CN110163417A - 一种业务量的预测方法、装置及设备 - Google Patents
一种业务量的预测方法、装置及设备 Download PDFInfo
- Publication number
- CN110163417A CN110163417A CN201910344605.5A CN201910344605A CN110163417A CN 110163417 A CN110163417 A CN 110163417A CN 201910344605 A CN201910344605 A CN 201910344605A CN 110163417 A CN110163417 A CN 110163417A
- Authority
- CN
- China
- Prior art keywords
- business datum
- service period
- period type
- type
- service
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 61
- 238000005259 measurement Methods 0.000 claims description 15
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 235000019580 granularity Nutrition 0.000 description 23
- 238000011161 development Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (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)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种业务量的预测方法、装置及设备，所述方法包括：获取待预测的目标业务的业务数据；确定所述业务数据对应的业务周期类型；根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种业务量的预测方法、装置及设备。
背景技术
通常，使用不同业务的用户的数量可以不同，而不同的时间点或时间段在同一业务下的用户访问数量也可能不同，而且，为了保证每项业务能够承载不同用户访问数量，可以为每项业务设置多个服务设备(如服务器等)，该多个服务设备中的每一个服务设备均可以为用户提供相应业务的相关服务，然而，在实际情况下，并不是每一项业务在任何时间均处于满负荷运行，在某些时间段某项业务的用户访问数量会较少，而在某些时间段该项业务的用户访问数量会较多，为了节省资源，需要对一项或多项业务的服务设备进行及时调度。
通常，技术人员会根据日常的使用经验，判断一项或多项业务在未来预定时刻或预定时间段内产生的业务量的发展趋势，然后，基于使用经验判断出的业务量发展趋势，提前设置该一项或多项业务的服务设备调度方案，如当到达预先设定的时刻或时间段，或者，服务设备当前的用户访问数量或数据处理压力达到预定阈值时，可以基于设置的调度方案对相应的服务设备进行调度。然而，上述基于经验对服务设备进行调度的处理过程中，需要人工参与，造成较多的人力资源消耗，而且，用户访问数量或数据处理压力需要进行实时检测，这样，进行服务设备的调度会存在时间的延迟，从而造成服务设备在短时间内处理压力激增。为此，需要提供一种资源消耗更少、时间延迟更短的服务设备调度方案。
发明内容
本说明书实施例的目的是提供一种资源消耗更少、时间延迟更短的服务设备调度方案。
为了实现上述技术方案，本说明书实施例是这样实现的：
本说明书实施例提供的一种业务量的预测方法，所述方法包括：
获取待预测的目标业务的业务数据；
确定所述业务数据对应的业务周期类型；
根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
可选地，所述方法还包括：
获取目标业务的历史数据；
确定所述历史数据对应的业务周期类型；
根据所述历史数据对应的业务周期类型，对所述历史数据进行特征提取，得到所述历史数据对应的业务周期类型下的目标特征；
基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型。
可选地，所述方法还包括：
根据所述目标业务的业务量预测结果，对提供所述目标业务的相关服务的服务设备进行调度。
可选地，所述获取待预测的目标业务的业务数据之后，所述方法还包括：
对所述业务数据进行数据清洗处理，所述数据清洗处理包括对所述业务数据进行缺失填充处理和对所述业务数据中包含的预定数据进行剔除处理。
可选地，所述业务周期类型包括以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型。
可选地，所述确定所述业务数据对应的业务周期类型，包括：
获取每一种业务周期类型的所述业务数据对应的差分值；
将所述差分值小于预定差分阈值的所述业务数据对应的业务周期类型，确定为所述业务数据对应的业务周期类型。
可选地，所述根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征，包括：
根据所述业务数据对应的业务周期类型，从以下一个或多个维度：时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征。
可选地，所述基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型，包括：
基于所述目标特征，通过线性回归算法构建针对所述历史数据对应的业务周期类型的业务预测模型。
本说明书实施例提供的一种业务量的预测装置，所述装置包括：
业务数据获取模块，用于获取待预测的目标业务的业务数据；
第一周期类型确定模块，用于确定所述业务数据对应的业务周期类型；
第一特征提取模块，用于根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
预测模块，用于将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
可选地，所述装置还包括：
历史数据获取模块，用于获取目标业务的历史数据；
第二周期类型确定模块，用于确定所述历史数据对应的业务周期类型；
第二特征提取模块，用于根据所述历史数据对应的业务周期类型，对所述历史数据进行特征提取，得到所述历史数据对应的业务周期类型下的目标特征；
模型构建模块，用于基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型。
可选地，所述装置还包括：
调度模块，用于根据所述目标业务的业务量预测结果，对提供所述目标业务的相关服务的服务设备进行调度。
可选地，所述第一周期类型确定模块，包括：
差分单元，用于获取每一种业务周期类型的所述业务数据对应的差分值；
周期类型确定单元，用于将所述差分值小于预定差分阈值的所述业务数据对应的业务周期类型，确定为所述业务数据对应的业务周期类型。
本说明书实施例提供的一种业务量的预测设备，所述业务量的预测设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取待预测的目标业务的业务数据；
确定所述业务数据对应的业务周期类型；
根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
由以上本说明书实施例提供的技术方案可见，本说明书实施例通过获取待预测的目标业务的业务数据，确定该业务数据对应的业务周期类型，根据该业务数据对应的业务周期类型，对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征，将第一特征输入到预先构建的上述业务周期类型对应的业务预测模型进行计算，得到目标业务的业务量预测结果，这样，根据业务数据的特征，以及结合可能影响目标业务的因素构建特征工程，并利用构建的不同业务周期类型对应的业务预测模型，预测目标业务的业务量，以此获得目标业务在未来某时刻或某时间段内的业务量的发展趋势，从而可以解放人力资源，此外，通过预测未来业务量的发展趋势，可以提前获知未来可能的业务量大小，以便后续可以提前进行相应的服务设备的调度，减少进行服务设备调度的时间延迟。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一种业务量的预测方法实施例；
图2为本说明书一种业务量的预测系统的结构示意图；
图3为本说明书另一种业务量的预测方法实施例；
图4为本说明书一种业务量的预测装置实施例；
图5为本说明书一种业务量的预测设备实施例。
具体实施方式
本说明书实施例提供一种业务量的预测方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
实施例一
如图1所示，本说明书实施例提供一种业务量的预测方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备，该服务器可以是一个独立的服务器，也可以是由多个服务器构成的服务器集群等，该服务器可以是用于业务量的预测，以及调整某一项或多项业务的服务设备的数量等。该方法可以用于某一项或多项业务的业务量进行预测，并基于预测的业务量以便后续调整相应的服务设备的数量等处理中。该方法具体可以包括以下步骤：
在步骤S102中，获取待预测的目标业务的业务数据。
其中，目标业务可以是任意业务，如支付业务、购物业务或保险业务等，目标业务可以包括一项业务，也可以包括多项不同的业务等。业务数据可以包括目标业务在预定的时间段内产生的数据，其中的预定时间段可以是与当前时刻相关的时刻或时间段，例如，预定时间段可以是距离当前时刻一定时长的起始时间到当前时刻的时间段，其中的一定时长可以是5分钟或3分钟等。此外，业务数据可以是某一时间粒度对应的数据，其中的时间粒度可以包括多种，例如秒级粒度、分钟级粒度或小时级粒度等，本实施例中的业务数据可以采用分钟级粒度，即每分钟对应一条数据，其中对应的数据可以是在一分钟内某业务产生的数据的平均值等，在实际应用中，还可以采用其它时间粒度的业务数据，本说明书实施例对于具体采用何种时间粒度的业务数据不做限定。
在实施中，为了给用户提供各种不同的服务，通常会设置多种不同的业务，并为不同的业务设置相应的业务入口(如超链接或URL链接等)，用户可以通过相应的业务入口进入相应的业务页面，用户可以基于业务页面中提供的内容执行相应的业务处理。使用不同业务的用户的数量可以不同，而不同的时间点或时间段在同一业务下的用户访问数量也可能不同，而且，为了保证每项业务能够承载不同用户访问数量，可以为每项业务设置多个服务设备(如服务器等)，该多个服务设备中的每一个服务设备均可以为用户提供相应业务的相关服务，然而，在实际情况下，并不是每一项业务在任何时间均处于满负荷运行，在某些时间段某项业务的用户访问数量会较少，而在某些时间段该项业务的用户访问数量会较多，例如，在每天的0:00-6:00的时间段内用户访问支付业务的数量相对较少，在每天的11:00-14:00、17:00-21:00等时间段内用户访问支付业务的数量相对较多等，为了节省资源，需要对一项或多项业务的服务设备进行及时调度，即期望可以根据业务的流量或用户访问数量等，提前为其分配相应的服务设备数量，在业务流量或用户访问数量较大时，期望分配较多的服务设备，使其可以快速流畅的处理业务数据，也使用户更加流畅的使用产品，在业务流量或用户访问数量较小时，期望可以减少其服务设备的数量，节省运行成本。
通常，技术人员会根据日常的使用经验，判断一项或多项业务在未来预定时刻或预定时间段内产生的业务量的发展趋势，然后，基于使用经验判断出的业务量发展趋势，提前设置该一项或多项业务的服务设备调度方案。如图2所示，当到达预先设定的时刻或时间段，或者，服务设备当前的用户访问数量或数据处理压力达到预定阈值时，可以基于设置的调度方案对相应的服务设备进行调度。然而，上述基于经验对服务设备进行调度的处理过程中，需要人工参与，因此，会消耗较多的人力资源，而且，用户访问数量或数据处理压力需要进行实时检测，这样，利用实时监控来进行机器的调度，会存在时间的延迟，从而造成服务设备在短时间内处理压力激增，引起服务设备宕机。为此，本说明书实施例提供一种对服务设备进行调度的技术方案，具体可以包括以下内容：
针对每一项业务，每当用户请求该业务的相关服务时，相应的服务设备可以记录用户的操作和相关数据等业务数据。当需要对某一项或多项业务的业务量进行预测时，可以获取该一项或多项业务(即待预测的目标业务)的业务数据。其中，在获取业务数据之前，可以预先设定需要获取的业务数据的粒度，例如可以获取分钟级粒度的业务数据，即每分钟对应一条业务数据，其中，该业务数据可以是一分钟内待预测的目标业务接入的平均值等。
在步骤S104中，确定上述业务数据对应的业务周期类型。
其中，业务周期类型可以是针对业务周期所对应的类型，例如，以一天为业务周期对应的类型、以月份为业务周期对应的类型等。
在实施中，通过上述步骤S102的处理得到待预测的目标业务的业务数据后，由于得到的业务数据是分钟级粒度的数据，因此，基于业务数据的的粒度还无法判定业务数据属于哪一种业务周期类型，为此，可以根据历史业务数据或部分历史业务数据中包含的业务规律设定相应的阈值，然后，可以分别计算业务数据属于每一种业务周期类型时，该业务数据对应的差分值，得到每一种业务周期类型对应的差分值后，可以将得到的差分值分别与上述设定的阈值进行比较，可以将差分值相对较小的业务周期类型作为上述业务数据对应的业务周期类型。例如，业务周期类型包括3种类型，分别为第一类型、第二类型和第三类型，如果第二类型和第三类型的业务数据对应的差分值均大于上述设定的阈值，则可以确定业务数据对应的业务周期类型为第一类型，或者，可以将第一类型、第二类型和第三类型的业务数据对应的差分值进行对比，可以将差分值最小的业务周期类型作为该业务数据对应的业务周期类型。
需要说明的是，上述业务数据中可以是一项业务的业务数据，也可以是多项业务的业务数据，相应的，业务数据对应的业务周期类型可以包括一种类型，也可以是包括多种类型。
在步骤S106中，根据上述业务数据对应的业务周期类型，对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征。
其中，第一特征可以是一类特征，也可以是多种类型的特征等。
在实施中，通过上述步骤S104的处理得到上述业务数据对应的业务周期类型后，可以基于相应的业务周期类型分别调整适配不同的特征工程，其中，可以根据实际情况，预先设定进行特征提取的维度，如时间维度和时序特性维度等，其中的时序特性可以为对历史业务数据的趋势进行季节性拆解后的结果。然后，可以基于预先设定的进行特征提取的维度，分别对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征。例如，预先设定进行特征提取的维度包括时间维度和时序特性维度，则可以基于时间维度对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征，同时，还可以基于时序特性维度对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征。
在步骤S108中，将第一特征输入到预先构建的上述业务周期类型对应的业务预测模型进行计算，得到目标业务的业务量预测结果。
其中，业务量预测结果可以是对目标业务的业务量进行预测的结果，其中业务量可以是预定时间段内用户请求某项或多项业务服务的数量等，该业务量可以表征相应服务设备的处理压力大小和当前的容量等。该业务预测模型可以是用于对某项业务或多项业务的业务量进行预测的模型，该业务预测模型可以基于指定的业务周期类型构建，不同的业务周期类型，可以构建不同的业务预测模型。该业务预测模型可以包括多种，例如可以根据不同的业务周期类型，将业务预测模型划分为不同的业务周期类型对应的业务预测模型等。该语言模型可以通过预先设定的算法构建，例如可以基于弹性网络Elastic Net构建等。
在实施中，针对某项业务或多项业务，可以通过上述内容，基于弹性网络ElasticNet构建上述业务周期类型对应的业务预测模型，具体地，可以通过多种不同的方式获取目标业务的历史业务数据，例如，通过购买或奖励等方式收集不同业务的历史业务数据，然后，可以确定该历史业务数据对应的业务周期类型，可以根据该历史业务数据对应的业务周期类型，对该历史业务数据进行特征提取，得到历史业务数据对应的业务周期类型下的目标特征，然后可以基于目标特征，通过弹性网络Elastic Net构建业务预测模型，并对业务预测模型进行训练，得到训练后的业务预测模型。
通过上述方式得到基于弹性网络Elastic Net构建的业务预测模型后，可以将上述步骤S106中得到的第一特征输入到训练后的业务预测模型中进行计算，得到目标业务的业务量预测结果。
本说明书实施例提供一种业务量的预测方法，通过获取待预测的目标业务的业务数据，确定该业务数据对应的业务周期类型，根据该业务数据对应的业务周期类型，对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征，将第一特征输入到预先构建的上述业务周期类型对应的业务预测模型进行计算，得到目标业务的业务量预测结果，这样，根据业务数据的特征，以及结合可能影响目标业务的因素构建特征工程，并利用构建的不同业务周期类型对应的业务预测模型，预测目标业务的业务量，以此获得目标业务在未来某时刻或某时间段内的业务量的发展趋势，从而可以解放人力资源，此外，通过预测未来业务量的发展趋势，可以提前获知未来可能的业务量大小，以便后续可以提前进行相应的服务设备的调度，减少进行服务设备调度的时间延迟。
实施例二
如图3所示，本说明书实施例提供一种业务量的预测方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备，该服务器可以是一个独立的服务器，也可以是由多个服务器构成的服务器集群等，该服务器可以是用于业务量的预测，以及调整某一项或多项业务的服务设备的数量等。该方法可以用于某一项或多项业务的业务量进行预测，并基于预测的业务量以便后续调整相应的服务设备的数量等处理中。该方法具体可以包括以下步骤：
在步骤S302中，获取目标业务的历史数据。
其中，历史数据可以包括目标业务在任意时间段内或任意时刻产生的数据，例如历史数据可以包括上一年中2月1日-3月1日的数据，还可以包括当前时刻之前一个月的数据等。
在实施中，针对目标业务(可以是某一项业务或多项业务等)，可以通过多种方式获取与目标业务中的每项业务相关的历史数据，并可以将其作为构建后续模型和训练该模型的样本数据，例如，可以通过购买或奖励等方式收集不同业务的历史数据，具体地，业务提供商可以根据业务需求开发相应的应用程序，如购物或支付业务的应用程序等，可以将该应用程序提供给指定的用户使用，用户在使用该应用程序的过程中会产生相应的业务数据，服务设备可以收集上述相关数据，并将其作为历史数据。当需要构建相关模型时，可以确定目标业务中包含的业务类型或确定目标业务中包含哪些业务，然后，可以从上述记录的历史数据中获取相应业务的历史数据，从而得到目标业务的历史数据。
需要说明的是，在获取历史数据之前，可以预先设定需要获取的历史数据的粒度，例如可以获取分钟级粒度的历史数据，即每分钟对应一条历史数据，其中，该历史数据可以是一分钟内待预测的目标业务接入的平均值等，在实际应用中，数据的粒度并不限定于分钟级粒度，还可以是其它粒度，如秒级粒度或小时级粒度等，本说明书实施例对此不做限定。本说明书实施例中，历史数据的粒度以分钟级粒度为例进行详细说明，对于其它粒度，可以参见分钟级粒度的相关内容，在此不再赘述。
在步骤S304中，对上述历史数据进行数据清洗处理，该数据清洗处理包括对该历史数据进行缺失填充处理和对该历史数据中包含的预定数据进行剔除处理。
其中，缺失填充处理可以是对业务数据中存在缺失或缺陷的数据进行补充的处理，例如，某业务数据中只包含一个参数的数值，而该参数的名称缺失，则可以基于该业务数据对应的业务，确定缺失的参数，然后，可以将确定的参数的名称进行补充，使得该参数的名称和数值相对应等。
在实施中，为了保证历史数据的完整性和低冗余，可以对上述获取的目标业务的历史数据进行数据清洗处理，具体地，可以检测目标业务中各项业务的历史数据的内容，如果发现某项或多项业务的历史数据中包括冗余的信息和与相应的业务无关的信息等，则可以将上述信息进行剔除处理，从而将上述冗余的信息和与相应的业务无关的信息等，从上述历史数据中剔除。此外，还可以对预定的特殊时间段的数据进行剔除处理，例如，可以将压力测试(或称为压测)对应的时间段的数据进行剔除处理等。另外，如果在检测各项业务的历史数据内容的过程中，发现某项或多项业务的历史数据中某些数据存在缺失或缺陷，则可以基于相应的业务对存在缺失或缺陷的数据进行缺失填充处理，以保证历史数据的完整性。
在步骤S306中，确定上述历史数据对应的业务周期类型。
其中，业务周期类型可以包括以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型，在实际应用中，业务周期类型并不限定于上述多种，还可以包括其它类型，例如以10天为业务周期的类型、以3天为业务周期的类型、以1小时为业务周期的类型、以12小时为业务周期的类型、以一个季度(包括三个月)为业务周期的类型、以多个季度(如两个季度或三个季度等)为业务周期的类型和以年为业务周期的类型等，本说明书实施例仅以上述以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型进行详细说明，对于其它类型，可以参见上述三种类型进行处理，在此不再赘述。
在实施中，通常，某一项业务会设置有业务周期，业务周期可以包括多种，本实施例中，业务周期可以包括以天为业务周期、以星期为业务周期和以月份为业务周期等。在实际应用中，可以通过多种方式获取某一项业务的业务周期，例如可以从相应的业务信息中获取对应业务的业务周期，或者，可以从某业务的技术人员或管理人员获取该业务的业务周期等。可以先对上述历史数据进行分析，确定历史数据中包括哪些业务的历史数据，然后，可以通过上述方式分别获取相应业务的业务周期，可以基于获取的各个业务的业务周期确定上述历史数据对应的业务周期类型。
上述步骤S306的处理可以多种多样，除了可以通过上述方式实现外，还可以通过多种方式实现，以下再提供一种可选的处理方式，具体可以包括以下步骤一和步骤二的处理。
步骤一，获取每一种业务周期类型的历史数据对应的差分值。
在实施中，在实际应用中，可能很难通过上述方式获取到相应业务的业务周期，为此，可以预先设定可能存在的周期类型，例如可以包括以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型等，然后，可以假设历史数据分别属于上述三种类型中的任一种类型，并可以对每一种类型的历史数据进行差分计算，得到每一种类型的历史数据对应的差分值。
例如，假设历史数据属于以天为业务周期的类型，则可以计算以天为业务周期的历史数据的差分值，然后，再假设历史数据属于以星期为业务周期的类型，则可以计算以星期为业务周期的历史数据的差分值，最后，再假设历史数据属于以月份为业务周期的类型，则可以计算以月份为业务周期的历史数据的差分值，这样，可以得到每一种业务周期类型的历史数据对应的差分值。
步骤二，将上述差分值小于预定差分阈值的历史数据对应的业务周期类型，确定为该历史数据对应的业务周期类型。
其中，差分阈值可以根据实际情况进行设定，也可以根据各项业务的业务规律等进行设定，本说明书实施例对此不做限定。
在实施中，可以将得到的每一种业务周期类型的历史数据对应的差分值与预定差分阈值进行比较，如果以星期为业务周期的历史数据的差分值，以及以月份为业务周期的历史数据的差分值均大于预定差分阈值，而以天为业务周期的历史数据的差分值小于预定差分阈值，则可以将以天为业务周期的历史数据的差分值对应的业务周期类型确定为该历史数据对应的业务周期类型，或者，如果以天为业务周期的历史数据的差分值，以及以月份为业务周期的历史数据的差分值均大于预定差分阈值，而以星期为业务周期的历史数据的差分值小于预定差分阈值，则可以将以星期为业务周期的历史数据的差分值对应的业务周期类型确定为该历史数据对应的业务周期类型等，也即是可以将差分值小于预定差分阈值的历史数据对应的业务周期类型，确定为该历史数据对应的业务周期类型。
需要说明的是，在实际应用中，差分值小于预定差分阈值的历史数据对应的业务周期类型可能包括多个，此时，可以从差分值小于预定差分阈值的历史数据对应的业务周期类型中任选一种业务周期类型作为该历史数据对应的业务周期类型，或者，也可以将差分值小于预定差分阈值的历史数据对应的业务周期类型中，差分值最小的历史数据对应的业务周期类型确定为该历史数据对应的业务周期类型等。此外，如果所有业务周期类型的历史数据对应的差分值均大于预定差分阈值，则可以将其中差分值最小的历史数据对应的业务周期类型确定为该历史数据对应的业务周期类型，或者，随机选择一种业务周期类型确定为该历史数据对应的业务周期类型。
在步骤S308中，根据上述历史数据对应的业务周期类型，对该历史数据进行特征提取，得到该历史数据对应的业务周期类型下的目标特征。
上述步骤S308的处理可以参见上述实施例一中步骤S106中的相关内容，在此不再赘述。
上述步骤S308的处理方式可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下内容：根据上述历史数据对应的业务周期类型，从以下一个或多个维度：时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度，对该历史数据进行特征提取，得到该历史数据对应的业务周期类型下的目标特征。
在实施中，通过上述步骤S306的处理得到历史数据对应的业务周期类型后，可以根据得到的不同业务周期类型，为待构建的业务预测模型分别调整适配不同的特征工程，本说明书实施例中，可以从时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度等五个维度提取特征工程。例如，对于不同业务周期类型的历史同时刻数据维度特征来说，针对以星期为业务周期的历史数据，可以加入7天前、14天前和21天前的历史数据对应的均值，并可以将上述均值作为一组特征，针对以月份为业务周期的历史数据，可以添加1个月前、2个月前和3个月前的历史数据对应的均值，并可以将上述均值作为一组特征，以此类推，还可以得到以天为业务周期的历史数据的历史同时刻数据维度特征等。历史临近时刻数据维度特征即为历史相邻时刻的特征，例如10:00的历史临近时刻包括9:59和9:55等，可以根据业务周期类型不同，结合前一业务周期的同时刻数据统计结果作为历史临近时刻数据维度特征。时序特性可以是对历史数据的趋势进行季节性拆解后的结果。常数特征可以为当前时刻的前一个最近的已知数据的时刻数值，例如，当前时刻是11：00，则常数特征可以为今天的10:59的数值等。对于根据上述历史数据对应的业务周期类型，从以下一个或多个维度：时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度，对该历史数据进行特征提取，得到该历史数据对应的业务周期类型下的目标特征的具体处理过程可以参见上述相关内容，以及上述实施例一中的相关内容，在此不再赘述。
在步骤S310中，基于目标特征，构建针对上述历史数据对应的业务周期类型的业务预测模型。
在实施中，可以通过多种不同的算法构建业务预测模型，其中，不同的业务周期类型，构建的业务预测模型可以不同，因此，可以根据上述历史数据对应的业务周期类型，分别构建相应的业务预测模型。例如，上述历史数据对应的业务周期类型包括以天为业务周期的类型和以星期为业务周期的类型，则可以构建以天为业务周期的类型对应的业务预测模型，同时，还可以构建以星期为业务周期的类型对应的业务预测模型等。
上述步骤S310的处理方式可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下内容基于目标特征，通过线性回归算法构建针对历史数据对应的业务周期类型的业务预测模型。
其中，线性回归算法可以是弹性网络Elastic Net对应的算法，其中的ElasticNet是一种使用L1、L2范数作为先验正则项训练的线性回归算法(或线性回归模型)。
通过上述处理过程得到不同业务周期类型的业务预测模型后，可以对目标业务的业务量进行实时预测，具体可以参见下述步骤S312～步骤S324的处理。
在步骤S312中，获取待预测的目标业务的业务数据。
在步骤S314中，对上述业务数据进行数据清洗处理，该数据清洗处理包括对该业务数据进行缺失填充处理和对该业务数据中包含的预定数据进行剔除处理。
在实施中，为了保证业务数据的完整性和低冗余，可以对上述获取的目标业务的业务数据进行数据清洗处理，具体地，可以检测目标业务中各项业务的业务数据的内容，如果发现某项或多项业务的业务数据中包括冗余的信息和与相应的业务无关的信息等，则可以将上述信息进行剔除处理，从而将上述冗余的信息和与相应的业务无关的信息等，从上述业务数据中剔除。此外，还可以对预定的特殊时间段的数据进行剔除处理，例如，可以将压力测试对应的时间段的数据进行剔除处理等。另外，如果在检测各项业务的业务数据内容的过程中，发现某项或多项业务的业务数据中某些数据存在缺失或缺陷，则可以基于相应的业务对存在缺失或缺陷的数据进行缺失填充处理，以保证业务数据的完整性。
在步骤S316中，获取每一种业务周期类型的业务数据对应的差分值。
其中，业务周期类型包括以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型。
在步骤S318中，将上述差分值小于预定差分阈值的业务数据对应的业务周期类型，确定为上述业务数据对应的业务周期类型。
需要说明的是，在实际应用中，差分值小于预定差分阈值的业务数据对应的业务周期类型可能包括多个，此时，可以从差分值小于预定差分阈值的业务数据对应的业务周期类型中任选一种业务周期类型作为该业务数据对应的业务周期类型，或者，也可以将差分值小于预定差分阈值的业务数据对应的业务周期类型中，差分值最小的业务数据对应的业务周期类型确定为该业务数据对应的业务周期类型等。此外，如果所有业务周期类型的业务数据对应的差分值均大于预定差分阈值，则可以将其中差分值最小的业务数据对应的业务周期类型确定为该业务数据对应的业务周期类型，或者，随机选择一种业务周期类型确定为该业务数据对应的业务周期类型。
在步骤S320中，根据上述业务数据对应的业务周期类型，从以下一个或多个维度：时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度，对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征。
上述步骤S320的处理可以参见上述步骤S308中的相关内容，在此不再赘述。
在步骤S322中，将第一特征输入到预先构建的上述业务周期类型对应的业务预测模型进行计算，得到目标业务的业务量预测结果。
在步骤S324中，根据目标业务的业务量预测结果，对提供目标业务的相关服务的服务设备进行调度。
在实施中，如图2所示，可以根据目标业务的业务量预测结果，判断未来某时刻或某时间段是否会有业务量突变的情况发生，如果判定未来某时刻或某时间段存在业务量突然增加的情况，则需要对相应业务进行提前调度，以增加相应的服务设备的数量。如果判定未来某时刻或某时间段存在业务量突然减少的情况，则为了节约成本，提高效率，可以相应减少服务设备的数量。
本说明书实施例提供一种业务量的预测方法，通过获取待预测的目标业务的业务数据，确定该业务数据对应的业务周期类型，根据该业务数据对应的业务周期类型，对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征，将第一特征输入到预先构建的上述业务周期类型对应的业务预测模型进行计算，得到目标业务的业务量预测结果，这样，根据业务数据的特征，以及结合可能影响目标业务的因素构建特征工程，并利用构建的不同业务周期类型对应的业务预测模型，预测目标业务的业务量，以此获得目标业务在未来某时刻或某时间段内的业务量的发展趋势，从而可以解放人力资源，此外，通过预测未来业务量的发展趋势，可以提前获知未来可能的业务量大小，以便后续可以提前进行相应的服务设备的调度，减少进行服务设备调度的时间延迟。
实施例三
以上为本说明书实施例提供的业务量的预测方法，基于同样的思路，本说明书实施例还提供一种业务量的预测装置，如图4所示。
该业务量的预测装置包括：业务数据获取模块401、第一周期类型确定模块402、第一特征提取模块403和预测模块404，其中：
业务数据获取模块401，用于获取待预测的目标业务的业务数据；
第一周期类型确定模块402，用于确定所述业务数据对应的业务周期类型；
第一特征提取模块403，用于根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
预测模块404，用于将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
本说明书实施例中，所述装置还包括：
历史数据获取模块，用于获取目标业务的历史数据；
第二周期类型确定模块，用于确定所述历史数据对应的业务周期类型；
第二特征提取模块，用于根据所述历史数据对应的业务周期类型，对所述历史数据进行特征提取，得到所述历史数据对应的业务周期类型下的目标特征；
模型构建模块，用于基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型。
本说明书实施例中，所述装置还包括：
调度模块，用于根据所述目标业务的业务量预测结果，对提供所述目标业务的相关服务的服务设备进行调度。
本说明书实施例中，所述装置还包括：
数据清洗模块，用于对所述业务数据进行数据清洗处理，所述数据清洗处理包括对所述业务数据进行缺失填充处理和对所述业务数据中包含的预定数据进行剔除处理。
本说明书实施例中，所述业务周期类型包括以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型。
本说明书实施例中，所述第一周期类型确定模块402，包括：
差分单元，用于获取每一种业务周期类型的所述业务数据对应的差分值；
周期类型确定单元，用于将所述差分值小于预定差分阈值的所述业务数据对应的业务周期类型，确定为所述业务数据对应的业务周期类型。
本说明书实施例中，所述第一特征提取模块403，用于根据所述业务数据对应的业务周期类型，从以下一个或多个维度：时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征。
本说明书实施例中，所述模型构建模块，用于基于所述目标特征，通过线性回归算法构建针对所述历史数据对应的业务周期类型的业务预测模型。
本说明书实施例提供一种业务量的预测装置，通过获取待预测的目标业务的业务数据，确定该业务数据对应的业务周期类型，根据该业务数据对应的业务周期类型，对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征，将第一特征输入到预先构建的上述业务周期类型对应的业务预测模型进行计算，得到目标业务的业务量预测结果，这样，根据业务数据的特征，以及结合可能影响目标业务的因素构建特征工程，并利用构建的不同业务周期类型对应的业务预测模型，预测目标业务的业务量，以此获得目标业务在未来某时刻或某时间段内的业务量的发展趋势，从而可以解放人力资源，此外，通过预测未来业务量的发展趋势，可以提前获知未来可能的业务量大小，以便后续可以提前进行相应的服务设备的调度，减少进行服务设备调度的时间延迟。
实施例四
以上为本说明书实施例提供的业务量的预测装置，基于同样的思路，本说明书实施例还提供一种业务量的预测设备，如图5所示。
所述业务量的预测设备可以为上述实施例提供的终端设备或服务器。
业务量的预测设备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的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对业务量的预测设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在业务量的预测设备上执行存储器502中的一系列计算机可执行指令。业务量的预测设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。
具体在本实施例中，业务量的预测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对业务量的预测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取待预测的目标业务的业务数据；
确定所述业务数据对应的业务周期类型；
根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
本说明书实施例中，还包括：
获取目标业务的历史数据；
确定所述历史数据对应的业务周期类型；
根据所述历史数据对应的业务周期类型，对所述历史数据进行特征提取，得到所述历史数据对应的业务周期类型下的目标特征；
基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型。
本说明书实施例中，还包括：
根据所述目标业务的业务量预测结果，对提供所述目标业务的相关服务的服务设备进行调度。
本说明书实施例中，所述获取待预测的目标业务的业务数据之后，还包括：
对所述业务数据进行数据清洗处理，所述数据清洗处理包括对所述业务数据进行缺失填充处理和对所述业务数据中包含的预定数据进行剔除处理。
本说明书实施例中，所述业务周期类型包括以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型。
本说明书实施例中，所述确定所述业务数据对应的业务周期类型，包括：
获取每一种业务周期类型的所述业务数据对应的差分值；
将所述差分值小于预定差分阈值的所述业务数据对应的业务周期类型，确定为所述业务数据对应的业务周期类型。
本说明书实施例中，所述根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征，包括：
根据所述业务数据对应的业务周期类型，从以下一个或多个维度：时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征。
本说明书实施例中，所述基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型，包括：
基于所述目标特征，通过线性回归算法构建针对所述历史数据对应的业务周期类型的业务预测模型。
本说明书实施例提供一种业务量的预测设备，通过获取待预测的目标业务的业务数据，确定该业务数据对应的业务周期类型，根据该业务数据对应的业务周期类型，对该业务数据进行特征提取，得到该业务数据对应的业务周期类型下的第一特征，将第一特征输入到预先构建的上述业务周期类型对应的业务预测模型进行计算，得到目标业务的业务量预测结果，这样，根据业务数据的特征，以及结合可能影响目标业务的因素构建特征工程，并利用构建的不同业务周期类型对应的业务预测模型，预测目标业务的业务量，以此获得目标业务在未来某时刻或某时间段内的业务量的发展趋势，从而可以解放人力资源，此外，通过预测未来业务量的发展趋势，可以提前获知未来可能的业务量大小，以便后续可以提前进行相应的服务设备的调度，减少进行服务设备调度的时间延迟。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程业务量的预测设备的处理器以产生一个机器，使得通过计算机或其他可编程业务量的预测设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程业务量的预测设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程业务量的预测设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (13)
1.一种业务量的预测方法，所述方法包括：
获取待预测的目标业务的业务数据；
确定所述业务数据对应的业务周期类型；
根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
2.根据权利要求1所述的方法，所述方法还包括：
获取目标业务的历史数据；
确定所述历史数据对应的业务周期类型；
根据所述历史数据对应的业务周期类型，对所述历史数据进行特征提取，得到所述历史数据对应的业务周期类型下的目标特征；
基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型。
3.根据权利要求1所述的方法，所述方法还包括：
根据所述目标业务的业务量预测结果，对提供所述目标业务的相关服务的服务设备进行调度。
4.根据权利要求1所述的方法，所述获取待预测的目标业务的业务数据之后，所述方法还包括：
对所述业务数据进行数据清洗处理，所述数据清洗处理包括对所述业务数据进行缺失填充处理和对所述业务数据中包含的预定数据进行剔除处理。
5.根据权利要求1所述的方法，所述业务周期类型包括以天为业务周期的类型、以星期为业务周期的类型和以月份为业务周期的类型。
6.根据权利要求1所述的方法，所述确定所述业务数据对应的业务周期类型，包括：
获取每一种业务周期类型的所述业务数据对应的差分值；
将所述差分值小于预定差分阈值的所述业务数据对应的业务周期类型，确定为所述业务数据对应的业务周期类型。
7.根据权利要求1所述的方法，所述根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征，包括：
根据所述业务数据对应的业务周期类型，从以下一个或多个维度：时间维度、历史同时刻数据维度、历史临近时刻数据维度、时序特性维度和常数特征维度，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征。
8.根据权利要求2所述的方法，所述基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型，包括：
基于所述目标特征，通过线性回归算法构建针对所述历史数据对应的业务周期类型的业务预测模型。
9.一种业务量的预测装置，所述装置包括：
业务数据获取模块，用于获取待预测的目标业务的业务数据；
第一周期类型确定模块，用于确定所述业务数据对应的业务周期类型；
第一特征提取模块，用于根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
预测模块，用于将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
10.根据权利要求9所述的装置，所述装置还包括：
历史数据获取模块，用于获取目标业务的历史数据；
第二周期类型确定模块，用于确定所述历史数据对应的业务周期类型；
第二特征提取模块，用于根据所述历史数据对应的业务周期类型，对所述历史数据进行特征提取，得到所述历史数据对应的业务周期类型下的目标特征；
模型构建模块，用于基于所述目标特征，构建针对所述历史数据对应的业务周期类型的业务预测模型。
11.根据权利要求9所述的装置，所述装置还包括：
调度模块，用于根据所述目标业务的业务量预测结果，对提供所述目标业务的相关服务的服务设备进行调度。
12.根据权利要求9所述的装置，所述第一周期类型确定模块，包括：
差分单元，用于获取每一种业务周期类型的所述业务数据对应的差分值；
周期类型确定单元，用于将所述差分值小于预定差分阈值的所述业务数据对应的业务周期类型，确定为所述业务数据对应的业务周期类型。
13.一种业务量的预测设备，所述业务量的预测设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取待预测的目标业务的业务数据；
确定所述业务数据对应的业务周期类型；
根据所述业务数据对应的业务周期类型，对所述业务数据进行特征提取，得到所述业务数据对应的业务周期类型下的第一特征；
将所述第一特征输入到预先构建的所述业务周期类型对应的业务预测模型进行计算，得到所述目标业务的业务量预测结果。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311028283.6A CN117010571A (zh) | 2019-04-26 | 2019-04-26 | 一种业务量的预测方法、装置及设备 |
| CN201910344605.5A CN110163417B (zh) | 2019-04-26 | 2019-04-26 | 一种业务量的预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910344605.5A CN110163417B (zh) | 2019-04-26 | 2019-04-26 | 一种业务量的预测方法、装置及设备 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311028283.6A Division CN117010571A (zh) | 2019-04-26 | 2019-04-26 | 一种业务量的预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163417A true CN110163417A (zh) | 2019-08-23 |
| CN110163417B CN110163417B (zh) | 2023-09-01 |
Family
ID=67640105
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311028283.6A Pending CN117010571A (zh) | 2019-04-26 | 2019-04-26 | 一种业务量的预测方法、装置及设备 |
| CN201910344605.5A Active CN110163417B (zh) | 2019-04-26 | 2019-04-26 | 一种业务量的预测方法、装置及设备 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311028283.6A Pending CN117010571A (zh) | 2019-04-26 | 2019-04-26 | 一种业务量的预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN117010571A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826799A (zh) * | 2019-11-05 | 2020-02-21 | 广州虎牙科技有限公司 | 业务预测方法、装置、服务器及可读存储介质 |
| CN111199018A (zh) * | 2019-12-27 | 2020-05-26 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
| CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
| CN112418509A (zh) * | 2020-11-18 | 2021-02-26 | 青岛海尔科技有限公司 | 任务数据预测方法、装置、存储介质及电子装置 |
| CN112685173A (zh) * | 2020-12-22 | 2021-04-20 | 中通天鸿（北京）通信科技股份有限公司 | 一种基于富媒体的智能路由分配系统 |
| CN113516292A (zh) * | 2021-05-24 | 2021-10-19 | 中国工商银行股份有限公司 | 业务量的预测方法、装置、电子设备以及可读存储介质 |
| 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 |
| CN113703923A (zh) * | 2021-08-31 | 2021-11-26 | 深信服科技股份有限公司 | 一种业务问题的识别方法、装置、设备和介质 |
| CN114900443A (zh) * | 2022-06-17 | 2022-08-12 | 中国工商银行股份有限公司 | 一种建立呼入线路业务量预测模型的方法及装置 |
| CN115984002A (zh) * | 2023-02-22 | 2023-04-18 | 上海信宝博通电子商务有限公司 | 用于车辆交易管理的数据处理方法和装置 |
| CN113703923B (zh) * | 2021-08-31 | 2024-05-28 | 深信服科技股份有限公司 | 一种业务问题的识别方法、装置、设备和介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005275486A (ja) * | 2004-03-23 | 2005-10-06 | Osaka Gas Co Ltd | 営業支援システム |
| AU2010100492A4 (en) * | 2010-05-20 | 2010-06-17 | Bradley Horsburgh | A method and system for financial forecasting |
| CN103036974A (zh) * | 2012-12-13 | 2013-04-10 | 广东省电信规划设计院有限公司 | 基于隐马尔可夫模型的云计算资源调度方法和系统 |
| CN103678514A (zh) * | 2013-11-26 | 2014-03-26 | 安徽科大讯飞信息科技股份有限公司 | 一种业务趋势预测方法及系统 |
| CN104636874A (zh) * | 2015-02-12 | 2015-05-20 | 北京嘀嘀无限科技发展有限公司 | 检测业务异常的方法及设备 |
| CN106713677A (zh) * | 2016-05-24 | 2017-05-24 | 国家电网公司客户服务中心 | 一种电力客户服务中心呼入话务量的预测方法 |
| CN107092973A (zh) * | 2016-11-25 | 2017-08-25 | 口碑控股有限公司 | 一种业务量的预测方法及装置 |
| CN108460490A (zh) * | 2018-03-16 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种业务发生量的预测方法、装置及设备 |
| US20180374109A1 (en) * | 2017-06-26 | 2018-12-27 | Kronos Technology Systems Limited Partnership | Using machine learning to predict retail business volume |
| WO2019024884A1 (zh) * | 2017-08-04 | 2019-02-07 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及设备 |
| WO2019029456A1 (zh) * | 2017-08-07 | 2019-02-14 | 阿里巴巴集团控股有限公司 | 一种信息显示方法及装置 |
| CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
| CN109672795A (zh) * | 2018-11-14 | 2019-04-23 | 平安科技（深圳）有限公司 | 呼叫中心资源管理方法及装置、电子设备、存储介质 |
-
2019
- 2019-04-26 CN CN202311028283.6A patent/CN117010571A/zh active Pending
- 2019-04-26 CN CN201910344605.5A patent/CN110163417B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005275486A (ja) * | 2004-03-23 | 2005-10-06 | Osaka Gas Co Ltd | 営業支援システム |
| AU2010100492A4 (en) * | 2010-05-20 | 2010-06-17 | Bradley Horsburgh | A method and system for financial forecasting |
| CN103036974A (zh) * | 2012-12-13 | 2013-04-10 | 广东省电信规划设计院有限公司 | 基于隐马尔可夫模型的云计算资源调度方法和系统 |
| CN103678514A (zh) * | 2013-11-26 | 2014-03-26 | 安徽科大讯飞信息科技股份有限公司 | 一种业务趋势预测方法及系统 |
| CN104636874A (zh) * | 2015-02-12 | 2015-05-20 | 北京嘀嘀无限科技发展有限公司 | 检测业务异常的方法及设备 |
| CN106713677A (zh) * | 2016-05-24 | 2017-05-24 | 国家电网公司客户服务中心 | 一种电力客户服务中心呼入话务量的预测方法 |
| CN107092973A (zh) * | 2016-11-25 | 2017-08-25 | 口碑控股有限公司 | 一种业务量的预测方法及装置 |
| US20180374109A1 (en) * | 2017-06-26 | 2018-12-27 | Kronos Technology Systems Limited Partnership | Using machine learning to predict retail business volume |
| WO2019024884A1 (zh) * | 2017-08-04 | 2019-02-07 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及设备 |
| WO2019029456A1 (zh) * | 2017-08-07 | 2019-02-14 | 阿里巴巴集团控股有限公司 | 一种信息显示方法及装置 |
| CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
| CN108460490A (zh) * | 2018-03-16 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种业务发生量的预测方法、装置及设备 |
| CN109672795A (zh) * | 2018-11-14 | 2019-04-23 | 平安科技（深圳）有限公司 | 呼叫中心资源管理方法及装置、电子设备、存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王媛;李炜;: "一种面向KPI的业务运行质量预测模型设计", 电信工程技术与标准化, no. 02 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826799B (zh) * | 2019-11-05 | 2022-07-08 | 广州虎牙科技有限公司 | 业务预测方法、装置、服务器及可读存储介质 |
| CN110826799A (zh) * | 2019-11-05 | 2020-02-21 | 广州虎牙科技有限公司 | 业务预测方法、装置、服务器及可读存储介质 |
| CN111199018A (zh) * | 2019-12-27 | 2020-05-26 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
| CN111199018B (zh) * | 2019-12-27 | 2024-03-05 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
| 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 |
| CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
| CN112418509A (zh) * | 2020-11-18 | 2021-02-26 | 青岛海尔科技有限公司 | 任务数据预测方法、装置、存储介质及电子装置 |
| CN112685173A (zh) * | 2020-12-22 | 2021-04-20 | 中通天鸿（北京）通信科技股份有限公司 | 一种基于富媒体的智能路由分配系统 |
| CN113516292A (zh) * | 2021-05-24 | 2021-10-19 | 中国工商银行股份有限公司 | 业务量的预测方法、装置、电子设备以及可读存储介质 |
| CN113703923A (zh) * | 2021-08-31 | 2021-11-26 | 深信服科技股份有限公司 | 一种业务问题的识别方法、装置、设备和介质 |
| CN113703923B (zh) * | 2021-08-31 | 2024-05-28 | 深信服科技股份有限公司 | 一种业务问题的识别方法、装置、设备和介质 |
| CN114900443A (zh) * | 2022-06-17 | 2022-08-12 | 中国工商银行股份有限公司 | 一种建立呼入线路业务量预测模型的方法及装置 |
| CN114900443B (zh) * | 2022-06-17 | 2024-01-26 | 中国工商银行股份有限公司 | 一种建立呼入线路业务量预测模型的方法及装置 |
| CN115984002A (zh) * | 2023-02-22 | 2023-04-18 | 上海信宝博通电子商务有限公司 | 用于车辆交易管理的数据处理方法和装置 |
| CN115984002B (zh) * | 2023-02-22 | 2024-01-16 | 上海信宝博通电子商务有限公司 | 用于车辆交易管理的数据处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117010571A (zh) | 2023-11-07 |
| CN110163417B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163417A (zh) | 一种业务量的预测方法、装置及设备 | |
| CN108337358B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN110033156B (zh) | 一种业务活动效果的确定方法及装置 | |
| CN105446988B (zh) | 预测类别的方法和装置 | |
| CN109391680B (zh) | 一种定时任务数据处理方法、装置及系统 | |
| CN109634561A (zh) | 一种在线可视化编程方法及装置 | |
| CN107273266A (zh) | 一种应用日志的处理方法及装置 | |
| CN110147945A (zh) | 一种数据波动的处理方法、装置及设备 | |
| WO2023061348A1 (zh) | 应用的容器数量调节 | |
| CN109003091A (zh) | 一种风险防控处理方法、装置及设备 | |
| Kaur et al. | Smart grid energy management using rnn-lstm: A deep learning-based approach | |
| CN110033304A (zh) | 一种信息处理方法、装置及设备 | |
| CN109461067A (zh) | 一种外汇报价异常数据的检测方法、装置及系统 | |
| US20200151014A1 (en) | Methods and systems for forecasting upcoming resource requirement | |
| CN108345644A (zh) | 一种数据处理的方法及装置 | |
| CN110377480A (zh) | 监测处理方法、装置、系统及计算机可读存储介质 | |
| CN110008394A (zh) | 一种舆情信息的识别方法、装置及设备 | |
| CN110046788A (zh) | 车辆需求量预测方法及装置、车辆供给量预测方法及装置 | |
| CN117215728B (zh) | 一种基于代理模型的仿真模拟方法、装置及电子设备 | |
| CN110134860A (zh) | 用户画像生成方法、装置和设备 | |
| CN110009490A (zh) | 异常金融交易群体识别方法及装置 | |
| CN110032750A (zh) | 一种模型构建、数据生命周期预测方法、装置及设备 | |
| CN113657812A (zh) | 一种基于大数据和算法的门店运营智慧决策的方法和系统 | |
| Henderson et al. | Stochastic computer simulation | |
| CN111177562A (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200922 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200922 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |