CN108269189B - 指标数据监控方法、装置、存储介质和计算机设备 - Google Patents
指标数据监控方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN108269189B CN108269189B CN201710543698.5A CN201710543698A CN108269189B CN 108269189 B CN108269189 B CN 108269189B CN 201710543698 A CN201710543698 A CN 201710543698A CN 108269189 B CN108269189 B CN 108269189B
- Authority
- CN
- China
- Prior art keywords
- index data
- baseline
- time point
- data
- historical
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种指标数据监控方法、装置、存储介质和计算机设备。获取最新的预设周期内同一时间点的正常历史指标数据,根据正常历史指标数据计算对应时间点的指标数据的第一基线数据。获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据。根据第一基线数据和第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据。根据第三基线数据对当前交易日中产生的指标数据进行监控,当当前交易日中产生的指标数据不在第三基线数据的基线范围内时,则进行报警。根据第三基线数据来进行监控,能够更加及时准确的对实时指标数据的波动进行报警。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种指标数据监控方法、装置、存储介质和计算机设备。
背景技术
在现代社会,信息技术的发展为各行各业提供了新的活力和驱动力。特别是在金融领域,信息系统无处不在也无所不能,现已经成为了支撑业务发展的重要平台。随着信息系统规模不断扩大、数量不断增加,信息系统运维的工作量也越来越大。为了保障业务长期稳定运行和数据安全可靠,制定监控策略及相应的监控阈值是必不可少的。
目前常规的监控方式包括硬件指标监控及业务指标监控。例如通过监控操作系统的CPU、内存状态、设置相应的静态最大阈值、判断某个进程的数量是否小于1等方式来对系统进行监控。这些静态阈值是运维人员基于专业经验所设置的,通过这些静态阈值来对业务指标进行监控,具有简单、高效、易理解的特点。但指标在不同的条件下,可能出现不同的阈值范围,此时采取静态阈值的方式不能达到监控目的。
发明内容
基于此,有必要针对上述技术问题,提供一种指标数据监控方法、装置、存储介质和计算机设备。
一种指标数据监控方法,所述方法包括:
获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据;
获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;
根据所述第一基线数据和所述第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;
根据所述第三基线数据对当前交易日中产生的指标数据进行监控,当所述当前交易日中产生的指标数据不在所述第三基线数据的基线范围内时,则进行报警。
在其中一个实施例中,所述获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据,包括:
获取最新的预设周期内同一时间点及与所述时间点紧邻的时间点的正常历史指标数据,根据所述正常历史指标数据计算所述时间点的历史指标数据的期望和标准差,根据所述期望和标准差计算得到所述时间点的指标数据的第一基线数据。
在其中一个实施例中,所述第一基线数据包括第一基线上限和第一基线下限;
所述第一基线上限采用如下公式进行计算:upline1=E+3δ,所述第一基线下限采用如下公式进行计算:downline1=E-3δ,其中,upline1是所述第一基线上限,downline1是所述第一基线下限,E是所述期望,δ是所述标准差。
在其中一个实施例中,所述获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据,包括:
获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据所述样本数据进行模型拟合,得到预测模型;
获取最新的预设周期内同一时间点的指标数据实际值,通过所述预测模型计算未来同一时间点所对应的指标数据预测值,根据所述指标数据预测值和所述指标数据实际值分别计算残差均值、残差标准差及拟合度;
获取当前交易日中产生的实时交易请求量,通过所述实时交易请求量和所述预测模型预测得到与所述实时交易请求量对应的指标数据;
根据所述预测得到的指标数据、所述残差均值及所述残差标准差计算得到所述时间点的指标数据的第二基线数据。
在其中一个实施例中,所述第二基线数据包括第二基线上限和第二基线下限;
所述第二基线上限采用如下公式进行计算:upline2=I+A+3B,所述第二基线下限采用如下公式进行计算:downline2=I-A-3B,其中,upline2是所述第二基线上限,downline2是所述第二基线下限,I是所述指标数据预测值,A是所述残差均值,B是所述残差标准差。
在其中一个实施例中,所述第三基线数据包括第三基线上限和第三基线下线;
所述第三基线上限采用如下公式进行计算:
upline3=R-square×upline2+(1-Rsquare)×upline1,
所述第三基线下限采用如下公式进行计算:
downline3=R-square×downline2+(1-Rsquare)×downline1,
其中,upline1是所述第一基线上限,downline1是所述第一基线下限,upline2是所述第二基线上限,downline2是所述第二基线下限,R-square为所述拟合度。
在其中一个实施例中,所述获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据所述样本数据进行模型拟合,得到预测模型之后,还包括:
根据所述预测模型对所述预设周期内时间点所对应的指标数据进行预测,获得所述预设周期内时间点所对应的指标数据预测值;
计算所述预设周期内时间点所对应的指标数据预测值与所述预设周期内时间点对应的指标数据实际值的差值;
若差值超过预设阈值,则从所述样本数据中剔除所述差值对应的时间点的历史交易请求量和历史指标数据;
根据剔除了所述历史交易请求量和历史指标数据的样本数据重新进行模型拟合,得到修正后的预测模型。
在其中一个实施例中,所述方法还包括:
获取所述当前交易日的时间点及与所述当前交易日的时间点紧邻的同一时间点的历史指标数据的期望,计算两个期望之间的差值;
判断所述差值是否大于设定阈值;
若是,则进行报警。
在其中一个实施例中,所述方法还包括:
获取所述当前交易日的时间点的历史指标数据的期望,获取与所述当前交易日的时间点同一时间点的历史指标数据的期望的浮动范围;
判断所述当前交易日的时间点的历史指标数据的期望是否在所述浮动范围内;
若否,则进行报警。
一种指标数据监控装置,所述装置包括:
第一基线数据计算模块,用于获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据;
第二基线数据计算模块,用于获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;
第三基线数据计算模块,用于根据所述第一基线数据和所述第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;
报警模块,用于根据所述第三基线数据对当前交易日中产生的指标数据进行监控,当所述当前交易日中产生的指标数据不在所述第三基线数据的基线范围内时,则进行报警。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据;
获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;
根据所述第一基线数据和所述第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;
根据所述第三基线数据对当前交易日中产生的指标数据进行监控,当所述当前交易日中产生的指标数据不在所述第三基线数据的基线范围内时,则进行报警。
一种计算机设备,所述计算机设备包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据;
获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;
根据所述第一基线数据和所述第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;
根据所述第三基线数据对当前交易日中产生的指标数据进行监控,当所述当前交易日中产生的指标数据不在所述第三基线数据的基线范围内时,则进行报警。
上述指标数据监控方法、装置、存储介质和计算机设备,获取最新的预设周期内同一时间点的正常历史指标数据,历史指标数据是实时更新的,这样就能够动态对基线进行调整。通过正态分布计算出第一基线数据,再结合拟合出的预测模型计算出的第二基线数据,整合出最终的第三基线数据,第三基线数据会随着历史指标数据的更新而动态变化。根据第三基线数据来对实时指标数据进行监控,所以能够在指标数据突然有较大的变化时候,或者指标数据超某个方向缓慢变化时,能够更加及时准确的对实时指标数据的波动进行报警。
附图说明
图1A为一个实施例中证券交易中的指标数据与时间的坐标图;
图1B为一个实施例中计算机设备的内部结构图;
图2为一个实施例中指标数据监控方法的流程图;
图3为一个实施例中指标数据监控方法的流程图;
图4为一个实施例中指标数据监控方法的流程图;
图5为一个实施例中指标数据监控方法的流程图;
图6为一个实施例中指标数据监控方法的流程图;
图7为一个实施例中指标数据监控装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。以上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。
本发明实施例提供的指标数据监控方法可应用于证券交易中,用于对证券交易中产生的指标数据进行监控,当指标数据超过基线数据的范围,则继续报警,以采取相关措施进行及时处理,避免突发状况的发生。如图1A所示,为证券交易中的一个指标数据与时间的坐标图,当在某个时间点对应的指标数据超过基线数据的范围,则可进行报警。
如图1B所示,在一个实施例中,提供了一种计算机设备,该计算机设备可为服务器端或者终端,该计算机设备内部结构包括通过系统总线连接的处理器、非易失性存储介质、内存储器、网络接口,非易失性存储介质中存储有操作系统和一种指标数据监控装置,该指标数据监控装置用于执行一种指标数据监控方法。该处理器用于提高计算和控制能力,支撑整个服务器的运行。内存储器用于为非易失性存储介质中的指标数据监控装置的运行提供环境,该内存储器中可储存有计算机可读指令,该计算机可读指令被处理器执行时,可使得该处理器执行一种指标数据监控方法。网络接口用于与终端进行网络通信,接收或发送数据,例如接收终端发送的指标数据监控的请求,以及向终端发送指标数据监控等。
在一个实施例中,如图2所示,提供了一种指标数据监控方法,包括:
步骤210,获取最新的预设周期内同一时间点的正常历史指标数据,根据正常历史指标数据计算对应时间点的指标数据的第一基线数据。
最新的预设周期指的是与当前时间最接近的预设周期,具体的预设周期可以取三周的时间,例如现在是2017年7月的第四周的周一,那么最新的预设周期指的是与这个周一紧邻的前三周时间,即2017年7月的第一周、第二周、第三周。同一时间点例如是指同为一周内的周一9:00am。指标数据包括多种在交易中产生的数据,具体的,包括平均响应委托时间、登录响应时间等,以证券交易为例,其中平均响应委托时间指的是标指从用户下委托到券商服务器处理该委托的时间,登录响应时间指的是用户登录至业务平台的时间。平均响应委托时间在不同的时间段呈现不同的特征,比如在开市高峰期该值较高,在一般时间则相对较低。
获取最新的预设周期内同一时间点的历史指标数据,对这些历史指标数据可进行排除异常值。具体的排除方法为:例如对前三周同一交易日每分钟的指标数据进行考察。假设考察时刻为2017年7月第三周周一的t分钟,则取第三周的前两周周一的同时刻前后20个点(t时刻前十分钟,后9分钟)总计40个点组成集合G,求G的平均值与标准差δ,若t时刻的指标数据在G的3δ置信区间内,则认为2017年7月第三周周一的t分钟的指标数据为正常点,否则为异常值点。
以此类推,若考察时刻为2017年7月第二周周一的t分钟,则取第二周的前两周周一的同时刻前后20个点总计40个点组成集合G,求G的平均值与标准差δ,若t时刻的指标数据在G的3δ置信区间内,则认为2017年7月第二周周一的t分钟的指标数据为正常点,否则为异常值点。同理对2017年7月第一周周一的t分钟的指标数据进行排除异常值。直到将2017年7月的第一周、第二周、第三周中每一分钟异常的历史指标数据去除,剩下的均为正常的历史指标数据。根据这些正常历史指标数据计算对应时间点的指标数据的第一基线数据,例如计算周一的t分钟的指标数据的第一基线数据。第一基线数据包括第一基线上限和第一基线下限。
步骤220,获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据。
最新的预设周期指的是与当前时间最接近的预设周期,例如,具体的预设周期可以取两周的时间,例如现在是2017年7月的第四周的周一,那么最新的预设周期指的是与这个周一紧邻的前两周时间,即2017年7月的第二周和第三周。获取这两周的历史交易请求量和历史指标数据,使用线性回归模型拟合出指标数据与交易请求量的关系,得到预测模型。利用交易请求量,再根据预测模型计算一周内每一时间点的指标数据的第二基线数据。例如,指标数据可以是平均响应委托时间,计算得到交易请求量和平均响应委托时间的预测模型。其中,第二基线数据包括第二基线上限和第二基线下限。
步骤230,根据第一基线数据和第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据。
第三基线数据包括第三基线上限和第三基线下线。具体的,根据第一基线上限和第二基线上限来计算第三基线上限,根据第一基线下限和第二基线下限来计算第三基线下线。
步骤240,根据第三基线数据对当前交易日中产生的指标数据进行监控,当当前交易日中产生的指标数据不在第三基线数据的基线范围内时,则进行报警。
第三基线数据包括第三基线上限和第三基线下线,根据第三基线的范围对当前交易日中产生的指标数据进行监控,当当前交易日中产生的指标数据不在第三基线数据的基线范围内时,则进行报警。
本实施例中,获取最新的预设周期内同一时间点的正常历史指标数据,历史指标数据是实时更新的,这样就能够动态对基线进行调整。通过正态分布计算出第一基线数据,再结合交易请求量与指标数据基线拟合出的预测模型计算出的第二基线数据,整合出最终的第三基线数据,第三基线数据会随着历史指标数据的更新而动态变化。根据第三基线数据来对实时指标数据进行监控,所以能够在指标数据突然有较大的变化时候,或者指标数据超某个方向缓慢变化时,能够更加及时准确的对实时指标数据的波动进行报警。
在一个实施例中,获取最新的预设周期内同一时间点的正常历史指标数据,根据正常历史指标数据计算对应时间点的指标数据的第一基线数据,包括:获取最新的预设周期内同一时间点及与时间点紧邻的时间点的正常历史指标数据,根据正常历史指标数据计算时间点的历史指标数据的期望和标准差,根据期望和标准差计算得到时间点的指标数据的第一基线数据。
在对预设周期内每分钟的历史指标数据去除异常值后,获得预设周期内所有正常的历史指标数据。根据正常历史指标数据计算对应时间点的指标数据的第一基线数据,具体的,当前为2017年7月的第四周的周一,则选取预设周期为2017年7月的第一周、第二周、第三周。从这三周中分别选取周一t1分钟、及t1分钟紧邻的一前一后的t1-1分钟和t1+1分钟,并计算相应基线。共9个时间点所对应的历史指标数据组成集合G2,计算G2的期望E与标准差δ。例如选取连续三周的周一的8:59、9:00、9:01的历史指标数据。若这9个点所对应的历史指标数据为已经排除的异常值,则集合中直接少一个数据即可。根据期望和标准差计算得到该t1时间点的指标数据的第一基线数据。当然,也可以选取多个时间点来计算期望和标准差。以此类推,计算出一周内的每一个时间点所对应指标数据的第一基线数据。
在本实施例中,通过选择最新的预设周期内的指标数据基线计算期望和标准差,能够获得最新的期望和标准差情况,为获得较为准确的第一基线数据做了准备。
在一个实施例中,第一基线数据包括第一基线上限和第一基线下限。第一基线上限采用如下公式进行计算:upline1=E+3δ,第一基线下限采用如下公式进行计算:downline1=E-3δ,其中,upline1是第一基线上限,downline1是第一基线下限,E是期望,δ是标准差。
在本实施例中,根据期望和标准差计算得到一周内每一时间点的指标数据的第一基线数据。具体的,第一基线数据包括第一基线上限和第一基线下限。对一周内每一个时间点的期望和标准差,利用公式来分别计算该时间点所对应的第一基线上限和第一基线下限。从而得到一周内每一天的整个是时间段的基线的范围。
在一个实施例中,如图3所示,获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据,包括:
步骤221,获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据样本数据进行模型拟合,得到预测模型。
例如,每周一的9:00am。建立线性模型可以用最小二乘法,公式最简单的可以理解为y=ax+b。获取最新的预设周期内的历史交易请求量和历史指标数据作为样本数据,对交易请求量与不同的指标数据分别建立预测模型。
步骤222,获取最新的预设周期内同一时间点的指标数据实际值,通过预测模型计算未来同一时间点所对应的指标数据预测值,根据指标数据预测值和指标数据实际值分别计算残差均值、残差标准差及拟合度。
获取最新的预设周期内同一时间点的历史指标数据的实际值,利用该时间点的交易请求量通过预测模型计算出未来该时间点的指标数据预测值。根据预设周期内同一时间点的指标数据预测值和指标数据实际值分别计算残差均值、残差标准差及拟合度。其中残差是指指标数据预测值和指标数据实际值的差,残差均值是指该时间点的残差的平均值。例如,最新的预设周期为2017年7月的第二周和第三周,那么用预测模型计算周一的9:00am的残差均值,即只需要计算第二周周一9:00am的残差、第三周周一9:00am的残差,再计算两者的平均值即可得到周一的9:00am的残差均值。残差标准差为上述两个残差的标准差。拟合度R-square在统计学中用于度量因变量的变异中可由自变量解释部分所占的比例,以此来判断统计模型的解释力。
假设一数据集包括y1,...,yn共n个观察值,相对应的模型预测值分别为f1,...,fn。定义残差ei=yi-fi,平均观察值为
于是可以得到总平方和
回归平方和
残差平方和
由此,R-square可定义为
步骤223,获取当前交易日中产生的实时交易请求量,通过实时交易请求量和预测模型预测得到与实时交易请求量对应的指标数据。
将当前交易日中产生的实时交易请求量,通过预测模型预测得到与实时交易请求量对应的指标数据。
步骤224,根据预测得到的指标数据、残差均值及残差标准差计算得到时间点的指标数据的第二基线数据。
根据用当前交易日中产生的实时交易请求量预测到的指标数据,以及之前计算所得的残差均值及残差标准差来计算得到该时间点的指标数据的第二基线数据。
在本实施例中,通过将历史交易请求量和历史指标数据作为样本数据,来进行模型拟合,并用拟合出的预测模型计算未来同一时间点所对应的指标数据预测值。再用拟合模型对历史指标数据的进行预测,并将预测值与样本数据中的实际值进行比较,计算出残差均值、残差标准差。用未来同一时间点所对应的指标数据预测值,以及该时间点对应的残差均值、残差标准差计算出该时间点的第二基线数据。第二基线数据的计算用到了拟合模型,也考虑了历史数据与拟合模型之间的误差,所以这样通过第二基线数据对未来的时间点进行预警,准确性就更高。
在一个实施例中,第二基线数据包括第二基线上限和第二基线下限。第二基线上限采用如下公式进行计算:upline2=I+A+3B,第二基线下限采用如下公式进行计算:downline2=I-A-3B,其中,upline2是第二基线上限,downline2是第二基线下限,I是指标数据预测值,A是残差均值,B是残差标准差。
在本实施例中,通过大量的试验计算出上述计算公式,能够大大提高第二基线数据计算的准确性。
在一个实施例中,第三基线数据包括第三基线上限和第三基线下线。第三基线上限采用如下公式进行计算:
upline3=R-square×upline2+(1-Rsquare)×upline1,
第三基线下限采用如下公式进行计算:
downline3=R-square×downline2+(1-Rsquare)×downline1,
其中,upline1是第一基线上限,downline1是第一基线下限,upline2是第二基线上限,downline2是第二基线下限,R-square为拟合度。
在本实施例中,第三基线数据是由第二基线数据和第一基线数据,并结合拟合度计算所得。因为两种基线数据是根据不同的计算方法实现的,所以这样计算所得的第三基线数据就对第二基线数据和第一基线数据都进行了优化,并吸取了两种基线数据的优点。
在一个实施例中,如图4所示,获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据样本数据进行模型拟合,得到预测模型之后,还包括:
步骤225,根据预测模型对预设周期内时间点所对应的指标数据进行预测,获得预设周期内时间点所对应的指标数据预测值。
例如,用预测模型对2017年7月的第二周和第三周周一的9:00am所对应的指标数据(平均响应委托时间)进行预测,分别获得预测值。
步骤226,计算预设周期内时间点所对应的指标数据预测值与预设周期内时间点对应的指标数据实际值的差值。
分别计算第二周周一的9:00am的指标数据预测值与实际值的差值,第三周的周一的9:00am指标数据预测值与实际值的差值。
步骤227,若差值超过预设阈值,则从样本数据中剔除差值对应的时间点的历史交易请求量和历史指标数据。
预先设定了差值的阈值,判断上述计算所得到的差值是否超过阈值。若超过则剔除该时间点的样本数据即历史交易请求量和历史指标数据。例如,若第二周周一的9:00am的指标数据预测值与实际值的差值超过阈值,则剔除第二周周一的9:00am的样本数据。
步骤228,根据剔除了历史交易请求量和历史指标数据的样本数据重新进行模型拟合,得到修正后的预测模型。
将差值超过阈值的样本数据都进行剔除后,用剔除不符合的样本数据之后的样本数据重新进行模型拟合,得到修正后的预测模型。
在本实施例中,对拟合出来的模型用拟合只给你所用的样本数据进行反测,将通过模型计算出来的数据与实际数据进行比较,若差距超过设定阈值则对这些样本数据进行剔除,用剔除后的样本数据进行模型拟合,这样得到的模型就会更加准确,不会受到某些异常数据的干扰。
在一个实施例中,如图5所示,上述指标数据监控方法,该方法还包括:
步骤510,获取当前交易日的时间点及与当前交易日的时间点紧邻的同一时间点的历史指标数据的期望,计算两个期望之间的差值。
获取当前交易日的时间点的指标数据的期望,与上述计算期望的方法一致,具体为通过当前交易日前三周的同一时间点及紧邻的时间点的正常历史指标数据,来计算该时间点的指标数据的期望。与当前交易日的时间点紧邻的同一时间点,指的是上周的同一时间点。用同样的方法,即需要获取上周的前三周的数据来进行计算上周该同一时间点的期望。计算这两个期望的差值。此处的目的在于判断当前交易日的基线与上周同一天的基线相比,是否出现了明显的波动。
步骤520,判断差值是否大于设定阈值。
步骤530,若是,则进行报警。
预先设定阈值,例如可以认定10%的差值阀值,那么当这两个期望的差值大于设定阈值,那么就说明当前交易日的基线与上周同一天的基线相比出现了明显的波动,需要进行报警,从而采取必要的措施来应对这个波动。
在本实施例中,通过计算当前交易日的时间点的指标数据的期望、上周同一时间的指标数据的期望,通过比较来判断当前交易日的基线与上周同一天的基线相比,是否出现了明显的波动。这样能够及时感知本周与上周的交易等行情的变化。
在一个实施例中,如图6所示,上述指标数据监控方法,该方法还包括:
步骤610,获取当前交易日的时间点的历史指标数据的期望,获取与当前交易日的时间点同一时间点的历史指标数据的期望的浮动范围。
获取当前交易日的时间点的指标数据的期望,与上述计算期望的方法一致。在一定时间周期内获取与该时间点同一时间点的历史指标数据的期望和标准差,并获取这些期望浮动的最小范围。例如,去当前交易日为周一且为9:00am,计算了周一9:00am的指标数据的期望,再获取一个月周期内周一的9:00am的指标数据,分别计算这一个月中的4个周一9:00am的指标数据的期望和标准差,获取每一个周一的(E+δ)和(E-δ),并从4个(E+δ)中选取最小的作为浮动下限,从4个(E-δ)中选取最大的作为浮动上限。
步骤620,判断当前交易日的时间点的指标数据的期望是否在浮动范围内。
步骤630,若否,则进行报警。
在本实施例中,通过计算当前交易日的时间点的指标数据的期望,在与所计算的一定周期内的历史指标数据的期望浮动范围进行比较,这样能够及时发现本周的指标数据相对于这段周期发生的缓慢变化。
在一个实施例中,如图7所示,还提供了一种指标数据监控装置700,其特征在于,该装置包括:第一基线数据计算模块710、第二基线数据计算模块720、第三基线数据计算模块730及报警模块740。
第一基线数据计算模块710,用于获取最新的预设周期内同一时间点的正常历史指标数据,根据正常历史指标数据计算对应时间点的指标数据的第一基线数据。
第二基线数据计算模块720,用于获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据。
第三基线数据计算模块730,用于根据第一基线数据和第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据。
报警模块740,用于根据第三基线数据对当前交易日中产生的指标数据进行监控,当当前交易日中产生的指标数据不在第三基线数据的基线范围内时,则进行报警。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取最新的预设周期内同一时间点的正常历史指标数据,根据正常历史指标数据计算对应时间点的指标数据的第一基线数据;获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;根据第一基线数据和第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;根据第三基线数据对当前交易日中产生的指标数据进行监控,当当前交易日中产生的指标数据不在第三基线数据的基线范围内时,则进行报警。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:获取最新的预设周期内同一时间点及与时间点紧邻的时间点的正常历史指标数据,根据正常历史指标数据计算时间点的历史指标数据的期望和标准差,根据期望和标准差计算得到时间点的指标数据的第一基线数据。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:第一基线数据包括第一基线上限和第一基线下限;第一基线上限采用如下公式进行计算:upline1=E+3δ,第一基线下限采用如下公式进行计算:downline1=E-3δ,其中,upline1是第一基线上限,downline1是第一基线下限,E是期望,δ是标准差。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据样本数据进行模型拟合,得到预测模型;获取最新的预设周期内同一时间点的指标数据实际值,通过预测模型计算未来同一时间点所对应的指标数据预测值,根据指标数据预测值和指标数据实际值分别计算残差均值、残差标准差及拟合度;获取当前交易日中产生的实时交易请求量,通过实时交易请求量和预测模型预测得到与实时交易请求量对应的指标数据;根据预测得到的指标数据、残差均值及残差标准差计算得到时间点的指标数据的第二基线数据。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:第二基线数据包括第二基线上限和第二基线下限;第二基线上限采用如下公式进行计算:upline2=I+A+3B,第二基线下限采用如下公式进行计算:downline2=I-A-3B,其中,upline2是第二基线上限,downline2是第二基线下限,I是指标数据预测值,A是残差均值,B是残差标准差。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:第三基线数据包括第三基线上限和第三基线下线;第三基线上限采用如下公式进行计算:upline3=R-square×upline2+(1-Rsquare)×upline1,第三基线下限采用如下公式进行计算:downline3=R-square×downline2+(1-Rsquare)×downline1,其中,upline1是第一基线上限,downline1是第一基线下限,upline2是第二基线上限,downline2是第二基线下限,R-square为拟合度。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:根据预测模型对预设周期内时间点所对应的指标数据进行预测,获得预设周期内时间点所对应的指标数据预测值;计算预设周期内时间点所对应的指标数据预测值与预设周期内时间点对应的指标数据实际值的差值;若差值超过预设阈值,则从样本数据中剔除差值对应的时间点的历史交易请求量和历史指标数据;根据剔除了历史交易请求量和历史指标数据的样本数据重新进行模型拟合,得到修正后的预测模型。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:获取当前交易日的时间点及与当前交易日的时间点紧邻的同一时间点的历史指标数据的期望,计算两个期望之间的差值;判断差值是否大于设定阈值;若是,则进行报警。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:获取当前交易日的时间点的历史指标数据的期望,获取与当前交易日的时间点同一时间点的历史指标数据的期望的浮动范围;判断当前交易日的时间点的历史指标数据的期望是否在浮动范围内;若否,则进行报警。
在一个实施例中,上述程序被处理器执行时还实现以下步骤:
在一个实施例中,还提供了一种计算机设备,该计算机设备包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取最新的预设周期内同一时间点的正常历史指标数据,根据正常历史指标数据计算对应时间点的指标数据的第一基线数据;获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;根据第一基线数据和第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;根据第三基线数据对当前交易日中产生的指标数据进行监控,当当前交易日中产生的指标数据不在第三基线数据的基线范围内时,则进行报警。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:获取最新的预设周期内同一时间点及与时间点紧邻的时间点的正常历史指标数据,根据正常历史指标数据计算时间点的历史指标数据的期望和标准差,根据期望和标准差计算得到时间点的指标数据的第一基线数据。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:第一基线数据包括第一基线上限和第一基线下限;第一基线上限采用如下公式进行计算:upline1=E+3δ,第一基线下限采用如下公式进行计算:downline1=E-3δ,其中,upline1是第一基线上限,downline1是第一基线下限,E是期望,δ是标准差。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:获取最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据样本数据进行模型拟合,得到预测模型;获取最新的预设周期内同一时间点的指标数据实际值,通过预测模型计算未来同一时间点所对应的指标数据预测值,根据指标数据预测值和指标数据实际值分别计算残差均值、残差标准差及拟合度;获取当前交易日中产生的实时交易请求量,通过实时交易请求量和预测模型预测得到与实时交易请求量对应的指标数据;根据预测得到的指标数据、残差均值及残差标准差计算得到时间点的指标数据的第二基线数据。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:第二基线数据包括第二基线上限和第二基线下限;第二基线上限采用如下公式进行计算:upline2=I+A+3B,第二基线下限采用如下公式进行计算:downline2=I-A-3B,其中,upline2是第二基线上限,downline2是第二基线下限,I是指标数据预测值,A是残差均值,B是残差标准差。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:第三基线数据包括第三基线上限和第三基线下线;第三基线上限采用如下公式进行计算:upline3=R-square×upline2+(1-Rsquare)×upline1,第三基线下限采用如下公式进行计算:downline3=R-square×downline2+(1-Rsquare)×downline1,其中,upline1是第一基线上限,downline1是第一基线下限,upline2是第二基线上限,downline2是第二基线下限,R-square为拟合度。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:根据预测模型对预设周期内时间点所对应的指标数据进行预测,获得预设周期内时间点所对应的指标数据预测值;计算预设周期内时间点所对应的指标数据预测值与预设周期内时间点对应的指标数据实际值的差值;若差值超过预设阈值,则从样本数据中剔除差值对应的时间点的历史交易请求量和历史指标数据;根据剔除了历史交易请求量和历史指标数据的样本数据重新进行模型拟合,得到修正后的预测模型。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:获取当前交易日的时间点及与当前交易日的时间点紧邻的同一时间点的历史指标数据的期望,计算两个期望之间的差值;判断差值是否大于设定阈值;若是,则进行报警。
在一个实施例中,上述处理器执行计算机程序时还实现以下步骤:获取当前交易日的时间点的历史指标数据的期望,获取与当前交易日的时间点同一时间点的历史指标数据的期望的浮动范围;判断当前交易日的时间点的历史指标数据的期望是否在浮动范围内;若否,则进行报警。
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 (12)
1.一种应用于证券交易的指标数据监控方法,所述方法包括:
获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据;所述正常历史指标数据指的是将异常的历史指标数据去除,剩下的历史指标数据;所述最新的预设周期指的是与当前时间最接近的预设周期;
获取所述最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;
根据所述第一基线数据和所述第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;
根据所述第三基线数据对当前交易日中产生的指标数据进行监控,当所述当前交易日中产生的指标数据不在所述第三基线数据的基线范围内时,则进行报警。
2.根据权利要求1所述的方法,其特征在于,所述获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据,包括:
获取所述最新的预设周期内同一时间点及与所述时间点紧邻的时间点的正常历史指标数据,根据所述正常历史指标数据计算所述时间点的历史指标数据的期望和标准差,根据所述期望和标准差计算得到所述时间点的指标数据的第一基线数据;所述与所述时间点紧邻的时间点指的是所述时间点的上一周的时间点。
3.根据权利要求2所述的方法,其特征在于,所述第一基线数据包括第一基线上限和第一基线下限;
所述第一基线上限采用如下公式进行计算:upline1=E+3δ,所述第一基线下限采用如下公式进行计算:downline1=E-3δ,其中,upline1是所述第一基线上限,downline1是所述第一基线下限,E是所述期望,δ是所述标准差。
4.根据权利要求1所述的方法,其特征在于,所述获取所述最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据,包括:
获取所述最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据所述样本数据进行模型拟合,得到预测模型;
获取所述最新的预设周期内同一时间点的指标数据实际值,通过所述预测模型计算未来同一时间点所对应的指标数据预测值,根据所述指标数据预测值和所述指标数据实际值分别计算残差均值、残差标准差及拟合度;
获取当前交易日中产生的实时交易请求量,通过所述实时交易请求量和所述预测模型预测得到与所述实时交易请求量对应的指标数据;
根据所述预测得到的指标数据、所述残差均值及所述残差标准差计算得到所述时间点的指标数据的第二基线数据。
5.根据权利要求4所述的方法,其特征在于,所述第二基线数据包括第二基线上限和第二基线下限;
所述第二基线上限采用如下公式进行计算:upline2=I+A+3B,所述第二基线下限采用如下公式进行计算:downline2=I-A-3B,其中,upline2是所述第二基线上限,downline2是所述第二基线下限,I是所述指标数据预测值,A是所述残差均值,B是所述残差标准差。
6.根据权利要求3或5所述的方法,其特征在于,所述第三基线数据包括第三基线上限和第三基线下线;
所述第三基线上限采用如下公式进行计算:
upline 3=R-square×upline2+(1-(R-square))×upline1,
所述第三基线下限采用如下公式进行计算:
downline 3=R-square×downline2+(1-(R-square))×downline1,
其中,upline1是所述第一基线上限,downline1是所述第一基线下限,upline2是所述第二基线上限,downline2是所述第二基线下限,R-square为拟合度。
7.根据权利要求4所述的方法,其特征在于,所述获取所述最新的预设周期内同一时间点的历史交易请求量和历史指标数据作为样本数据,根据所述样本数据进行模型拟合,得到预测模型之后,还包括:
根据所述预测模型对所述预设周期内时间点所对应的指标数据进行预测,获得所述预设周期内时间点所对应的指标数据预测值;
计算所述预设周期内时间点所对应的指标数据预测值与所述预设周期内时间点对应的指标数据实际值的差值;
若差值超过预设阈值,则从所述样本数据中剔除所述差值对应的时间点的历史交易请求量和历史指标数据;
根据剔除了所述历史交易请求量和历史指标数据的样本数据重新进行模型拟合,得到修正后的预测模型。
8.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述当前交易日的时间点及与所述当前交易日的时间点紧邻的同一时间点的历史指标数据的期望,计算两个期望之间的差值;所述与所述当前交易日的时间点紧邻的同一时间点指的是所述当前交易日的上一周的同一时间点;
判断所述差值是否大于设定阈值;
若是,则进行报警。
9.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述当前交易日的时间点的历史指标数据的期望,获取与所述当前交易日的时间点同一时间点的历史指标数据的期望的浮动范围;
判断所述当前交易日的时间点的历史指标数据的期望是否在所述浮动范围内;
若否,则进行报警。
10.一种应用于证券交易的指标数据监控装置,其特征在于,所述装置包括:
第一基线数据计算模块,用于获取最新的预设周期内同一时间点的正常历史指标数据,根据所述正常历史指标数据计算对应时间点的指标数据的第一基线数据;所述正常历史指标数据指的是将异常的历史指标数据去除,剩下的历史指标数据;所述最新的预设周期指的是与当前时间最接近的预设周期;
第二基线数据计算模块,用于获取所述最新的预设周期内同一时间点的历史交易请求量和历史指标数据,根据所述历史交易请求量和历史指标数据计算对应时间点的指标数据的第二基线数据;
第三基线数据计算模块,用于根据所述第一基线数据和所述第二基线数据计算得到当前交易日对应同一时间点的指标数据的第三基线数据;
报警模块,用于根据所述第三基线数据对当前交易日中产生的指标数据进行监控,当所述当前交易日中产生的指标数据不在所述第三基线数据的基线范围内时,则进行报警。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至9中任一项所述的应用于证券交易的指标数据监控方法。
12.一种计算机设备,所述计算机设备包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述的应用于证券交易的指标数据监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543698.5A CN108269189B (zh) | 2017-07-05 | 2017-07-05 | 指标数据监控方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543698.5A CN108269189B (zh) | 2017-07-05 | 2017-07-05 | 指标数据监控方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108269189A CN108269189A (zh) | 2018-07-10 |
CN108269189B true CN108269189B (zh) | 2020-09-08 |
Family
ID=62771700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710543698.5A Expired - Fee Related CN108269189B (zh) | 2017-07-05 | 2017-07-05 | 指标数据监控方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108269189B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035021B (zh) | 2018-07-17 | 2020-06-09 | 阿里巴巴集团控股有限公司 | 一种交易指标的监控方法、装置及设备 |
CN108876624A (zh) * | 2018-07-28 | 2018-11-23 | 张昭远 | 一种评测外汇交易的方法及系统 |
CN110909306B (zh) * | 2018-09-17 | 2023-06-16 | 阿里巴巴集团控股有限公司 | 业务异常检测方法、装置、电子设备和存储设备 |
CN109885658B (zh) * | 2019-02-19 | 2021-10-26 | 安徽省泰岳祥升软件有限公司 | 指标数据提取方法、装置和计算机设备 |
CN110298690B (zh) * | 2019-05-31 | 2023-07-18 | 创新先进技术有限公司 | 对象类目的周期判断方法、装置、服务器及可读存储介质 |
CN110595535A (zh) * | 2019-08-19 | 2019-12-20 | 湖南强智科技发展有限公司 | 监测方法、装置和存储介质 |
CN111311086B (zh) * | 2020-02-11 | 2024-02-09 | 中国银联股份有限公司 | 一种容量监控方法、装置及计算机可读存储介质 |
CN115081969B (zh) * | 2022-08-23 | 2023-05-09 | 中国中金财富证券有限公司 | 异常数据确定方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007002829A2 (en) * | 2005-06-29 | 2007-01-04 | Itg Software Solutions, Inc. | System and method for generating real-time indicators in a trading list or portfolio |
CN105718715A (zh) * | 2015-12-23 | 2016-06-29 | 华为技术有限公司 | 异常检测方法和设备 |
CN106874280A (zh) * | 2015-12-10 | 2017-06-20 | 博雅网络游戏开发(深圳)有限公司 | 异常数据的报警方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI367452B (en) * | 2009-08-21 | 2012-07-01 | Shih Chin Lee | Method for detecting abnormal transactions of financial assets and information processing device performing the method |
-
2017
- 2017-07-05 CN CN201710543698.5A patent/CN108269189B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007002829A2 (en) * | 2005-06-29 | 2007-01-04 | Itg Software Solutions, Inc. | System and method for generating real-time indicators in a trading list or portfolio |
CN106874280A (zh) * | 2015-12-10 | 2017-06-20 | 博雅网络游戏开发(深圳)有限公司 | 异常数据的报警方法和装置 |
CN105718715A (zh) * | 2015-12-23 | 2016-06-29 | 华为技术有限公司 | 异常检测方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108269189A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108269189B (zh) | 指标数据监控方法、装置、存储介质和计算机设备 | |
US7243049B1 (en) | Method for modeling system performance | |
CN105718715B (zh) | 异常检测方法和设备 | |
Chen et al. | Condition-based maintenance using the inverse Gaussian degradation model | |
US10061677B2 (en) | Fast automated detection of seasonal patterns in time series data without prior knowledge of seasonal periodicity | |
CN109359894B (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
US8578023B2 (en) | Computer resource utilization modeling for multiple workloads | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN110471821B (zh) | 异常变更检测方法、服务器及计算机可读存储介质 | |
CN111314173A (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
CN104636874B (zh) | 检测业务异常的方法及设备 | |
AU2016201794B1 (en) | Analyzing equipment degradation for maintaining equipment | |
CN110633893A (zh) | 一种策略效能监控方法、装置以及计算机设备 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
US7617313B1 (en) | Metric transport and database load | |
CN116882804A (zh) | 一种智能电力监控方法及系统 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
US10021013B2 (en) | Optimizing the monitoring of an enterprise server environment | |
CN110673973A (zh) | 应用程序编程接口api的异常确定方法和装置 | |
CN113821933A (zh) | App流量预测方法、装置、计算机设备及存储介质 | |
CN110458713B (zh) | 模型监控方法、装置、计算机设备及存储介质 | |
Oliva et al. | Fuzzy importance measures for ranking key interdependent sectors under uncertainty |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200908 Termination date: 20210705 |
|
CF01 | Termination of patent right due to non-payment of annual fee |