预测更高的预测精度,还可以相对获得较高的预测效率。同时,本公开的异常业务量检测方法基于业务量预测方法获得多组预测业务量,并进而基于方差和误差值来判断是否存在异常业务量,可以以较小的计算代价,获得更加精确的结果。
Description
技术领域
本公开涉及数据处理领域,具体涉及一种业务量预测方法、异常业务量检测方法、装置和电子设备。
背景技术
对于基于互联网开展的各种业务,可以实时记录其业务量,并基于业务量发掘其中规律,对未来的业务量进行预测。这一技术可以用于系统运营的支持,还可以用于防止业务提供方对业务量进行造假。例如,在应用于O2O场景时,运营方可以基于这些预测技术来基于历史数据对各个业务提供方的未来业务量进行估计。
某些现有技术通过来基于大量的业务量记录训练预测模型来对业务量进行精确预测,但是,这样的方式计算量大,不适用于对于存在大量账户的业务系统来逐一进行预测。
同时,在进行异常业务量的检测时,部分现有技术又仅仅是通过简单地计算均值,并根据真实业务量偏离均值的幅度来检测异常。这种方法的准确度较低,不能适应复杂的实际情况。
发明内容
有鉴于此,本公开提供一种业务量预测方法、异常业务量检测方法、装置和电子设备,以提高业务量预测的效率,同时提高异常业务量检测的准确度。
根据本公开的第一方面,提供一种业务量预测方法,包括:
获取当前日的业务量记录及之前预定日数的业务量记录;
根据所述业务量记录计算一周的每一日对应的参考值,每个所述参考值包含业务量记录中连续预定多日的业务量的平均值的信息和业务量记录中部分或全部对应日的业务量平均值的信息,其中所述对应日为与被对应日在一周中相对位置相同的日;
根据所述业务量记录计算一周的每一日对应的调节值,每个所述调节值用于表征业务量记录中对应日的业务量与特定平均业务量的比值;
根据一周的每一日对应的所述参考值和所述调节值估算未来七天每一日的业务量。
根据本公开的第二方面,提供一种异常业务量检测方法,包括:
根据如上所述的方法连续N日预测当日后一周的每一日的业务量以获得N个预测业务量组;
对于所述连续N日中的每一日,根据记录的实际业务量和对应的预测业务量组获取对应的检测业务量组,检测业务量组包括所述连续N日的每一日对应的检测业务量,所述检测业务量在记录有对应的实际业务量时为实际业务量,否则为对应的预测业务量;
判断每个检测业务量组的方差和误差值是否均满足对应的异常条件;
在存在预定数量的检测业务量组满足所有异常条件时,进行异常提示。
根据本公开的第三方面,提供一种业务量预测装置,包括:
业务量获取单元,用于获取当前日的业务数量记录及之前预定日数的业务量记录;
参考值计算单元,用于根据所述业务量记录计算一周的每一日对应的参考值,每个所述参考值包含业务量记录中连续预定多日的业务量的平均值的信息和业务量记录中部分或全部对应日的业务量平均值的信息,其中所述对应日为与被对应日在一周中相对位置相同的日;
调节值计算单元,用于根据所述业务量记录计算一周的每一日对应的调节值,每个所述调节值用于表征业务量记录中对应日的业务量与特定平均业务量的比值;
预测单元,用于根据一周的每一日对应的所述参考值和所述调节值估算未来七天每一日的业务量。
根据本公开的第四方面,提供一种异常业务量检测设备,包括:
如上所述的业务量预测装置,用于连续N日预测当日后一周的每一日的业务量以获得N个预测业务量组;
检测业务量组获取装置,用于对于所述连续N日中的每一日,根据记录的实际业务量和对应的预测业务量组获取对应的检测业务量组,检测业务量组包括所述连续N日的每一日对应的检测业务量,所述检测业务量在记录有对应的实际业务量时为实际业务量,否则为对应的预测业务量;
判断装置,用于判断每个检测业务量组的方差和误差值是否均满足对应的异常条件;以及
提示装置,在存在预定数量的检测业务量组满足所有异常条件时,进行异常提示。
根据本公开的第五方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面或第二方面所述的方法。根据本公开的第六方面,提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面或第二方面所述的方法。
本公开实施例通过分别计算一周的每一日对应的参考值和调节值,在参考值中近期业务量的平均值信息,在调节值表征对应日的业务量记录与特定平均业务量的比值,进而通过参考值和调节值来预测下一周对应日的业务量,由此,可以以获得比简单均值预测更高的进度,又可以相对获得较高的预测效率。
附图说明
图1是本公开实施例的业务量预测方法的流程图;
图2是本公开实施例计算调整值的示意图;
图3是本公开实施例的异常业务量检测方法的流程图;
图4是本公开实施例中获取的多个检测业务量组的示意图;
图5是本公开实施例的业务量预测装置的示意图;
图6是本公开实施例的异常业务量检测装置的示意图;
图7是本公开实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1是本公开实施例的业务量预测方法的流程图。如图1所示,所述业务量预测方法包括:
步骤S100、获取当前日的业务量记录和之前预定日数的业务量记录。
在本实施例中,以获取当前日以及之前连续112天(也即16周) 的业务量记录作为分析基础来进行说明。应理解,根据应用场景的不同和所期望的计算精度或计算量的大小,所述预定日数也可以选择为其他值,也可以被设置为不是7的倍数。
在本实施例中,业务量记录是指系统记录的特定账号关联的每日业务量。在应用于O2O场景下时,业务量是商户的订单数量或订单总金额或根据上述两者加权折算的其它可以表征工作量或业务量的参数。
步骤S200、根据所述业务量记录计算一周的每一日对应的参考值。其中,每个参考值包含业务量记录中连续预定多日的业务量平均值的信息和业务量记录中部分或全部对应日的业务量平均值的信息。
其中,所述对应日为与被对应日在一周中相对位置相同的日。
优选地,步骤S200包括如下步骤:
步骤S210、根据业务量记录计算当前日之前A周时间内的业务量的平均值,并对于一周的每一日(也即,周一至周日)计算前B周内所有对应日的业务量的平均值,其中,A为大于等于1的整数,B为大于 1的整数。
例如,可以取A=1,B=2,由此,可以根据如下公式来计算上述两个平均值:
其中,avg_week为当前日之前1周时间内的业务量的平均值,ti为业务量记录中顺序第i天的业务量。由此,avg_week可以表征预测时近期业务量的平均状况。
同时,weekj为对于当前日的未来7天的每一日,也即第113日至第119日,前2周内所有对应日的业务量的平均值。容易理解,前一周的对应日即为j+112-7,前两周的对应日计为j+112-14。由此,weekj可以表征在预测时,对应日(每周的同一天)的业务量的平均状态。
步骤S220、对当前日之前A周时间内的业务量的平均值以及前B 周内所有对应日的业务量的日平均值进行加权平均获得所述参考值。
具体地,根据如下公式来计算参考值povitj:
povitj=α*weekj+β*avg_week
其中,α和β为两个平均值对应的权重,α+β=1。
由此,可以使得每一个被预测日的参考值带有预测之前连续预定多日的业务量平均值的信息以及业务量记录中部分或全部对应日的业务量的平均值信息。
步骤S300、根据所述业务量记录计算一周的每一日对应的调节值。其中,每个所述调节值用于表征业务量记录中对应日的业务量与特定平均业务量的比值。
优选地,所述特定平均业务量选取通过预定长度的时间窗口进行滑动平均获得的滑动平均业务量。
在选取滑动平均业务量作为所述特定平均业务量时,步骤S300可以包括如下步骤:
步骤S310、以预定长度的时间窗口对所述业务量记录进行滑动平均获得多个滑动平均值。
在本实施例中,时间窗口的长度选择为7。从业务量记录的第1日开始进行滑动平均,每次向后滑动1日。由此,对于第1日至第112日,如果以时间窗口的第1日作为时间窗口wk的标识日k,则可以获得106 个滑动平均值,可以记为everyweek_avgk,其计算公式可以表征如下:
图2是本公开实施例计算调整值的示意图。如图2所示,在步骤S310,对于长度为112的业务量记录,图中具有底纹区域为第1个时间窗口,通过时间窗口的滑动平均,可以获得一个长度为106的滑动平均值序列。
步骤S320、对于每一个时间窗口,计算当前时间窗口对应的预测日的业务量和当前时间窗口对应的所述滑动平均值的比例作为当前时间窗口的标识日的调节比例。
确定标识日的作用在于根据标识日来定位预测日,并进而获取在时间窗口的预测日所记录的业务量,将预测日的业务量除以对应的滑动平均值获得当前时间窗口的标识日的调节比例,具体可以参照如下公式:
如图2 所示,对于第1个时间窗口w1,其标识日为第1日,对应的预测日为第2日,因此,调节比例everyday_ratio1为第2日的业务量除以第1个时间窗口w1对应的滑动平均值。
步骤S330、对于一周的每一日(也即,周一至周日),对所有与该日对应的标识日的调节比例进行平均获得调节值。
例如,对于周一,将历史数据中所有标识日为周一的调节比例相加后求日平均,就可以得到周一对应的调节值。
由此,基于如下公式计算获得调节值week_ratioj|j=1,2,...,7
其中,m为业务量记录覆盖的周数。在本实施例中,周数为16。
如图2 所示,最终得到的7个调节值中,第2个调节值通过第2、第9等调节比例平均获得。
调节值可以有效地表征业务量记录中,一周的每一日相对于近期平均业务量的变化趋势,从而可以用于调节上述带有平均业务量信息的参考值。
步骤S400、根据一周的每一日对应的参考值和所述调节值估算未来一周每一日的业务量。
具体地,通过如下公式对未来一周每一天的业务量进行预测:
tpj=povitj*week_ratioj,j=1,2,...,7
其中,tpj是当前日后第j日的预测业务量。
本实施例通过分别计算一周的每一日对应的参考值和调节值,在参考值中包含近期业务量的平均值信息,通过调节值表征对应日的业务量记录与特定平均业务量的比值,进而通过参考值和调节值来预测下一周对应日的业务量,由此,可以获得比简单均值预测更高的精度,又可以相对获得较高的预测效率。
上述实施例的业务量预测方法,可以应用于对于记录的业务量是否存在异常进行检测,从而防止系统出错或用户作弊。
图3是本公开实施例的异常业务量检测方法的流程图。如图3所示,本实施例的异常业务量检测方法包括:
步骤S500、连续N日预测当日后一周的每一日的业务量以获得N 个预测业务量组。
具体地,在连续N日中的每一日,通过上一实施例所述的业务量预测方法对在后的7日的业务量进行预测,获得一个由7个预测业务量组成的预测业务量组。由此,重复多次,可以获得N个预测业务量组。
图4是本公开实施例中获取的多个检测业务量组的示意图。图4以从4月1日开始连续7天进行预测为例。在图4中,在第一行,对应的当前日为4月1日,在该日,基于上述方法预测4月2日至4月8日共 7天的业务量。实际业务量在图4中示出为空白填充的圆形,预测业务量在图4中示出为具有底纹填充圆形。然后,在第二行,对应的当前日为4月2日,在改日,基于上述方法预测4月3日至4月9日共7天的业务量,以此类推,直至4月8日。
步骤S600、对于所述连续N日中每一日,根据记录的实际业务量和对应的预测业务量组获取对应的检测业务量组,检测业务量组包括所述连续N日的每一日对应的检测业务量,所述检测业务量在存在实际业务量时为实际业务量,否则为对应的预测业务量。
仍然以图4为例进行说明,根据图4可知,在系统持续运行的每一日均可以获得新的业务量数据纳入到当日对应的业务量记录中,并且可以基于更新的业务量记录来对未来7天的业务量进行预测,获得一组新的预测业务量组。在4月1日,可以基于预测业务量组中的7个预测业务量构成4月1日对应的检测业务量组。在4月2日,由于当日的业务量已经被记录,因此,4月2日对应的检测业务量组的第1个检测业务量采用被记录的实际业务量,剩余的六个检测业务量采用预测业务量。如上所述,这些预测业务量是根据包括4月2日记录的实际业务量的业务量记录来预测获得的。以此类推,直至4月7日。在4月7日,对应的检测业务量组的第1至第6个检测业务量采用对应日的实际业务量,第7个检测业务量采用预测业务量。在4月8日时,实际上系统记录获得4月2日至4月8日期间7天的实际业务量,由此一组全部由实际业务量组成的真实业务量组可被获取。由此,从4月1日至4月7日可以获得7个检测业务量组。每个检测业务量组中的检测业务量部分或全部为预测业务量。同时,在4月8日可以获得一个真实业务量组。利用上述8组数据,则可以来进一步对4月2日至4月8日这一周的数据进行异常检测,以发现明显不符合历史业务量规律的数据。
步骤S700、判断每个检测业务量组的方差和误差值是否均满足对应的异常条件。
具体地,如果检测业务量组的方差满足如下条件,则认为异常条件被满足:
真实方差与被检测方差大于第一阈值,且所述真实方差大于第二阈值,且所述被检测方差小于第三阈值;其中,所述真实方差为所述连续 N日对应的N个实际业务量的方差,所述被检测方差为当前检测的检测业务量组的方差。
具体地,对于图4所示的示例,每个检测业务量组vari计算对应的被检测方差D(vari),其中,i=1,2,3,……,7。同时,对真实业务量组var8 计算真实方差D(var8)。对于每个被检测方差D(vari),如果:
且,D(var8)>th2
且,D(vari)<th3
其中,th1、th2和th3分别为预设的第一阈值、第二阈值和第三阈值。
一个检测业务量组的满足上述条件,说明记录的实际业务量组的方差过大,存在不合理的突变。
同时,如果检测业务量组的误差值满足如下条件,则认为对应的异常条件被满足:
在当前检测的检测业务量组中,第一个预测业务量和对应日的实际业务量的偏差绝对值大于真实标准差。其中,所述真实标准差为所述连续N日对应的N个实际业务量的标准差。
标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。如果预测业务量量与记录的实际业务量的误差过大,则说明记录的实际业务量存在不合理的可能。
步骤S800、在存在预定数量的检测业务量组满足所述异常条件时,进行异常提示。
具体地,在对所有的检测业务量组检测完毕后,如果有超过预定数量(本实施例中设置为2)的检测业务量组满足异常条件(也即,方差和误差值同时满足异常条件),则判断所记录的实际业务量不再正常的范围内,系统进行异常提示。使得系统运营人员可以基于异常提示对响应时间区间内的数据进行进一步核查,以防止系统出错或者业务提供者通过技术手段进行作弊。
应理解,在图4中,以连续7天获取7组检测业务量组来进行异常业务量检测为例进行说明,但是,也可以将检测数据周期缩短,例如,连续4天获取4组检测业务量组,每个检测业务量组包括4个检测业务量。该周期越长,则判断精度越高。
由此,本实施例通过连续N日来进行预测,以获得N个全部或部分包含预测业务量的检测业务量组,比较检测业务量组和真实业务量组的方差和误差值,可以检测系统所记录的(或用户上报的)实际业务量是否存在超出合理范围的异常业务量,从而精确地适应于每个账户的业务量记录来进行异常检测,计算量小,精确度高。
图5是本公开实施例的业务量预测装置的示意图。如图5所示,本实施例的业务量预测装置包括业务量获取单元51、参考值计算单元52、调节值计算单元53和预测单元54。
其中,业务量获取单元51用于获取当前日的业务数量记录及之前预定日数的业务量记录。参考值计算单元52用于根据所述业务量记录计算一周的每一日对应的参考值,每个所述参考值包含业务量记录中连续预定多日的业务量的平均值的信息和业务量记录中部分或全部对应日的业务量平均值的信息。其中,所述对应日为与被对应日在一周中相对位置相同的日。调节值计算单元53用于根据所述业务量记录计算一周的每一日对应的调节值,每个所述调节值用于表征业务量记录中对应日的业务量与特定平均业务量的比值。预测单元54用于根据一周的每一日对应的所述参考值和所述调节值估算未来七天每一日的业务量。
进一步地,参考值计算单元52包括平均值计算子单元52a和加权平均子单元52b。
其中,平均值计算子单元52a用于根据所述业务量记录计算当前日之前A周时间内的业务量的平均值,并对于一周的每一日计算前B周内所有对应日的业务量的平均值。其中,A为大于等于1的整数,B为大于1的整数。加权平均子单元52b用于对于一周的每一日,对所述当前日之前A周时间内的业务量的平均值以及前B周内所有对应日的业务量的日平均值进行加权平均获得所述参考值。
具体地,所述加权平均子单元用于按照0.5的权重分别对所述当前日之前A周时间内的业务量的平均值以及前B周内所有对应日的业务量的日平均值进行加权平均获取所述参考值。
进一步地,所述特定平均业务量为通过预定长度的时间窗口对业务量记录进行滑动平均获得的滑动平均业务量。
在此前提下,所述调节值计算单元53包括滑动平均子单元53a、调节比例计算子单元53b和调节值获取子单元53c。
其中,滑动平均子单元53a用于以所述预定长度的时间窗口对所述业务量记录进行滑动平均获得多个滑动平均值。调节比例计算子单元 53b用于对于每一个时间窗口,计算当前时间窗口对应的预测日的业务量和当前时间窗口对应的所述滑动平均值的比例作为当前时间窗口的标识日的调节比例。调节值获取子单元53c用于对于一周的每一日,对所有与该日对应的标识日的调节比例进行平均获得所述调节值,其中,对应的标识日为与被对应日在一周中相对位置相同的日。
进一步地,所述标识日为所述时间窗口的第一日,所述预测日为所述标识日的后一日。
进一步地,所述业务量为特定账户的日订单数量或日订单总金额。
图6是本公开实施例的异常业务量检测设备的示意图。如图6所示,本实施例的异常业务量检测设备包括业务量预测装置61、检测业务量组获取装置62、判断装置63和提示装置64。
其中,业务量预测装置61具有图5所示的结构,其用于连续N日预测当日后一周的每一日的业务量以获得N个预测业务量组。检测业务量组获取装置62用于对于所述连续N日中的每一日,根据记录的实际业务量和对应的预测业务量组获取对应的检测业务量组,检测业务量组包括所述连续N日的每一日对应的检测业务量,所述检测业务量在记录有对应的实际业务量时为实际业务量,否则为对应的预测业务量。判断装置63用于判断每个检测业务量组的方差和误差值是否均满足对应的异常条件。提示装置64在存在预定数量的检测业务量组满足所有异常条件时,进行异常提示。
其中,方差满足异常条件为:
真实方差与被检测方差的比值大于第一阈值,且所述真实方差大于第二阈值,且所述被检测方差小于第三阈值;其中,所述真实方差为所述连续N日对应的N个实际业务量的方差,所述被检测方差为当前检测的检测业务量组的方差。
其中,误差值满足异常条件为:
在当前检测的检测业务量组中,所有检测业务量和对应日的实际业务量的误差值之和的绝对值大于真实标准差;其中,所述真实标准差为所述连续N日对应的N个实际业务量的标准差。
图7是本公开实施例的电子设备的示意图。图7所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器 71和存储器72。处理器71和存储器72通过总线73连接。存储器72 适于存储处理器71可执行的指令或程序。处理器71可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器71通过执行存储器72所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线73将上述多个组件连接在一起,同时将上述组件连接到显示控制器74和显示装置以及输入/ 输出(I/O)装置75。输入/输出(I/O)装置75可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置75通过输入/输出(I/O) 控制器76与系统相连。
如本领域技术人员将意识到的,本公开的各个方面可以被实现为系统、方法或计算机程序产品。因此,本公开的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外,本发明的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本公开的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
可以使用包括但不限于无线、有线、光纤电缆、RF等或前述的任意适当组合的任意合适的介质来传送实现在计算机可读介质上的程序代码。
用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,所述编程语言包括:面向对象的编程语言如Java、Smalltalk、C++等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
上述根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图图例和/或框图描述了本公开的各个方面。将要理解的是,流程图图例和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
还可以将这些计算机程序指令存储在可以指导计算机、其它可编程数据处理设备或其它装置以特定方式运行的计算机可读介质中,使得在计算机可读介质中存储的指令产生包括实现在流程图和/或框图块或块中指定的功能/动作的指令的制品。
计算机程序指令还可以被加载至计算机、其它可编程数据处理设备或其它装置上,以使在计算机、其它可编程设备或其它装置上执行一系列可操作步骤来产生计算机实现的过程,使得在计算机或其它可编程设备上执行的指令提供用于实现在流程图和/或框图块或块中指定的功能/ 动作的过程。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种计算机执行的业务量预测方法,其特征在于,包括:
获取当前日的业务量记录及之前预定日数的业务量记录;
根据所述业务量记录计算一周的每一日对应的参考值,每个所述参考值包含业务量记录中连续预定多日的业务量的平均值的信息和业务量记录中部分或全部对应日的业务量平均值的信息,其中,所述对应日为与被对应日在一周中相对位置相同的日;
根据所述业务量记录计算一周的每一日对应的调节值,每个所述调节值用于表征业务量记录中对应日的业务量与特定平均业务量的比值;
根据一周的每一日对应的所述参考值和所述调节值估算未来七天每一日的业务量;
其中,所述特定平均业务量为通过预定长度的时间窗口对业务量记录进行滑动平均获得的滑动平均业务量;
其中,根据所述业务量记录计算一周的每一日对应的调节值包括:以所述预定长度的时间窗口对所述业务量记录进行滑动平均获得多个滑动平均值;
对于每一个时间窗口,计算当前时间窗口对应的预测日的业务量和当前时间窗口对应的所述滑动平均值的比例作为当前时间窗口的标识日的调节比例;
对于一周的每一日,对所有与该日对应的标识日的调节比例进行平均获得所述调节值,其中,对应的标识日为与被对应日在一周中相对位置相同的日。
2.根据权利要求1所述的计算机执行的业务量预测方法,其特征在于,根据所述业务量记录计算一周的每一日对应的参考值包括:
根据所述业务量记录计算当前日之前A周时间内的业务量的平均值,并对于一周的每一日计算前B周内所有对应日的业务量的平均值,其中,A为大于等于1的整数,B为大于1的整数;
对于一周的每一日,对所述当前日之前A周时间内的业务量的平均值以及前B周内所有对应日的业务量的日平均值进行加权平均获得所述参考值。
3.根据权利要求2所述的计算机执行的业务量预测方法,其特征在于,对所述当前日之前A周时间内的业务量的平均值以及前B周内所有对应日的业务量的日平均值进行加权平均获得所述参考值包括:
按照0.5的权重分别对所述当前日之前A周时间内的业务量的平均值以及前B周内所有对应日的业务量的日平均值进行加权平均。
4.根据权利要求1所述的计算机执行的业务量预测方法,其特征在于,所述标识日为所述时间窗口的第一日,所述预测日为所述标识日的后一日。
5.根据权利要求1所述的计算机执行的业务量预测方法,其特征在于,所述业务量为特定账户的日订单数量或日订单总金额。
6.一种计算机执行的异常业务量检测方法,其特征在于,包括:
根据如权利要求1-5中任一项所述的方法连续N日预测当日后一周的每一日的业务量以获得N个预测业务量组;
对于所述连续N日中的每一日,根据记录的实际业务量和对应的预测业务量组获取对应的检测业务量组,检测业务量组包括所述连续N日的每一日对应的检测业务量,所述检测业务量在记录有对应的实际业务量时为实际业务量,否则为对应的预测业务量;
判断每个检测业务量组的方差和误差值是否均满足对应的异常条件;
在存在预定数量的检测业务量组满足所有异常条件时,进行异常提示。
7.根据权利要求6所述的计算机执行的异常业务量检测方法,其特征在于,方差满足异常条件为:
真实方差与被检测方差的比值大于第一阈值,且所述真实方差大于第二阈值,且所述被检测方差小于第三阈值;其中,所述真实方差为所述连续N日对应的N个实际业务量的方差,所述被检测方差为当前检测的检测业务量组的方差。
8.根据权利要求6所述的计算机执行的异常业务量检测方法,其特征在于,误差值满足异常条件为:
在当前检测的检测业务量组中,所有检测业务量和对应日的实际业务量的误差值之和的绝对值大于真实标准差;其中,所述真实标准差为所述连续N日对应的N个实际业务量的标准差。
9.一种业务量预测装置,其特征在于,包括:
业务量获取单元,用于获取当前日的业务数量记录及之前预定日数的业务量记录;
参考值计算单元,用于根据所述业务量记录计算一周的每一日对应的参考值,每个所述参考值包含业务量记录中连续预定多日的业务量的平均值的信息和业务量记录中部分或全部对应日的业务量平均值的信息,其中所述对应日为与被对应日在一周中相对位置相同的日;
调节值计算单元,用于根据所述业务量记录计算一周的每一日对应的调节值,每个所述调节值用于表征业务量记录中对应日的业务量与特定平均业务量的比值;
预测单元,用于根据一周的每一日对应的所述参考值和所述调节值估算未来七天每一日的业务量;
其中,所述特定平均业务量为通过预定长度的时间窗口对业务量记录进行滑动平均获得的滑动平均业务量;
其中,所述调节值计算单元包括:
滑动平均子单元,用于以所述预定长度的时间窗口对所述业务量记录进行滑动平均获得多个滑动平均值;
调节比例计算子单元,用于对于每一个时间窗口,计算当前时间窗口对应的预测日的业务量和当前时间窗口对应的所述滑动平均值的比例作为当前时间窗口的标识日的调节比例;
调节值获取子单元,用于对于一周的每一日,对所有与该日对应的标识日的调节比例进行平均获得所述调节值,其中,对应的标识日为与被对应日在一周中相对位置相同的日。
10.根据权利要求9所述的业务量预测装置,其特征在于,所述参考值计算单元包括:
平均值计算子单元,用于根据所述业务量记录计算当前日之前A周时间内的业务量的平均值,并对于一周的每一日计算前B周内所有对应日的业务量的平均值,其中,A为大于等于1的整数,B为大于1的整数;
加权平均子单元,用于对于一周的每一日,对所述当前日之前A周时间内的业务量的平均值以及前B周内所有对应日的业务量的日平均值进行加权平均获得所述参考值。
11.根据权利要求10所述的业务量预测装置,其特征在于,所述加权平均子单元用于按照0.5的权重分别对所述当前日之前A周时间内的业务量的平均值以及前B周内所有对应日的业务量的日平均值进行加权平均获取所述参考值。
12.根据权利要求9所述的业务量预测装置,其特征在于,所述标识日为所述时间窗口的第一日,所述预测日为所述标识日的后一日。
13.根据权利要求9所述的业务量预测装置,其特征在于,所述业务量为特定账户的日订单数量或日订单总金额。
14.一种异常业务量检测设备,其特征在于,包括:
如权利要求9-13中任一项所述的业务量预测装置,用于连续N日预测当日后一周的每一日的业务量以获得N个预测业务量组;
检测业务量组获取装置,用于对于所述连续N日中的每一日,根据记录的实际业务量和对应的预测业务量组获取对应的检测业务量组,检测业务量组包括所述连续N日的每一日对应的检测业务量,所述检测业务量在记录有对应的实际业务量时为实际业务量,否则为对应的预测业务量;
判断装置,用于判断每个检测业务量组的方差和误差值是否均满足对应的异常条件;以及
提示装置,在存在预定数量的检测业务量组满足所有异常条件时,进行异常提示。
15.根据权利要求14所述的异常业务量检测设备,其特征在于,方差满足异常条件为:真实方差与被检测方差的比值大于第一阈值,且所述真实方差大于第二阈值,且所述被检测方差小于第三阈值;其中,所述真实方差为所述连续N日对应的N个实际业务量的方差,所述被检测方差为当前检测的检测业务量组的方差。
16.根据权利要求14所述的异常业务量检测设备,其特征在于,误差值满足异常条件为:
在当前检测的检测业务量组中,所有检测业务量和对应日的实际业务量的误差值之和的绝对值大于真实标准差;其中,所述真实标准差为所述连续N日对应的N个实际业务量的标准差。
17.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-8任一项所述的方法。
18.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710570154.8A CN107301570B (zh) | 2017-07-13 | 2017-07-13 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710570154.8A CN107301570B (zh) | 2017-07-13 | 2017-07-13 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301570A CN107301570A (zh) | 2017-10-27 |
CN107301570B true CN107301570B (zh) | 2021-01-26 |
Family
ID=60132937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710570154.8A Active CN107301570B (zh) | 2017-07-13 | 2017-07-13 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301570B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108255667B (zh) * | 2017-12-27 | 2021-07-06 | 创新先进技术有限公司 | 一种业务监测方法、装置以及电子设备 |
CN108681542A (zh) * | 2018-02-12 | 2018-10-19 | 阿里巴巴集团控股有限公司 | 一种异常检测的方法及装置 |
CN108537476B (zh) * | 2018-03-07 | 2022-03-29 | 顺丰科技有限公司 | 一种业务流向流量确定方法及装置、设备、存储介质 |
CN109582533A (zh) * | 2018-10-31 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、电子设备及存储介质 |
CN110766232B (zh) * | 2019-10-30 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 动态预测方法及其系统 |
CN112766529A (zh) * | 2019-11-05 | 2021-05-07 | 顺丰科技有限公司 | 物流日度件量预测优化方法、装置、设备、及存储介质 |
CN112596942A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市即构科技有限公司 | 服务故障度量方法、电子装置及存储介质 |
CN113469523B (zh) * | 2021-06-30 | 2022-12-30 | 上海浦东发展银行股份有限公司 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
CN113806073B (zh) * | 2021-08-11 | 2022-09-20 | 中标慧安信息技术股份有限公司 | 一种边缘计算平台算力分配调度方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101212819A (zh) * | 2006-12-27 | 2008-07-02 | 华为技术有限公司 | 一种基于流量预测的周期性自适应汇聚的方法及系统 |
CN101252485A (zh) * | 2008-04-11 | 2008-08-27 | 清华大学 | 业务流的自适应非线性抽样统计方法 |
CN103490956A (zh) * | 2013-09-22 | 2014-01-01 | 杭州华为数字技术有限公司 | 基于业务量预测的自适应节能控制方法及设备、系统 |
CN104219691A (zh) * | 2013-05-29 | 2014-12-17 | 华为技术有限公司 | 一种蜂窝网络业务量的预测方法及系统 |
CN103338461B (zh) * | 2013-06-18 | 2016-03-02 | 中国联合网络通信集团有限公司 | 基于业务量预测的网络规划方法及装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
-
2017
- 2017-07-13 CN CN201710570154.8A patent/CN107301570B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101212819A (zh) * | 2006-12-27 | 2008-07-02 | 华为技术有限公司 | 一种基于流量预测的周期性自适应汇聚的方法及系统 |
CN101252485A (zh) * | 2008-04-11 | 2008-08-27 | 清华大学 | 业务流的自适应非线性抽样统计方法 |
CN104219691A (zh) * | 2013-05-29 | 2014-12-17 | 华为技术有限公司 | 一种蜂窝网络业务量的预测方法及系统 |
CN103338461B (zh) * | 2013-06-18 | 2016-03-02 | 中国联合网络通信集团有限公司 | 基于业务量预测的网络规划方法及装置 |
CN103490956A (zh) * | 2013-09-22 | 2014-01-01 | 杭州华为数字技术有限公司 | 基于业务量预测的自适应节能控制方法及设备、系统 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107301570A (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301570B (zh) | 业务量预测方法、异常业务量检测方法、装置和电子设备 | |
US20150339265A1 (en) | Detecting anomalies in a time series | |
JP5100675B2 (ja) | 計測器ドリフト検知装置および計測器ドリフト検知方法 | |
CN111831704B (zh) | 异常数据的确定方法、装置、存储介质和电子设备 | |
JP6852015B2 (ja) | 空室率推計装置及び方法並びにコンピュータプログラム | |
CN109376919B (zh) | 一种煤矿综采工作面瓦斯涌出量的预测方法 | |
CN108154252A (zh) | 用于预估流程完成时间的方法和装置 | |
CN104636874A (zh) | 检测业务异常的方法及设备 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
KR101793625B1 (ko) | 기후변화를 고려한 비정상성 지역빈도해석에서의 확률강우량 산출방법 및 그 시스템 | |
JP2019028871A (ja) | プロジェクト管理支援装置、プロジェクト管理支援方法およびプログラム | |
JP2019105927A (ja) | 故障確率算出装置、故障確率算出方法及びプログラム | |
CN112395120A (zh) | 异常点检测方法、装置、设备及存储介质 | |
CN110795324B (zh) | 一种数据处理方法及装置 | |
CN109376929B (zh) | 配送参数的确定方法、确定装置、存储介质和电子设备 | |
US20090024429A1 (en) | Graphical risk-based performance measurement and benchmarking system and method | |
CN116822967A (zh) | 一种工程项目造价风险管理方法及管理系统 | |
JP2009186251A (ja) | 雨量値補間、累計雨量積算方法 | |
JP4498666B2 (ja) | 予測装置、予測プログラム、および記録媒体 | |
US10796036B2 (en) | Prediction of inhalable particles concentration | |
CN112926801B (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
JP2008305229A (ja) | 需要予測方法および装置 | |
CN106156470B (zh) | 一种时间序列异常检测标注方法及系统 | |
WO2020235520A1 (ja) | 情報処理装置、情報処理システム、および情報処理プログラム | |
CN112182864A (zh) | 一种基于氢原子钟漂移情况选择钟差预报的方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 100084 Room 202, 2 / F, 1-3 / F, No. 11, Shangdi Information Road, Haidian District, Beijing Applicant after: Beijing Xingxuan Technology Co.,Ltd. Address before: 100085 Haidian District, Beijing Haidian District, Beijing Applicant before: Beijing Xiaodu Information Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |