CN109002925A - 业务量预测方法和装置 - Google Patents
业务量预测方法和装置 Download PDFInfo
- Publication number
- CN109002925A CN109002925A CN201810833621.6A CN201810833621A CN109002925A CN 109002925 A CN109002925 A CN 109002925A CN 201810833621 A CN201810833621 A CN 201810833621A CN 109002925 A CN109002925 A CN 109002925A
- Authority
- CN
- China
- Prior art keywords
- period
- portfolio
- mean value
- prediction
- data
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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)
Abstract
本发明公开了一种业务量预测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：将需预测业务量的时间段划分为第一时段和第二时段；获取历史业务量数据，以第二时段为周期对历史业务量数据进行聚合计算，生成以第一时段和第二时段为维度的业务量汇总数据；根据业务量汇总数据，计算各个第二时段的业务量均值；对业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的业务量均值的均值和标准差；以及使用趋势预测参数、业务量均值的均值和标准差来对业务量进行预测。该发法能够使用更少量的样本数据来实现理想的预测效果，降低预测计算的复杂度和计算量，以及可以根据预测的样本特征来对预测方法进行专门性优化。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种业务量预测方法和装置。
背景技术
在各类系统中，通常需要进行业务量预测。业务量预测一方面可以对业务量的情况有一个预估判断，另一方面可以通过业务量的预测实现对硬件资源负载的预估判断。另外，业务量预测在某些情况下可以对资金头寸的预估有一定的帮助。
现有技术通常使用下述两种方法来进行业务量预测：
1)基于机器学习的方法；
2)采用时间序列的方法。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
(1)无论是机器学习的方法还是时间序列的方法，均需要海量的数据作为学习样本。学习样本不足，预测效果不佳；
(2)机器学习和时间序列均需要复杂的计算。这耗费较大的计算资源，计算周期长；
(3)每次预测要进行几乎全量的计算，耗时长，时效性低；
(4)机器学习和时间序列需要较长时间的样本。样本少了效果不佳，样本多了，历史太久远的数据与目前的趋势存在较大差异，对预测产生负作用；
(5)机器学习的方法是一般通用的方法，有时候不如有针对性的算法的效果理想。
发明内容
有鉴于此，本发明实施例提供一种业务量预测方法和装置，能够使用更少量的样本数据来实现理想的预测效果，降低预测计算的复杂度和计算量，以及可以根据预测的样本特征来对预测方法进行专门性优化。
根据本发明实施例的一个方面，提供了一种业务量预测方法。
根据本发明实施例的业务量预测方法，包括：
将需预测业务量的时间段划分为第一时段和第二时段，其中，第二时段是第一时段的子集；
获取历史业务量数据，以第二时段为周期对历史业务量数据进行聚合计算，生成以第一时段和第二时段为维度的业务量汇总数据；
根据业务量汇总数据，计算各个第二时段的业务量均值；
对业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的业务量均值的均值和标准差；以及
使用趋势预测参数、各个第二时段的业务量均值的均值和标准差来对业务量进行预测。
可选地，每个第一时段包括基本相同数量的第二时段。
可选地，第一时段为一日，第二时段为一小时。
可选地，在计算各个第二时段的业务量均值的同时，计算各个第二时段的业务量标准差。
可选地，将业务量在业务量标准差的两倍范围之外的业务量排除之后，再次计算各个第二时段的业务量均值。
可选地，趋势预测参数是均值为0、标准差为1的标准化参数。
可选地，第二时段为多个，并且对业务量进行预测包括：
在获得第二时段的实际发生业务量之后，计算相邻第二时段的业务量预测数据，其中，相邻第二时段是在时间上滞后于第二时段的、与第二时段相邻的时段。
可选地，根据下述公式来预测相邻第二时段的业务量预测数据：
其中，v′j+1为相邻第二时段的业务量预测数据；vj为第二时段的实际发生业务量；ki和ki+1分别为第二时段和相邻第二时段的趋势预测数据；A和S分别为第二时段的业务量均值的均值和标准差。
根据本发明实施例的再一个方面，提供了一种业务量预测装置。
根据本发明实施例的业务量预测装置，包括：
划分模块，将需预测业务量的时间段划分为第一时段和第二时段，其中，第二时段是第一时段的子集；
计算模块，获取历史业务量数据，以第二时段为周期对历史业务量数据进行聚合计算，生成以第一时段和第二时段为维度的业务量汇总数据；根据业务量汇总数据，计算各个第二时段的业务量均值；以及对业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的业务量均值的均值和标准差；
预测模块，使用趋势预测参数、各个第二时段的业务量均值的均值和标准差来对业务量进行预测。
可选地，每个第一时段包括基本相同数量的第二时段。
可选地，第一时段为一日，第二时段为一小时。
可选地，计算模块还用于：在计算各个第二时段的业务量均值的同时，计算各个第二时段的业务量标准差。
可选地，计算模块还用于：在将业务量在业务量标准差的两倍范围之外的业务量排除之后，再次计算各个第二时段的业务量均值。
可选地，趋势预测参数是均值为0、标准差为1的标准化参数。
可选地，第二时段为多个，并且预测模块还用于：
在获得第二时段的实际发生业务量之后，计算相邻第二时段的业务量预测数据，其中，相邻第二时段是在时间上滞后于第二时段的、与第二时段相邻的时段。
可选地，预测模块还用于：根据下述公式来预测相邻第二时段的业务量预测数据：
其中，v′j+1为相邻第二时段的业务量预测数据；vj为第二时段的实际发生业务量；ki和ki+1分别为第二时段和相邻第二时段的趋势预测数据；A和S分别为第二时段的业务量均值的均值和标准差。
根据本发明实施例的另一个方面，提供了一种业务量预测电子设备。
根据本发明实施例的业务量预测电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现本发明实施例第一方面提供的业务量预测方法。
根据本发明实施例的再一个方面，提供了一种计算机可读介质。
根据本发明实施例的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例第一方面提供的业务量预测方法。
上述发明中的一个实施例具有如下优点或有益效果：使用少量的样本数据，实现理想的预测效果；降低预测计算的复杂度；提前完成对历史样本数据的学习训练的复杂计算处理；预测时仅需要极少量的计算；预测方法可根据预测的样本特征进行专门性优化。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的业务量预测方法的主要流程的示意图；
图2是根据本发明实施例的业务量预测方法的详细流程的示意图；
图3是根据本发明实施例的业务量预测装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
根据本发明实施例的一个方面，提供了一种业务量预测方法。
图1是根据本发明实施例的业务量预测方法的主要流程的示意图。如图1所示，根据本发明实施例的滚动预测方法包括步骤S101、S102和S103。
步骤S101、时间段划分。
具体地，在该步骤S101中，将需预测业务量的时间划分为第一时段和第二时段，其中，第二时段是第一时段的子集。具体地，第一时段中的每一个均具有基本相同数量的第二时段。例如，可以将一日定义为第一时段，并将一小时定义为第二时段。
步骤S102、计算参数。
具体地，在该步骤S102中，首先，获取历史业务量数据，注意，与上文提到的现有技术相比，本发明所要求获取的历史业务量更小。之后，以第二时段为周期对历史业务量数据进行聚合计算，生成以第一时段和第二时段为维度的业务量汇总数据。在此之后，根据业务量汇总数据，计算第二时段的业务量均值；以及对业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的业务量均值的均值和标准差。
步骤S103、预测业务量。
具体地，在该步骤S103中，使用所述趋势预测参数、各个第二时段的所述业务量均值的均值和标准差来对业务量进行预测。
图2是根据本发明实施例的业务量预测方法的详细流程的示意图。如图2所示，业务量预测方法的详细流程包括：
步骤S201、将时间段划分为第一时段和第二时段——例如，划分为每日和每小时。虽然在此将时间划分为每日和每小时，但是请注意，只要第二时段是第一时段的子集并且每个第一时段周期内存在基本相同数量的第二时段，则可以任意选择第一时段和第二时段。在该步骤中，当将时间划分为每日和每小时时，仅需获取1-2个月的历史业务量数据。
步骤S202、获取历史上的业务量数据，对历史业务量数据按小时为周期进行聚合计算，计算出每小时的业务量。注意，此时生成的数据是以日和小时为维度的业务量汇总数据。
步骤S203、针对以日和小时为维度的业务量汇总数据，按小时时段进行分组，计算各小时的业务量均值和标准差：bi&σi，例如，(i＝0,1,2,…,23)。请注意，在此进行标准差计算时，默认视为正态分布的统计模型；如果是偏尾分布，则需要更换统计模型，例如β分布等，由此可以根据预测的样本特征进行专门性优化。
步骤S204、判断业务量偏离的数据——例如，判断在2σ范围之外的数据。虽然此处所提出的范围为2σ，但应留意，其他范围也可以选择而不受2σ的限制。如果判断存在业务量偏离的数据，则方法前进到S205，而如果判断业务量偏离的数据不存在，则方法直接前进到S206。
步骤S205、因为存在业务量偏移的数据，因此将该业务量偏移的数据排除之后，再次计算均值bi，例如，(i＝0,1,2,…,23)，如下表所示。
表1均值bi的计算
步骤S206、对上述各小时时段的业务量均值bi进行标准化，得到以0为均值、1为标准差的标准化参数ki，(i＝0,1,2,…,23)作为趋势预测参数，如下表所示。
表2标准化参数的计算
此外，对bi进行标准化过程中计算得到的均值A和标准差S作为基数参数：
A＝avg(bi)
S＝stdev.p(bi)
其中：(i＝0,1,2,…,23)
例如，通过表1所示的数据计算出的均值A和标准差S分别为：A＝2208.36和S＝998.10。之后，将趋势预测参数ki和基数参数A、S作为参数库参数。
在该步骤S206中、ki反映了历史上(根据历史业务量数据)的24小时时段的业务量趋势特征；基数参数A反映了小时时段的业务量规模水平，基数参数S反映了小时时段之间的业务量差异尺度。
在执行该步骤S206时，参数库参数数据可以在夜间批量跑批时生成，不占用预测时的计算量。而在生成新的参数库参数之前，可以使用旧的参数库参数进行预测。
步骤S207、滚动预测业务量数据。具体地，当小时时段j的实际发生业务量vj得出后，即可预测下一时段j+1的业务量预测数据v′j+1：
其中，v′j+1为所述相邻第二时段的业务量预测数据；vj为所述第二时段的实际发生业务量；ki和ki+1分别为所述第二时段和所述相邻第二时段的趋势预测数据；A和S分别为所述第二时段的所述业务量均值的均值和标准差。
根据上述方法，要获得时段j+1的业务量预测数据v′j+1，仅需要三类数据：时段j的实际发生业务量数据vj；时段j和j+1的趋势预测参数ki和ki+1；基数参数A和S。预测参数可以在预测前提前计算完成，因此在对业务量进行预测时无需对历史数据进行计算，而进依赖于先前计算的参数库参数(趋势预测参数ki和基数参数A、S)与实时发生的业务量。
在通过上述方法，以连续的某2天的业务量数据作为预测测试对业务量进行47小时预测之后，结果如下：
表3业务量预测结果
从上表中可以看出，除了第2日凌晨0点时段的预测偏差较大外，其他时段的预测偏差均在20％以内。
根据本发明实施例的再一个方面，提供了一种业务量预测装置。
图3是根据本发明实施例的业务量预测装置的主要模块的示意图。如图3所示，根据本发明实施例的业务量预测装置300，包括：
划分模块301，将需预测业务量的时间段划分为第一时段和第二时段，其中，第二时段是第一时段的子集；
计算模块302，获取历史业务量数据，以第二时段为周期对历史业务量数据进行聚合计算，生成以第一时段和第二时段为维度的业务量汇总数据；根据业务量汇总数据，计算各个第二时段的业务量均值；以及对业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的业务量均值的均值和标准差。
预测模块303，使用趋势预测参数、各个第二时段的业务量均值的均值和标准差来对业务量进行预测。
可选地，每个第一时段包括基本相同数量的第二时段。
可选地，第一时段为一日，第二时段为一小时。
可选地，计算模块还用于：在计算各个第二时段的业务量均值的同时，计算各个第二时段的业务量标准差。
可选地，计算模块还用于：在将业务量在业务量标准差的两倍范围之外的业务量排除之后，再次计算各个第二时段的业务量均值。
可选地，趋势预测参数是均值为0、标准差为1的标准化参数。
可选地，第二时段为多个，并且预测模块还用于：
在获得第二时段的实际发生业务量之后，计算相邻第二时段的业务量预测数据，其中，相邻第二时段是在时间上滞后于第二时段的、与第二时段相邻的时段。
可选地，预测模块还用于：根据下述公式来预测相邻第二时段的业务量预测数据：
其中，v′j+1为相邻第二时段的业务量预测数据；vj为第二时段的实际发生业务量；ki和ki+1分别为第二时段和相邻第二时段的趋势预测数据；A和S分别为第二时段的业务量均值的均值和标准差。
图4示出了可以应用本发明实施例的业务量预测方法或业务量预测装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的业务量预测方法一般由服务器405执行，相应地，业务量预测装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括：划分模块，将需预测业务量的时间段划分为第一时段和第二时段，其中，第二时段是第一时段的子集；计算模块，获取历史业务量数据，以第二时段为周期对历史业务量数据进行聚合计算，生成以第一时段和第二时段为维度的业务量汇总数据；根据业务量汇总数据，计算各个第二时段的业务量均值；以及对业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的业务量均值的均值和标准差；预测模块，使用趋势预测参数、各个第二时段的业务量均值的均值和标准差来对业务量进行预测。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，划分模块还可以被描述为“将需预测业务量的时间段划分为第一时段和第二时段的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：将需预测业务量的时间段划分为第一时段和第二时段，其中，第二时段是第一时段的子集；获取历史业务量数据，以第二时段为周期对历史业务量数据进行聚合计算，生成以第一时段和第二时段为维度的业务量汇总数据；根据业务量汇总数据，计算各个第二时段的业务量均值；对业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的业务量均值的均值和标准差；以及使用趋势预测参数、各个第二时段的业务量均值的均值和标准差来对业务量进行预测。
根据本发明实施例的技术方案，具有如下优点或有益效果：能够使用更少量的样本数据来实现理想的预测效果，降低预测计算的复杂度和计算量，以及可以根据预测的样本特征来对预测方法进行专门性优化。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (18)
1.一种业务量预测方法，其特征在于，包括：
将需预测业务量的时间段划分为第一时段和第二时段，其中，所述第二时段是所述第一时段的子集；
获取历史业务量数据，以所述第二时段为周期对所述历史业务量数据进行聚合计算，生成以所述第一时段和所述第二时段为维度的业务量汇总数据；
根据所述业务量汇总数据，计算各个第二时段的业务量均值；
对所述业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的所述业务量均值的均值和标准差；以及
使用所述趋势预测参数、各个第二时段的所述业务量均值的均值和标准差来对业务量进行预测。
2.如权利要求1所述的方法，其特征在于，每个所述第一时段包括基本相同数量的第二时段。
3.如权利要求2所述的方法，其特征在于，所述第一时段为一日，所述第二时段为一小时。
4.如权利要求1所述的方法，其特征在于，在计算各个第二时段的业务量均值的同时，计算各个第二时段的业务量标准差。
5.如权利要求4所述的方法，其特征在于，将业务量在所述业务量标准差的两倍范围之外的业务量排除之后，再次计算各个第二时段的业务量均值。
6.如权利要求1所述的方法，其特征在于，所述趋势预测参数是均值为0、标准差为1的标准化参数。
7.如权利要求1所述的方法，其特征在于，所述第二时段为多个，并且所述对业务量进行预测包括：
在获得第二时段的实际发生业务量之后，计算相邻第二时段的业务量预测数据，其中，所述相邻第二时段是在时间上滞后于所述第二时段的、与所述第二时段相邻的时段。
8.如权利要求7所述的方法，其特征在于，根据下述公式来预测所述相邻第二时段的业务量预测数据：
其中，v′j+1为所述相邻第二时段的业务量预测数据；vj为所述第二时段的实际发生业务量；ki和ki+1分别为所述第二时段和所述相邻第二时段的趋势预测数据；A和S分别为所述第二时段的所述业务量均值的均值和标准差。
9.一种业务量预测装置，其特征在于，包括：
划分模块，将需预测业务量的时间段划分为第一时段和第二时段，其中，所述第二时段是所述第一时段的子集；
计算模块，获取历史业务量数据，以所述第二时段为周期对所述历史业务量数据进行聚合计算，生成以所述第一时段和所述第二时段为维度的业务量汇总数据；根据所述业务量汇总数据，计算各个第二时段的业务量均值；以及对所述业务量均值进行标准化，生成趋势预测参数，同时计算各个第二时段的所述业务量均值的均值和标准差；
预测模块，使用所述趋势预测参数、各个第二时段的所述业务量均值的均值和标准差来对业务量进行预测。
10.如权利要求9所述的装置，其特征在于，每个所述第一时段包括基本相同数量的第二时段。
11.如权利要求10所述的装置，其特征在于，所述第一时段为一日，所述第二时段为一小时。
12.如权利要求9所述的装置，其特征在于，所述计算模块在计算各个第二时段的业务量均值的同时，计算各个第二时段的业务量标准差。
13.如权利要求12所述的装置，其特征在于，所述计算模块在将业务量在所述业务量标准差的两倍范围之外的业务量排除之后，再次计算各个第二时段的业务量均值。
14.如权利要求9所述的装置，其特征在于，所述趋势预测参数是均值为0、标准差为1的标准化参数。
15.如权利要求9所述的装置，其特征在于，所述第二时段为多个，并且所述预测模块：
在获得第二时段的实际发生业务量之后，计算相邻第二时段的业务量预测数据，其中，所述相邻第二时段是在时间上滞后于所述第二时段的、与所述第二时段相邻的时段。
16.如权利要求15所述的装置，其特征在于，所述预测模块根据下述公式来预测所述相邻第二时段的业务量预测数据：
其中，v′j+1为所述相邻第二时段的业务量预测数据；vj为所述第二时段的实际发生业务量；ki和ki+1分别为所述第二时段和所述相邻第二时段的趋势预测数据；A和S分别为所述第二时段的所述业务量均值的均值和标准差。
17.一种业务量预测电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810833621.6A CN109002925A (zh) | 2018-07-26 | 2018-07-26 | 业务量预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810833621.6A CN109002925A (zh) | 2018-07-26 | 2018-07-26 | 业务量预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109002925A true CN109002925A (zh) | 2018-12-14 |
Family
ID=64597270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810833621.6A Pending CN109002925A (zh) | 2018-07-26 | 2018-07-26 | 业务量预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109002925A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112492637A (zh) * | 2020-12-28 | 2021-03-12 | 中国联合网络通信集团有限公司 | 一种用于小区业务量预测的方法和装置 |
| CN112527622A (zh) * | 2019-09-19 | 2021-03-19 | 北京京东尚科信息技术有限公司 | 一种性能测试结果分析方法和装置 |
| CN112734147A (zh) * | 2019-10-28 | 2021-04-30 | 北京京东乾石科技有限公司 | 设备评估管理的方法和装置 |
| CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
| CN113538026A (zh) * | 2020-04-15 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
| CN113703974A (zh) * | 2021-08-27 | 2021-11-26 | 深圳前海微众银行股份有限公司 | 一种预测服务器容量的方法及装置 |
| CN113806047A (zh) * | 2021-09-16 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 数据运行优化处理方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978604A (zh) * | 2014-04-04 | 2015-10-14 | 中国移动通信集团福建有限公司 | 一种基于业务能力模型的模拟仿真方法和装置 |
| CN105205297A (zh) * | 2014-06-12 | 2015-12-30 | 腾讯科技（深圳）有限公司 | 一种时间序列预测方法及系统 |
| CN107818386A (zh) * | 2017-11-28 | 2018-03-20 | 国网湖南省电力有限公司 | 电网企业经营利润预测方法 |
-
2018
- 2018-07-26 CN CN201810833621.6A patent/CN109002925A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978604A (zh) * | 2014-04-04 | 2015-10-14 | 中国移动通信集团福建有限公司 | 一种基于业务能力模型的模拟仿真方法和装置 |
| CN105205297A (zh) * | 2014-06-12 | 2015-12-30 | 腾讯科技（深圳）有限公司 | 一种时间序列预测方法及系统 |
| CN107818386A (zh) * | 2017-11-28 | 2018-03-20 | 国网湖南省电力有限公司 | 电网企业经营利润预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张爱文: "第六章 时间序列预测法Market survey & Forecast 市场调查与预测", 《HTTPS://WENKU.BAIDU.COM/VIEW/58E8A006A8956BEC0975E353.HTML》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112527622A (zh) * | 2019-09-19 | 2021-03-19 | 北京京东尚科信息技术有限公司 | 一种性能测试结果分析方法和装置 |
| CN112734147A (zh) * | 2019-10-28 | 2021-04-30 | 北京京东乾石科技有限公司 | 设备评估管理的方法和装置 |
| CN113538026A (zh) * | 2020-04-15 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
| CN113538026B (zh) * | 2020-04-15 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
| CN112492637A (zh) * | 2020-12-28 | 2021-03-12 | 中国联合网络通信集团有限公司 | 一种用于小区业务量预测的方法和装置 |
| CN112492637B (zh) * | 2020-12-28 | 2023-06-27 | 中国联合网络通信集团有限公司 | 一种用于小区业务量预测的方法和装置 |
| CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
| CN113703974A (zh) * | 2021-08-27 | 2021-11-26 | 深圳前海微众银行股份有限公司 | 一种预测服务器容量的方法及装置 |
| CN113806047A (zh) * | 2021-09-16 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 数据运行优化处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002925A (zh) | 业务量预测方法和装置 | |
| CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
| CN113239317B (zh) | 确定订单履约仓库的方法和装置 | |
| CN107609890A (zh) | 一种订单跟踪的方法和装置 | |
| CN110209677A (zh) | 更新数据的方法和装置 | |
| CN110019087A (zh) | 数据处理方法及其系统 | |
| CN110019367A (zh) | 一种统计数据特征的方法和装置 | |
| CN109697537A (zh) | 数据审核的方法和装置 | |
| CN110427304A (zh) | 用于银行系统的运维方法、装置、电子设备以及介质 | |
| CN110263791A (zh) | 一种识别功能区的方法和装置 | |
| CN109961198A (zh) | 关联信息生成方法和装置 | |
| CN109961306A (zh) | 一种物品的库存分配方法和装置 | |
| CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
| JP7507884B2 (ja) | 倉庫保管データの処理方法、装置、電子機器、プログラム、及び記録媒体 | |
| CN113095893A (zh) | 确定物品销量的方法和装置 | |
| CN110309142A (zh) | 规则管理的方法和装置 | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
| CN110348725A (zh) | 基于区域社会环境信息的风险策略调整方法、装置和电子设备 | |
| CN110866625A (zh) | 促销指标信息生成方法和装置 | |
| CN109960212A (zh) | 任务发送方法和装置 | |
| CN110162448A (zh) | 日志采集的方法和装置 | |
| CN109902847A (zh) | 预测分库订单量的方法和装置 | |
| CN112418258A (zh) | 一种特征离散化方法和装置 | |
| CN110472190A (zh) | 填充有序序列的方法和装置 |
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 |
Application publication date: 20181214 |
|
| RJ01 | Rejection of invention patent application after publication |