CN108427854A - 一种数据分析方法及其相关设备 - Google Patents
一种数据分析方法及其相关设备 Download PDFInfo
- Publication number
- CN108427854A CN108427854A CN201810274630.6A CN201810274630A CN108427854A CN 108427854 A CN108427854 A CN 108427854A CN 201810274630 A CN201810274630 A CN 201810274630A CN 108427854 A CN108427854 A CN 108427854A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- predicted
- prediction model
- duration
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种数据分析方法及其相关设备,用于通过预测模型对第一时长内的待预测数据的突变情况进行分析预测。本申请实施例方法包括:获取第一时长内设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;根据所述预测结果判断所述待预测数据是否发生突变。
Description
技术领域
本申请涉及工业数据分析领域,尤其涉及一种数据分析方法及其相关设备。
背景技术
工业设备物联网的进行数据分析与处理的三大基础部分内容,分别是:工业设备数据采集适配器,用于工业设备数据采集、数据组织、数据发送到云平台;工业数据云平台,用于云平台数据接收、再组织、存储、快速检索以及进行数据分发和交换;工业物联网应用服务系统,数据的展现和相关信息的管理。他们都是围绕工业设备数据这个核心进行的一系列相关工作。INDASS系统可以进行一系列的基础计算服务,例如可以得到对于提供的数据运行指数分析计算、设备运行趋势分析计算、设备数据稳定性分析计算、设备运行风险预测分析。工业设备采集的数据发送至INDASS系统进行分析或计算,用户可以根据得到分析或计算结果找出数据变化的规律,从而分析出设备未来几分钟或一段时间运行的规律。
现有工业设备随机获取采样数据后,找到采样的变化规律,根据对采样数据变化规律的分析,可以预测未来数据的变化趋势,并形成预测模型,采样数据的数据量大小对数据变化趋势的预测至关重要,例如选择某一个设备的某一个小时的数据,可以分析这一设备未来五分钟的数据变化趋势,但是由于选取时间有限,数据量有限,很难得到关于这类设备的生命周期的分析结果,因为生命周期分析也许需要一万台设备的最近3年的数据;再比如,我们选择某一个设备最近15分钟的数据,就可以预测出未来3分钟,如果我们选择某一个设备最近30天的数据来预测出未来3分钟内设备数据的变化,显然数据量过大,造成了数据的浪费。
现有技术中随机获取采样数据后形成预测模型,该预测模型对待预测数据进行预测时,可能由于采样数据的数据量不足造成预测偏差。
发明内容
本申请实施例提供了一种数据分析方法及其相关设备,用于通过预测模型对第一时长内的待预测数据的突变情况进行分析预测。
本申请实施例的第一方面提供了一种数据分析方法,包括:
获取第一时长内设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
根据所述预测结果判断所述待预测数据是否发生突变。
基于第一方面,在第一方面的第一种实现方式中,所述将所述待预测数据送入所述预测模型得到预测结果之前,所述方法还包括:
获取所述第二时长内所述设备的所述样本数据集合,所述样本数据集合包括至少一个样本数据;
分析所述至少一个样本数据得到所述预测模型。
基于第一方面的第一种实现方式,在第一方面的第二种实现方式中,所述分析所述至少一个样本数据得到所述预测模型包括:
将所述至少一个样本数据中每个样本数据分别发送至第一公式,所述第一公式为V(x)=x3+ux,其中,所述x为样本数据,所述u用于指示所述样本数据的突变情况;
根据所述至少一个样本数据和所述至少一个样本数据中每个样本数据对应的所述u确定所述V(x)的取值情况;
根据所述V(x)的取值情况确定所述x与所述u之间的函数关系;
根据所述函数关系得到所述预测模型。
基于第一方面及其第一方面的第一种至第二种实现方式,在第一方面的第三种实现方式中,所述预测结果为所述待预测数据对应的u,所述根据所述预测结果判断所述待预测数据是否发生突变之后,所述方法还包括:
当所述u的取值范围为所述u大于0时,则确定所述待预测数据发生突变;
当所述u的取值范围为所述u小于0时,则确定所述待预测数据没有发生突变。
基于第一方面的第一种至第二种实现方式,在第一方面的第四种实现方式中,所述方法还包括:
确定所述至少一个样本数据中所述u的取值范围为所述u大于0对应的第一样本数据;
将所述第一样本数据送入所述预测模型得到所述第一样本数据对应的所述u。
基于第一方面的第一种至第二种实现方式,在第一方面的第五种实现方式中,所述根据所述预测结果判断所述待预测数据是否发生突变之后,所述方法还包括:
生成所述待预测数据与预测结果的第二训练记录;
根据所述第二训练记录刷新所述预测模型。
本申请实施例的第二方面提供了一种分析装置,包括:
获取单元,用于获取第一时长内设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
确定单元,用于将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
判断单元,用于根据所述预测结果判断所述待预测数据是否发生突变。
基于第二方面,在第二方面的第一种实现方式中,所述分析装置还包括分析单元;
所述获取单元,还用于获取所述第二时长内所述设备的所述样本数据集合,所述样本数据集合包括至少一个样本数据;
所述分析单元,用于分析所述至少一个样本数据得到所述预测模型。
基于第二方面的第一种实现方式,在第二方面的第二种实现方式中,所述分析单元包括:
发送模块,用于将所述至少一个样本数据中每个样本数据分别发送至第一公式,所述第一公式为V(x)=x3+ux,其中,所述x为样本数据,所述u用于指示所述样本数据的突变情况;
确定模块,用于根据所述至少一个样本数据和所述至少一个样本数据中每个样本数据对应的所述u确定所述V(x)的取值情况;
所述确定模块,还用于根据所述V(x)的取值情况确定所述x与所述u之间的函数关系;
所述确定模块,还用于根据所述函数关系得到所述预测模型。
基于第二方面及其第二方面的第一种至第二种实现方式,在第二方面的第三种实现方式中,所述确定单元,还用于当所述u的取值范围为所述u大于0时,确定所述待预测数据发生突变;
当所述u的取值范围为所述u小于0时,确定所述待预测数据没有发生突变。
基于第二方面的第一种至第二种实现方式,在第二方面的第四种实现方式中,所述确定单元,还用于确定所述至少一个样本数据中所述u的取值范围为所述u大于0对应的第一样本数据;
将所述第一样本数据送入所述预测模型得到所述第一样本数据对应的所述u。
基于第二方面的第一种至第二种实现方式,在第二方面的第五种实现方式中,所述分析装置还包括:
生成单元,用于生成所述待预测数据与预测结果的第二训练记录;
刷新单元,用于根据所述第二训练记录刷新所述预测模型。
本申请的第三方面提供了一种分析装置,其特征在于,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序和指令;
所述收发器用于在所述处理器的控制下接收或发送信息;
所述处理器用于执行所述存储器中的程序;
所述总线系统用于连接所述存储器、所述收发器以及所述处理器,以使所述存储器、所述收发器以及所述处理器进行通信;
其中,所述处理器用于调用所述存储器中的程序指令,执行如权利要求第一方面及其第一方面的第一种至第五种实现方式中任一种实现方式所述的方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本申请的第五方面提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本申请实施例具有以下优点:分析装置获取第一时长内的待预测数据,并对第一时长内的待预测数据的突变情况进行预测分析,其中,第一时长由第二时长确定,第二时长为样本数据对应的时长,即预测模型是由所述第二时长内的设备的样本数据集合训练得到的。在本实施例中,通过指示待预测数据与所述待预测数据的突变情况之间关联关系的预测模型来判断待预测数据是否发生了突变,并根据采样的样本的情况对可预测数据的条件进行了限定(即只能预测第一时长内的数据),避免了对设备运行情况造成误判。
附图说明
图1为本申请数据分析方法的一个实施例示意图;
图2为本申请数据分析方法的另一个实施例示意图;
图3(a)为本申请采样数据的示意图;
图3(b)为本申请第一公式的势函数的函数模型;
图4为本申请数据分析方法的另一个实施例示意图;
图5为本申请实施例分析装置的一个结构示意图;
图6(a)为本申请实施例分析装置的另一个结构示意图;
图6(b)为本申请实施例分析装置的另一个结构示意图;
图7为本申请实施例分析装置的另一个结构示意图;
图8为本申请实施例分析装置的另一个结构示意图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请实施例中,分析装置可以为服务器,也可以为终端,具体此处不作限定。
本申请实施例提供了一种数据分析方法及其相关设备,用于通过预测模型对第一时长内的待预测数据的突变情况进行分析预测。请参照图1,下面进行介绍。
101、获取第一时长内设备的待预测数据;
在本实施例中,第一时长是由第二时长确定的,第二时长为采样的样本数据对应的时长,即样本数据是采取的第二时长内设备的参数。
第一时长由第二时长确定,其具体关系为,例如采样的样本数据为第二时长(例如1小时)内的数据集合,则此样本数据训练得到的模型可预测第一时长(例如5min)内数据的变化情况。采样的样本数据量不同,可预测时长不同,因此第一时长与第二时长之间是具有对应关系的,具体为,不同的样本数据,得到不同的数据集合,而不同的数据集合,带入模型算法得到的参数值不同,因此分析装置所确定的算法公式有所差别,相应的预测模型也是不同的。
需要说明的是,待预测数据不是具体的一个数,而是设备的温度、容器压力、电机转速、工作频率、事件、故障和报警中的一个或多个参数的整合。第一时长内的待预测数据是指第一时长内每个时刻对应的待预测数据的集合,判断待预测数据是否发生突变也是判断第一时长内的待预测数据是否存在某一个或多个时刻的数据发生突变。
102、将待预测数据送入预测模型得到预测结果;
在本实施例中,通过大量样本数据的训练,可以得到样本数据与其突变情况之间的规律,形成预测模型,因此预测模型可以指示待预测数据与待预测数据的突变情况之间的关联关系;
需要说明的是,预测模型的形成是基于折叠突变建立的,分析装置将样本数据与折叠突变模型进行拟合,算出折叠突变模型中参数的值或者取值范围,进行变形得到预测模型,可以理解的是,在使用预测模型时,设备的待预测数据为自变量,待预测数据的突变情况为因变量。
下面将请参照图2,对预测模型的形成过程进行说明:
A:获取第二时长内设备的样本数据集合;
确定预测任务(例如预测未来1小时数据的变化情况或预测未来三天数据的变化情况),根据预测的任务确定需要采样的数据范围,分析装置确定采取第二时长内的数据(例如预测未来5分钟数据的变化情况,第二时长至少为1个小时),可以理解的是,第二时长内的样本数据为一个集合,该集合样本数据集合包括至少一个样本数据。
请参照图3(a),如图所示,第二时长有图中A、B、C、D和E情况,一般时长越长,采样数据越多,每个时刻采取一组采样数据,直至完成第二时长内的全部样本数据的采取,图中某一时刻的采样数据是指这一时刻(例如图中时刻2)电压和电流的值。
需要说明的是,一种可能的情况是将当前的瞬时数据作为样本数据,此时可以用来分析分析当前数据的合理理性、条件触发、计算运行指数等。
B:将至少一个样本数据中每个样本数据分别发送至第一公式;
将每个样本数据和每个样本数据的突变情况分别发送至第一公式,样本数据的突变情况可以用u的取值范围代替。
第一公式为V(x)=x3+ux,x为样本数据,其中,如图3(b)所示,第一公式的势函数为3x2+u,基于突变理论可知:
当u<0时,V(x)有两个临界点,而:
当u>0时,不能保持稳定,数据会发生突变。
当u=0时,两个临界点重合,变成一个拐点。
因此,u的取值范围可以用来指示数据是否产生了突变。
C:根据至少一个样本数据和至少一个样本数据中每个样本数据对应的u确定V(x)的取值情况;
本实施例模型训练过程中先将样本数据和已知的每个样本数据对应的u的取值范围送入第一公式进行训练,得到V(x)的取值范围,使V(x)成为一个固定的常量;
可以理解的是,样本量x不同,得到的V(x)的取值范围也是不同的,例如一天的样本数据求得的V(x)与一小时的样本数据求得到V(x)不同,因此不同的样本量,得到的模型算法不同,因此需要限定可预测的数据为多大时长范围内的数据,若待预测数据不在可预测时长范围内,预测结果会产生偏差。
D:根据V(x)的取值情况确定x与u之间的函数关系;
V(x)固定后,分析装置生成预测模型的算法,即u与x的函数关系:u=(V(x)-x3)/x。
E:根据函数关系得到预测模型。
103、根据预测结果判断待预测数据是否发生突变。
将待预测数据送入预测模型,参照算法模型的公式u=(V(x)-x3)/x得到u的取值范围,判断u的取值范围,当所述u的取值范围为u大于0时,待预测数据发生突变;
当u的取值范围为u小于0时,待预测数据没有发生突变。
在本实施例中,对预测模型的具体训练过程进行了说明,增加了方案的可实施性。同时,本申请实施例介绍了针对第二时长内的样本数据训练得到的预测模型,可预测的数据只能是第一时长内的数据,避免了数据预测偏差。
在本实施例中,一种可能的情况是,预测模型可以对未来数据是否发生突变进行预测,还可以判断已经发生突变的数据的合理性,预测模型确定后,可以将样本数据中u的取值范围大于0对应的第一样本数据(即样本数据集合中发生了突变的样本数据)作为待预测的数据重新带入预测模型,通过预测模型输出u值,判断第一样本数据的突变是否符合模型算法,若此时得到的u的取值范围小于0,则第一样本数据发生的突变是不合理的,分析装置可以根据已经发生的不合理突变,判断已经出现的问题。
在本实施例中,待预测数据及其预测结果可以生成第二训练记录,再用第二训练记录重新来刷新预测模型,使预测模型更加精确,请参照图4,下面将进行说明。
401、获取第二时长内设备的样本数据集合;
402、分析至少一个样本数据得到预测模型;
在本实施例中,实施例步骤401和402与步骤102中步骤A至步骤E类似,具体此处不再赘述。
403、获取第一时长内设备的待预测数据;
404、将待预测数据送入预测模型得到预测结果;
405、根据预测结果判断待预测数据是否发生突变;
在本实施例中,实施例步骤403至405与图1所示实施例步骤101至103类似,具体此处不再赘述。
406、生成待预测数据与预测结果的第二训练记录;
由于样本数据量不足或其他不可控因素等,训练得到的模型不一定是完全精确的,样本数据得到的实际u的结果有很大的概率会与预测模型理论上的u取值范围存在偏差,以抛硬币为例,多次抛硬币后算出正面朝上的概率为百分至40,但是后续在多次抛硬币的过程中发现,正面朝上的概率并不一定是百分至40,因此可以将后续的实验结果带入模型重新预测正面朝上的概率。例如本申请中预测模型理论上的得到的u的取值范围为小于0,但实际的预测结果为u大于0,因此分析装置需要记录待预测数据及此数据送入预测模型后生成的u的取值范围并生成第二训练记录,把此训练记录放入存储空间。
在本实施例中,分析装置的储存空间可以为磁盘空间,也可以为分析装置的内存空间,具体此处不作限定。
407、根据第二训练记录刷新预测模型。
当记录的第二训练记录达到一定数据后,将第二训练记录重新作为样本数据,同时将样本数据的实际突变情况推送至预测模型,调整预测模型的算法参数,即刷新和优化预测模型的过程,使预测模型更精确。
例如在训练模型的过程中,u取值范围小于0的样本数据量为50,u取值范围大于0的样本数据量分别为200,而预测模型可能需要更多的u取值范围小于0的样本数据量作为训练记录,后续在使用预测模型时,输入待预测数据得到预测结果,例如待预测数据的数据量为10000,其中u取值范围小于0的样本数据量的数据量为5000,待预测数据中u取值范围小于0的样本数据量较多,因此分析装置可以将待预测数据作为样本重新训练预测模型,结合预测的u的取值范围和实际u的取值范围调整预测模型参数生成新的预测模型。此时的样本数据除了待预测的10000个数据外还可以结合之前的250个样本数据一起进行模型训练。
在本实施例中,介绍了待预测数据反向作为样本数据刷新目标预测模型的过程,增加了方案实施的灵活性。
上面图1和图4从一种指标确定方法的角度对本申请实施例进行了叙述,请参照图5,下面将从分析装置的角度对本申请实施例进行说明。
一种分析装置,可以包括:
获取单元501,用于获取第一时长内设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
确定单元502,用于将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
判断单元503,用于根据所述预测结果判断所述待预测数据是否发生突变。
在本实施例中,通过指示待预测数据与待预测数据的突变情况之间关联关系的预测模型来判断待预测数据是否发生了突变,并根据采样的样本的情况对可预测数据的条件进行了限定(即只能预测第一时长内的数据),避免了对设备运行情况造成误判。
在本实施例中,关于预测模型的训练过程,请参照图6(a),下面将进行说明。
获取单元601,用于获取所述第二时长内设备的样本数据集合,所述样本数据集合包括至少一个样本数据;
分析单元602,用于分析所述至少一个样本数据得到所述预测模型。
获取单元601,还用于获取第一时长内所述设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
确定单元603,用于将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
判断单元604,用于根据所述预测结果判断所述待预测数据是否发生突变。
请参照图6(b)一种可能的情况是,其中,分析单元602包括:
发送模块6021,用于将所述至少一个样本数据中每个样本数据分别发送至第一公式,所述第一公式为V(x)=x3+ux,其中,所述x为样本数据,所述u用于指示所述样本数据的突变情况;
确定模块6022,用于根据所述至少一个样本数据和所述至少一个样本数据中每个样本数据对应的所述u确定所述V(x)的取值情况;
所述确定模块6022,还用于根据所述V(x)的取值情况确定所述x与所述u之间的函数关系;
所述确定模块6022,还用于根据所述函数关系得到所述预测模型。
在本实施例中,对预测模型的预测过程中进行了说明,增加了方案的完整性。
在本实施例中,待预测数据是否发生了突变可以根据u的取值范围来确定,请参照图5,在图5所示实施例中,一种可能的情况是:
所述确定单元502,还用于当所述u的取值范围为所述u大于0时,确定所述待预测数据发生突变;
当所述u的取值范围为所述u小于0时,确定所述待预测数据没有发生突变。
在本实施例中,对待预测数据是否发生突变与u的取值范围的关系进行了说明,增加了方案的可实施性。
在图5所示实施例中,所述确定单元,还用于确定所述至少一个样本数据中所述u的取值范围为所述u大于0对应的第一样本数据;
将所述第一样本数据送入所述预测模型得到所述第一样本数据对应的所述u。
在本实施例中,介绍了使用预测模型来预测已突变数据是否符合预测模型的算法,从而判断已突变数据是否为合理突变,增加了方案实施的灵活性。
在本实施例中,待预测数据也可以作为样本数据对预测模型进行再次训练,请参照图7,下面将进行说明。
获取单元701,用于获取所述第二时长内设备的样本数据集合,所述样本数据集合包括至少一个样本数据;
分析单元702,用于分析所述至少一个样本数据得到所述预测模型。
获取单元701,还用于获取第一时长内所述设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
确定单元703,用于将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
判断单元704,用于根据所述预测结果判断所述待预测数据是否发生突变。
生成单元705,用于生成所述待预测数据与预测结果的第二训练记录;
刷新单元706,用于根据所述第二训练记录刷新所述预测模型。
在本实施例中,介绍了模型的不断训练调整参数,不断完善的过程,使得预测模型更加精确。
图8是本发明实施例提供的一种分析装置结构示意图,该分析装置800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)822(例如,一个或一个以上处理器)和存储器832,一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对分析装置中的一系列指令操作。更进一步地,中央处理器822可以设置为与存储介质830通信,在分析装置800上执行存储介质830中的一系列指令操作。
该中央处理器822可以根据指令操作执行如下步骤:
获取第一时长内设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
根据所述预测结果判断所述待预测数据是否发生突变。
分析装置800还可以包括一个或一个以上电源826,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口858,和/或,一个或一个以上操作系统841,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由分析装置所执行的步骤可以基于该图8所示的分析装置结构。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,本地客户端,或者网络设备等)执行本申请图1或图4各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (13)
1.一种数据分析方法,其特征在于,包括:
获取第一时长内设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
根据所述预测结果判断所述待预测数据是否发生突变。
2.根据权利要求1所述的方法,其特征在于,所述将所述待预测数据送入所述预测模型得到预测结果之前,所述方法还包括:
获取所述第二时长内所述设备的所述样本数据集合,所述样本数据集合包括至少一个样本数据;
分析所述至少一个样本数据得到所述预测模型。
3.根据权利要求2所述的方法,其特征在于,所述分析所述至少一个样本数据得到所述预测模型包括:
将所述至少一个样本数据中每个样本数据分别发送至第一公式,所述第一公式为V(x)=x3+ux,其中,所述x为样本数据,所述u用于指示所述样本数据的突变情况;
根据所述至少一个样本数据和所述至少一个样本数据中每个样本数据对应的所述u确定所述V(x)的取值情况;
根据所述V(x)的取值情况确定所述x与所述u之间的函数关系;
根据所述函数关系得到所述预测模型。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述预测结果为所述待预测数据对应的u,所述根据所述预测结果判断所述待预测数据是否发生突变之后,所述方法还包括:
当所述u的取值范围为所述u大于0时,则确定所述待预测数据发生突变;
当所述u的取值范围为所述u小于0时,则确定所述待预测数据没有发生突变。
5.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
确定所述至少一个样本数据中所述u的取值范围为所述u大于0对应的第一样本数据;
将所述第一样本数据送入所述预测模型得到所述第一样本数据对应的所述u。
6.根据权利要求2或3所述的方法,其特征在于,所述根据所述预测结果判断所述待预测数据是否发生突变之后,所述方法还包括:
生成所述待预测数据与预测结果的第二训练记录;
根据所述第二训练记录刷新所述预测模型。
7.一种分析装置,其特征在于,包括:
获取单元,用于获取第一时长内设备的待预测数据,所述第一时长由第二时长确定,预测模型由所述第二时长内的所述设备的样本数据集合训练得到;
确定单元,用于将所述待预测数据送入所述预测模型得到预测结果,所述预测模型为指示待预测数据与所述待预测数据的突变情况之间关联关系的模型;
判断单元,用于根据所述预测结果判断所述待预测数据是否发生突变。
8.根据权利要求7所述的分析装置,其特征在于,所述分析装置还包括分析单元;
所述获取单元,还用于获取所述第二时长内所述设备的所述样本数据集合,所述样本数据集合包括至少一个样本数据;
所述分析单元,用于分析所述至少一个样本数据得到所述预测模型。
9.根据权利要求8所述的分析装置,其特征在于,所述分析单元包括:
发送模块,用于将所述至少一个样本数据中每个样本数据分别发送至第一公式,所述第一公式为V(x)=x3+ux,其中,所述x为样本数据,所述u用于指示所述样本数据的突变情况;
确定模块,用于根据所述至少一个样本数据和所述至少一个样本数据中每个样本数据对应的所述u确定所述V(x)的取值情况;
所述确定模块,还用于根据所述V(x)的取值情况确定所述x与所述u之间的函数关系;
所述确定模块,还用于根据所述函数关系得到所述预测模型。
10.根据权利要求7至9中任一项所述的分析装置,其特征在于,所述确定单元,还用于当所述u的取值范围为所述u大于0时,确定所述待预测数据发生突变;
当所述u的取值范围为所述u小于0时,确定所述待预测数据没有发生突变。
11.根据权利要求8或9所述的分析装置,其特征在于,所述确定单元,还用于确定所述至少一个样本数据中所述u的取值范围为所述u大于0对应的第一样本数据;
将所述第一样本数据送入所述预测模型得到所述第一样本数据对应的所述u。
12.根据权利要求8或9所述的分析装置,其特征在于,所述分析装置还包括:
生成单元,用于生成所述待预测数据与预测结果的第二训练记录;
刷新单元,用于根据所述第二训练记录刷新所述预测模型。
13.一种分析装置,其特征在于,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序和指令;
所述收发器用于在所述处理器的控制下接收或发送信息;
所述处理器用于执行所述存储器中的程序;
所述总线系统用于连接所述存储器、所述收发器以及所述处理器,以使所述存储器、所述收发器以及所述处理器进行通信;
其中,所述处理器用于调用所述存储器中的所述程序和指令,执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274630.6A CN108427854B (zh) | 2018-03-29 | 2018-03-29 | 一种数据分析方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274630.6A CN108427854B (zh) | 2018-03-29 | 2018-03-29 | 一种数据分析方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108427854A true CN108427854A (zh) | 2018-08-21 |
CN108427854B CN108427854B (zh) | 2022-06-07 |
Family
ID=63160113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810274630.6A Active CN108427854B (zh) | 2018-03-29 | 2018-03-29 | 一种数据分析方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427854B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685275A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 配送团队负载压力预测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110289466A1 (en) * | 2008-10-13 | 2011-11-24 | Taiwan Semiconductor Manufacturing Company, Ltd. | Table-Based DFM for Accurate Post-Layout Analysis |
CN107450524A (zh) * | 2017-08-30 | 2017-12-08 | 深圳市智物联网络有限公司 | 预测工业设备故障的方法、装置及计算机可读存储介质 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
-
2018
- 2018-03-29 CN CN201810274630.6A patent/CN108427854B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110289466A1 (en) * | 2008-10-13 | 2011-11-24 | Taiwan Semiconductor Manufacturing Company, Ltd. | Table-Based DFM for Accurate Post-Layout Analysis |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107450524A (zh) * | 2017-08-30 | 2017-12-08 | 深圳市智物联网络有限公司 | 预测工业设备故障的方法、装置及计算机可读存储介质 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685275A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 配送团队负载压力预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108427854B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377447B (zh) | 一种异常数据检测方法、装置及服务器 | |
Lin et al. | Battery state of health modeling and remaining useful life prediction through time series model | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
WO2019011015A1 (zh) | 一种进行业务调度的方法和装置 | |
CN113544707A (zh) | 用于连续检测、诊断和优化的深度因果学习 | |
CN110333991B (zh) | 云平台任务最大资源使用率预测方法 | |
CN109816177A (zh) | 一种负荷聚合商短期负荷预测方法、装置及设备 | |
Saldivar et al. | Identifying smart design attributes for Industry 4.0 customization using a clustering Genetic Algorithm | |
CN109410502A (zh) | 火灾预警方法及装置 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
Kumar et al. | Association learning based hybrid model for cloud workload prediction | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
Pu et al. | A novel cuckoo search particle filtering strategy for the remaining useful life prediction of the lithium‐ion batteries in hybrid electric vehicle | |
CN108427854A (zh) | 一种数据分析方法及其相关设备 | |
Simaiya et al. | A hybrid cloud load balancing and host utilization prediction method using deep learning and optimization techniques | |
Hidayat et al. | Performance Analysis and mitigation of virtual machine server by using naive bayes classification | |
CN114692859A (zh) | 数据处理方法及装置、计算设备及试验精简设备 | |
Pramesti et al. | Autoscaling Based on Response Time Prediction for Microservice Application in Kubernetes | |
Khodaverdian et al. | Combination of convolutional neural network and gated recurrent unit for energy aware resource allocation | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
AU2021218217A1 (en) | Systems and methods for preventative monitoring using AI learning of outcomes and responses from previous experience. | |
Unuvar et al. | A predictive method for identifying optimum cloud availability zones | |
CN108241533A (zh) | 一种基于预测和分层抽样的资源池未来负载生成方法 | |
CN113296951A (zh) | 一种资源配置方案确定方法及设备 |
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 |