CN110544130A - 流量异动监测方法、装置、计算机设备和存储介质 - Google Patents
流量异动监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110544130A CN110544130A CN201910838501.XA CN201910838501A CN110544130A CN 110544130 A CN110544130 A CN 110544130A CN 201910838501 A CN201910838501 A CN 201910838501A CN 110544130 A CN110544130 A CN 110544130A
- Authority
- CN
- China
- Prior art keywords
- flow
- term
- deviation
- transaction
- user
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种流量异动监测方法、装置、计算机设备和存储介质。所述方法包括：获取历史用户流量；基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量；获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；根据所述流量偏差与预设的合理波动区间，确定流量异动类型；根据所述流量异动类型，进行流量异动预警。采用本方法能够提高用户流失预警的准确性。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种流量异动监测方法、装置、计算机设备和存储介质。
背景技术
目前存量市场竞争激烈，维系现有用户对于企业来说至关重要，当发现用户存在流失倾向时，发出预警并积极地采取营销策略进行挽留，通常能够在一定程度上减少用户的流失。
传统的流失预警技术采用基于流失概率的预警方法，该方法利用用户历史数据计算流失概率，并与设定的阈值进行比较，当流失概率高于一定阈值时，判断用户存在流失倾向，发出预警信号。
然而，基于流失概率的预警方法在流失概率计算，以及阈值设定等方面存在一定的滞后性，容易导致预警结果的不准确。
因此，传统的用户流失预警技术存在准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高用户流失预警准确性的流量异动监测方法、装置、计算机设备和存储介质。
一种流量异动监测方法，包括：
获取历史用户流量；
基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量；
获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
根据所述流量偏差与预设的合理波动区间，确定流量异动类型；
根据所述流量异动类型，进行流量异动预警。
在其中一个实施例中，所述时间序列模型包括一次指数平滑时间序列模型和三次指数平滑时间序列模型，所述基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量的步骤，包括：
获取M天历史用户流量，以及，获取N天历史用户流量；其中N>M；
将所述M天历史用户流量输入至所述一次指数平滑时间序列模型，得到所述M天历史用户流量的短期预测用户流量；
将所述N天历史用户流量输入至所述三次指数平滑时间序列模型，得到所述N天历史用户流量的长期预测用户流量。
在其中一个实施例中，所述流量偏差包括短期流量偏差和长期流量偏差，所述短期流程偏差对应于所述短期预测用户流量，所述长期流量偏差对应于所述长期预测用户流量，所述合理波动区间包括区间上限和区间下限，所述根据所述流量偏差与预设的合理波动区间，确定流量异动类型，包括：
当所述短期流量偏差超出所述合理波动区间的区间上限时，判定所述短期流量偏差为短期上偏差异动；
当所述短期流量偏差低于所述合理波动区间的区间下限时，判定所述短期流量偏差为短期下偏差异动；
当所述短期流量偏差在所述合理波动区间之内时，判定所述短期流量偏差为短期正常偏差；
当所述长期流量偏差超出所述合理波动区间的区间上限时，判定所述长期流量偏差为长期上偏差异动；
当所述长期流量偏差低于所述合理波动区间的区间下限时，判定所述长期流量偏差为长期下偏差异动；
当所述长期流量偏差在所述合理波动区间之内时，判定所述长期流量偏差为长期正常偏差；
当实际流量为零时，判定为已然沉默异动；
根据所述短期异动类型和所述长期异动类型，确定所述流量异动类型，其中，所述流量异动类型为短期上异动长期上异动、短期上异动长期下异动、短期上异动长期正常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动、已然沉默异动中的至少一个。
在其中一个实施例中，在所述根据所述流量偏差与预设的合理波动区间，确定流量异动类型的步骤之前，还包括：
获取流量偏差样本集合；
根据所述流量偏差样本集合，得到流量偏差概率分布的统计参数；
根据所述流量偏差概率分布的统计参数，确定所述合理波动区间。
在其中一个实施例中，所述获取流量偏差样本集合的步骤，包括：
获取历史流量样本；
基于预设的时间序列模型，利用所述历史流量样本计算预测流量；
获取实际用户流量，并根据所述实际用户流量和所述预测流量，得到流量偏差样本；
获取一组流量偏差样本，得到流量偏差样本集合。
在其中一个实施例中，所述根据所述流量异动类型，进行流量异动预警的步骤，包括：
将出现指定异动类型的用户，标记为高危用户；
对于所述高危用户，发出流量异动预警，进入高危状态倒计时。
在其中一个实施例中，在所述将出现指定异动类型的用户，标记为高危用户的步骤之前，还包括：
计算每种所述流量异动类型对应的异动指标；
根据所述异动指标，将异动类型划分为高危异动或观察异动。
一种流量异动监测装置，所述装置包括：
流量获取模块，用于获取历史用户流量；
流量预测模块，用于基于预设的时间序列模型，计算所述用户流量的预测用户流量；
流量偏差计算模块，用于获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
异动类型确定模块，当所述流量偏差超出预设的合理波动区间时，根据所述流量偏差与所述合理波动区间，确定流量异动类型；
预警模块，用于根据所述流量异动类型，进行流量异动预警。
一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：
获取历史用户流量；
基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量；
获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
根据所述流量偏差与预设的合理波动区间，确定流量异动类型；
根据所述流量异动类型，进行流量异动预警。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取历史用户流量；
基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量；
获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
根据所述流量偏差与预设的合理波动区间，确定流量异动类型；
根据所述流量异动类型，进行流量异动预警。
上述流量异动监测方法、装置、计算机设备和存储介质，将历史用户流量输入预设的时间序列模型，计算预测用户流量，其中预设的时间序列模型考虑了不同用户的周期性使用习惯，可以准确计算预测用户流量。为了监测实际用户流量的异动情况，获取实际用户流量，利用实际用户流量与预测用户流量计算流量偏差，其中流量偏差可以反映流量异动情况，具体地，设置一个合理波动区间，将流量偏差与合理波动区间进行比较，确定流量异动类型，每种流量异动类型对应一定的流量异动概率，因此可以根据流量异动类型进行流量异动预警，进而可以提高用户流失预警的准确性。
附图说明
图1为一个实施例中流量异动监测方法的流程示意图；
图2为一个实施例中流量异动监测方法的应用环境的示意图；
图3为一个实施例中计算预测用户流量的步骤图；
图4为一个实施例中流量异动类型对应场景的示意图；
图5为一个实施例中流量异动监测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种流量异动监测方法。该流量异动监测方法可以应用于图2所示的应用环境中。在该应用环境中，包括有用户终端202和流量异动监测服务器204。上述的流量异动监测方法，以应用于图2中的流量异动监测服务器204为例进行说明，可以包括以下步骤：
步骤S101，获取历史用户流量。
其中，历史用户流量可以为用户使用手机、电脑等用户端进行通信时所产生的数据流量，例如，5G数据流量、语音通话流量等。
具体实现中，用户在使用手机、电脑等用户端进行通信时可能会产生各种的数据流量。监测服务器可以监测用户端的数据流量，将监测到的数据流量记录成流量数据表。
例如，用户通过手机浏览网页，在浏览网页的过程中产生了数据流量，监测服务器对该手机产生的数据流量进行监测，第一天监测到了400Mb的数据流量，第二天监测到了200Mb的数据流量，监测服务器可以对连续多天监测到的数据流量记录成流量数据表。
在需要进行流量异动监测时，监测服务器可以从流量数据表中，读取某个周期内所记录的数据，形成历史用户流量。例如，将用户7天内每天的用户流量形成历史用户流量。
步骤S102，基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量。
其中，预测用户流量可以为对将来可能会产生的用户流量进行预测得到的数值。例如，已知过去7天的历史用户流量，第8天的流量未知，为预测用户流量，这时可以利用过去7天的历史用户流量计算第8天的用户流量。
其中，时间序列模型可以为用于进行用户流量预测的数学模型。例如，指数平滑时间序列模型、ARMA模型、ARIMA模型等。
具体实现中，预设的时间序列模型采用了指数平滑方法，该方法利用历史用户流量计算指数平滑值，结合一定的时间序列模型预测用户当天流量，其中指数平滑值是近期历史用户流量与上一个指数平滑值的加权平均，因此兼容了近期和远期历史流量对预测用户流量的影响，在不考虑流量异动的情况下，能够基于用户的历史周期性使用习惯准确计算预测用户流量。
进一步地，指数平滑方法包括一次指数平滑方法、二次指数平滑方法、三次指数平滑方法。
其中一次指数平滑方法适用于无明显趋势变化的时间序列场景，令xt为第t期的实际值，第t期的一次指数平滑值的计算公式如下：
其中α表示平滑系数，取值范围为[0,1]。
二次指数平滑方法适用于具有较明显线性趋势的时间序列场景，第t期的一次指数平滑值和二次指数平滑值的计算公式如下：
进而，第t+T期的预测用户流量xt+T的计算公式如下：
xt+T＝At+BtT
其中
三次指数平滑方法适用于具有线性趋势和周期性变化的时间序列场景，第t期的一次指数平滑值二次指数平滑值三次指数平滑值的计算公式如下：
进而，第t+T期的预测用户流量xt+T的计算公式如下：
xt+T＝At+BtT+CtT2
其中
步骤S103，获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差。
其中，实际用户流量可以为用户实际产生的用户流量。
其中，流量偏差可以为实际用户流量与预测用户流量之间的差值。
具体实现中，监测服务器获取实际用户流量，与指数平滑时间序列模型输出的预测用户流量相减，将得到的结果作为流量偏差。例如，利用过去7天的历史用户流量，通过指数平滑时间序列模型得到第8天的预测用户流量为400Mb，监测服务器获取实际用户流量为350Mb，流量偏差则为-50Mb。
本领域通常将上述计算过程命名为流量偏差计算器，流量偏差计算器可以直接执行减法运算得到直接偏差，或者运用除法运算得到相对偏差，或者将实际用户流量和/或预测用户流量乘以指定权值系数，再计算直接偏差或相对偏差。
需要说明的是，本领域技术人员可以采用多种方式定义流量偏差计算器，以上示例仅作说明，本发明实施例对具体的定义方式不作限制。
步骤S104，根据所述流量偏差与预设的合理波动区间，确定流量异动类型。
其中，预设的合理波动区间为流量偏差的合理波动范围。
具体实现中，预设的合理波动区间包括区间上限和区间下限，当流量偏差超出合理波动区间的区间上限时，判定流量偏差为上异动，当流量偏差低于合理波动区间的区间下限时，判定流量偏差为下异动。
进一步地，可以获取多种流量偏差进行组合判断，例如，分别获取数据流量偏差、语音流量偏差、短期流量偏差、长期流量偏差中的至少两种，可以对流量异动类型进一步细化。以获取短期流量偏差和长期流量偏差两个维度为例，相应的异动类型可以划分为短期上异动长期上异动、短期上异动长期下异动、短期上异动长期正常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动，此外增加一种特殊异动类型，已然沉默异动，表示实际流量为零。
步骤S105中，根据所述流量异动类型，进行流量异动预警。
具体实现中，对应每组流量异动类型，给出一组异动指标作为训练样本，异动指标可以为关机率、沉默率，或者关机率和沉默率的线性组合，其中关机率为用户当天没有开机的概率，沉默率为当天数据流量和语音通话流量小于一定阈值的概率。设定一个异动阈值，根据异动指标与异动阈值的比较结果，将异动类型划分为高危异动或观察异动，当用户出现高危异动时，流量异动监测服务器将该用户标记为高危用户，向运营商发出预警，预留4天作为高危状态倒计时，确保运营商留有一定的时间采取营销策略对用户进行挽留。
上述实施例以应用于通信场景进行说明，但实际应用中，上述流量异动监测方法还可以应用于零售场景。例如，在步骤S101获取的历史用户流量还可以为用户在购物平台所产生的历史访问流量，在经过步骤S102-S104得到流量异动类型后，对应每种流量异动类型，给出一组异动指标作为训练样本，具体地，可以采用沉默率作为异动指标，其中沉默率为用户当天访问流量小于一定阈值的概率，通过将异动指标与预设的异动阈值进行比较，确定高危用户所对应的流量异动类型，进而，根据流量异动类型，针对用户在购物平台的流失倾向，进行流量异动预警。
上述流量异动监测方法中，预设的时间序列模型考虑了不同用户的周期性使用习惯，可以准确预测用户流量。为了监测实际用户流量的异动情况，将实际用户流量与预测用户流量相比较得到流量偏差，设置一个合理波动区间，无异动时流量偏差应落在合理波动区间范围内，当流量偏差落在合理波动区间以外时，表示存在流量异动，后续将大概率表现为沉默，即存在流失倾向。基于流量偏差与合理波动区间的比较结果，对流量异动类型进行精细划分，进而，根据精细化分的结果进行流量异动预警，可以提高用户流失预警的准确性。
在其中一个实施例中，如图3所示，提供了一种计算预测用户流量的步骤图，所述基于预设的时间序列模型，利用历史用户流量计算预测用户流量，所述步骤S102，具体包括：
步骤S301，获取M天历史用户流量，以及，获取N天历史用户流量；其中N>M；
步骤S302，将所述M天历史用户流量输入至所述一次指数平滑时间序列模型，得到所述M天历史用户流量的短期预测用户流量；
步骤S303，将所述N天历史用户流量输入至所述三次指数平滑时间序列模型，得到所述N天历史用户流量的长期预测用户流量。
具体实现中，对于指定用户，可以从数据表中提取过去3天的历史用户流量，输入一次指数平滑时间序列模型，得到短期预测用户流量，可以称为日预测用户流量。然后从数据表中提取过去7天的历史用户流量，输入三次指数平滑时间序列模型，得到长期预测用户流量，也可以称为周预测用户流量。短期预测用户流量和长期预测用户流量最终输入流量偏差计算器，分别用于计算短期流量偏差和长期流量偏差。
上述计算预测用户流量的方法，从多个维度获得流量偏差，利用多维流量偏差对用户异动类型进行精细划分，进而进行流量异动预警，可以为用户流失预警提供较高的准确性。
在其中一个实施例中，提供了一种根据流量偏差与预设的合理波动区间，确定流量异动类型，所述步骤S104，具体包括：
流量偏差包括对应短期预测用户流量的短期偏差，和对应长期预测用户流量的长期偏差，预设的合理波动区间包括区间上限和区间下限，当流量偏差超出合理波动区间的区间上限时，判定流量偏差为上异动，当流量偏差低于合理波动区间的区间下限时，判定流量偏差为下异动。
具体实现中，从数据表中读取历史流量样本，输入指数平滑时间序列模型，得到历史流量样本的预测流量，利用实际用户流量得到流量偏差样本，获取一组流量偏差样本，进而得到流量偏差样本集合。假设流量偏差呈高斯分布，利用得到的流量偏差样本集合，计算流量偏差的统计参数，包括均值μ和方差σ2，定义合理波动区间为[μ-3σ2,μ+3σ2]。根据步骤S103得到的流量偏差和合理波动区间判断流量异动类型，在短期和长期两个维度上，流量异动类型常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动、已然沉默异动中的至少一个为短期上异动长期上异动、短期上异动长期下异动、短期上异动长期正常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动、已然沉默异动中的至少一个。
上述确定流量异动类型的方法，利用指数平滑时间序列模型在正常情况下对用户流量的准确预测，可以在用户发生异动时对异动类型进行准确判断，进而能够提高用户流失预警的准确性。
在其中一个实施例中，在所述根据所述流量偏差与预设的合理波动区间，确定流量异动类型，所述步骤S104之前，具体包括：
获取一组流量偏差样本集合，基于预设的概率分布函数，计算流量偏差概率分布的统计参数，利用统计参数确定合理波动区间。
具体实现中，服务器从数据表中读取历史流量样本，输入指数平滑时间序列模型，得到历史流量样本的预测流量，利用实际用户流量得到流量偏差样本，获取一组流量偏差样本，进而得到流量偏差样本集合。假设流量偏差呈高斯分布，利用得到的流量偏差样本集合，计算流量偏差的统计参数，包括均值μ和方差σ2，定义合理波动区间为[μ-3σ2,μ+3σ2]。
上述方法基于流量偏差样本的概率分布确定合理波动区间，当指数平滑时间序列模型可以对正常情况下用户流量进行准确预测时，合理波动区间具有较高的准确性，可以对用户异动类型进行准确判断，进而能够提高用户流失预警的准确性。
在其中一个实施例中，所述获取流量偏差样本集合的步骤，包括：
服务器从数据表中读取历史流量样本，输入指数平滑时间序列模型，计算预测流量，然后将实际用户流量和预测流量输入偏差计算器，得到流量偏差样本，基于这样的一组流量偏差样本，得到流量偏差样本集合。
具体实现中，将过去3天的历史流量样本输入一次指数平滑时间序列模型，计算短期预测流量，然后将实际用户流量和预测流量输入偏差计算器，得到短期流量偏差样本，基于这样的一组短期流量偏差样本，得到短期流量偏差样本集合。同理，将过去7天的历史流量样本输入三次指数平滑时间序列模型，计算长期预测流量，然后将实际用户流量和预测流量输入偏差计算器，得到长期流量偏差样本，基于这样的一组长期流量偏差样本，得到长期流量偏差样本集合。
上述获取流量偏差样本集合的方法，基于指数平滑时间序列模型计算流量偏差样本，由于流量预测准确性较高，得到的流量偏差呈现一定的概率分布规则，便于后续利用概率统计的方法对流量异动进行分析和判断。
在其中一个实施例中，所述根据所述流量异动类型，进行流量异动预警的步骤，所述步骤S105，具体包括：
将出现指定异动类型的用户，标记为高危用户，针对此用户，发出流量异动预警，进入高危状态倒计时。
具体实现中，在确定短期下异动长期下异动、短期正常长期下异动为高危异动之后，当用户出现上述异动时，流量异动监测服务器将该用户标记为高危用户，向运营商发出预警，预留4天作为高危状态倒计时，确保运营商留有一定的时间采取营销策略对用户进行挽留。
上述流量异动预警方法，当指数平滑时间序列模型可以对正常情况下用户流量进行准确预测时，对用户异动类型的判断较为准确，进而能够提高用户流失预警的准确性。
在其中一个实施例中，所述将出现指定异动类型的用户，标记为高危用户的步骤之前，还包括：
计算每种所述流量异动类型对应的异动指标，根据异动指标将异动类型划分为高危异动或观察异动。
具体实现中，利用关机率、沉默率，或者关机率和沉默率的线性组合作为异动指标。对应每种异动类型，实时观测30天的异动指标，为确保运营商留有一定的时间采取营销策略对用户进行挽留，设置出现异动后的4天内为沉默观察期，期间存在1天沉默则代表用户沉默。表1为一个实施例的一种异动类型与异动指标对照表。参考表1给出的观测结果中，单独以沉默率作为异动指标，其中已然沉默异动表示用户流量突降为零，后续极大概率表现为沉默，需要及时进行挽留。设定高危异动阈值，例如，5.50％，当异动指标高于该阈值时，判定用户发生高危异动，这里短期下异动长期下异动，和短期正常长期下异动为高危异动，对于相应的用户，需要发出流量异动预警，进入高危状态倒计时，其他的异动类型为观察异动，对于相应的用户保持流量异动监测。
| 异动类型 | 异动指标 |
| 已然沉默异动 | 36.37％ |
| 短期下异动长期下异动 | 8.41％ |
| 短期正常长期下异动 | 6.04％ |
| 期下异动长期正常 | 5.22％ |
| 短期上异动长期上异动 | 4.49％ |
| 短期正常长期上异动 | 4.45％ |
| 短期上异动长期正常 | 3.43％ |
| 短期正常长期正常 | 3.40％ |
表1
图4是一个实施例的一种流量异动类型对应场景示意图。具体实现中，短期上异动长期上异动对应预测用户流量持续上升场景，短期上异动长期下异动对应预测用户流量回升场景，短期上异动长期正常对应预测用户流量突升场景，短期下异动长期上异动对应预测用户流量反降场景，短期下异动长期下异动对应预测用户流量持续下降场景，短期下异动长期正常对应预测用户流量突降场景，短期正常长期上异动对应预测用户流量上升压抑场景，短期正常长期下异动对应预测用户流量下降压抑场景。
上述高危用户标记方法，可以通过实时观测30天的异动指标，基于不同用户近期的周期性使用习惯划分异动类型，确保异动类型划分的时效性，进而提高流量异动预警以及用户流失预警的准确性。
应该理解的是，虽然图1-3流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5示，提供了一种流量异动监测装置的结构示意图，包括：流量获取模块502、流量预测模块504、流量偏差计算模块506、异动类型确定模块508和预警模块510，其中：
流量获取模块502，用于获取历史用户流量；
流量预测模块504，用于基于预设的时间序列模型，利用所述用户流量计算预测用户流量；
流量偏差计算模块506，用于获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
异动类型确定模块508，根据所述流量偏差与所述合理波动区间，确定流量异动类型；
预警模块510，用于根据所述流量异动类型，进行流量异动预警。
在其中一个实施例中，所述基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量，所述流量预测模块504，包括：
流量获取子模块，获取M天历史用户流量，以及，获取N天历史用户流量；其中N>M；
短期流量预测模块，将所述M天历史用户流量输入至所述一次指数平滑时间序列模型，得到所述M天历史用户流量的短期预测用户流量；
长期流量预测模块，将所述N天历史用户流量输入至所述三次指数平滑时间序列模型，得到所述N天历史用户流量的长期预测用户流量。
在其中一个实施例中，所述根据所述流量偏差与预设的合理波动区间，确定流量异动类型，所述异动类型确定模块508，包括：
短期上偏差异动确定模块，当所述短期流量偏差超出所述合理波动区间的区间上限时，判定所述短期流量偏差为短期上偏差异动；
短期下偏差异动确定模块，当所述短期流量偏差低于所述合理波动区间的区间下限时，判定所述短期流量偏差为短期下偏差异动；
短期正常偏差确定模块，当所述短期流量偏差在所述合理波动区间之内时，判定所述短期流量偏差为短期正常偏差；
长期上偏差异动确定模块，当所述长期流量偏差超出所述合理波动区间的区间上限时，判定所述长期流量偏差为长期上偏差异动；
长期下偏差异动确定模块，当所述长期流量偏差低于所述合理波动区间的区间下限时，判定所述长期流量偏差为长期下偏差异动；
长期正常偏差确定模块，当所述长期流量偏差在所述合理波动区间之内时，判定所述长期流量偏差为长期正常偏差；
已然沉默异动确定模块，当实际流量为零时，判定为已然沉默异动；
多维异动类型确定模块，根据所述短期异动类型和所述长期异动类型，确定所述流量异动类型，其中，所述流量异动类型为短期上异动长期上异动、短期上异动长期下异动、短期上异动长期正常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动、已然沉默异动中的至少一个。
在其中一个实施例中，在所述根据所述流量偏差与预设的合理波动区间，确定流量异动类型，所述异动类型确定模块508之前，还包括：
流量偏差获取模块，获取流量偏差样本集合；
流量偏差概率分布计算模块，根据所述流量偏差样本集合，得到流量偏差概率分布的统计参数；
合理波动区间获取模块，根据所述流量偏差概率分布的统计参数，确定所述合理波动区间。
在其中一个实施例中，所述获取流量偏差样本集合，所述流量偏差获取模块，包括：
流量样本获取模块，获取历史流量样本；
流量样本预测模块，基于预设的时间序列模型，利用所述历史流量样本计算预测流量；
流量偏差样本计算模块，获取实际用户流量，并根据所述实际用户流量和所述预测流量，得到流量偏差样本；
流量偏差样本集合获取模块，获取一组流量偏差样本，得到流量偏差样本集合。
在其中一个实施例中，所述根据所述流量异动类型，进行流量异动预警，所述预警模块510，包括：
高危用户标记模块，将出现指定异动类型的用户，标记为高危用户；
高危倒计时模块，对于所述高危用户，发出流量异动预警，进入高危状态倒计时。
在其中一个实施例中，在所述将出现指定异动类型的用户，标记为高危用户，所述高危用户标记模块，还包括：
异动指标计算模块，计算每种所述流量异动类型对应的异动指标；
异动类型确定模块，根据所述异动指标，将异动类型划分为高危异动或观察异动。
关于流量异动监测装置的具体限定可以参见上文中对于流量异动监测方法的限定，在此不再赘述。上述流量异动监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储流量异动监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种流量异动监测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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：
获取历史用户流量；
基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量；
获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
根据所述流量偏差与预设的合理波动区间，确定流量异动类型；
根据所述流量异动类型，进行流量异动预警。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取M天历史用户流量，以及，获取N天历史用户流量；其中N>M；
将所述M天历史用户流量输入至所述一次指数平滑时间序列模型，得到所述M天历史用户流量的短期预测用户流量；
将所述N天历史用户流量输入至所述三次指数平滑时间序列模型，得到所述N天历史用户流量的长期预测用户流量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当所述短期流量偏差超出所述合理波动区间的区间上限时，判定所述短期流量偏差为短期上偏差异动；
当所述短期流量偏差低于所述合理波动区间的区间下限时，判定所述短期流量偏差为短期下偏差异动；
当所述短期流量偏差在所述合理波动区间之内时，判定所述短期流量偏差为短期正常偏差；
当所述长期流量偏差超出所述合理波动区间的区间上限时，判定所述长期流量偏差为长期上偏差异动；
当所述长期流量偏差低于所述合理波动区间的区间下限时，判定所述长期流量偏差为长期下偏差异动；
当所述长期流量偏差在所述合理波动区间之内时，判定所述长期流量偏差为长期正常偏差；
当实际流量为零时，判定为已然沉默异动；
根据所述短期异动类型和所述长期异动类型，确定所述流量异动类型，其中，所述流量异动类型为短期上异动长期上异动、短期上异动长期下异动、短期上异动长期正常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动、已然沉默异动中的至少一个。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取流量偏差样本集合；
根据所述流量偏差样本集合，得到流量偏差概率分布的统计参数；
根据所述流量偏差概率分布的统计参数，确定所述合理波动区间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取历史流量样本；
基于预设的时间序列模型，利用所述历史流量样本计算预测流量；
获取实际用户流量，并根据所述实际用户流量和所述预测流量，得到流量偏差样本；
获取一组流量偏差样本，得到流量偏差样本集合。
将出现指定异动类型的用户，标记为高危用户；
对于所述高危用户，发出流量异动预警，进入高危状态倒计时。
计算每种所述流量异动类型对应的异动指标；
根据所述异动指标，将异动类型划分为高危异动或观察异动。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取历史用户流量；
基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量；
获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
根据所述流量偏差与预设的合理波动区间，确定流量异动类型；
根据所述流量异动类型，进行流量异动预警。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取M天历史用户流量，以及，获取N天历史用户流量；其中N>M；
将所述M天历史用户流量输入至所述一次指数平滑时间序列模型，得到所述M天历史用户流量的短期预测用户流量；
将所述N天历史用户流量输入至所述三次指数平滑时间序列模型，得到所述N天历史用户流量的长期预测用户流量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当所述短期流量偏差超出所述合理波动区间的区间上限时，判定所述短期流量偏差为短期上偏差异动；
当所述短期流量偏差低于所述合理波动区间的区间下限时，判定所述短期流量偏差为短期下偏差异动；
当所述短期流量偏差在所述合理波动区间之内时，判定所述短期流量偏差为短期正常偏差；
当所述长期流量偏差超出所述合理波动区间的区间上限时，判定所述长期流量偏差为长期上偏差异动；
当所述长期流量偏差低于所述合理波动区间的区间下限时，判定所述长期流量偏差为长期下偏差异动；
当所述长期流量偏差在所述合理波动区间之内时，判定所述长期流量偏差为长期正常偏差；
当实际流量为零时，判定为已然沉默异动；
根据所述短期异动类型和所述长期异动类型，确定所述流量异动类型，其中，所述流量异动类型为短期上异动长期上异动、短期上异动长期下异动、短期上异动长期正常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动、已然沉默异动中的至少一个。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取流量偏差样本集合；
根据所述流量偏差样本集合，得到流量偏差概率分布的统计参数；
根据所述流量偏差概率分布的统计参数，确定所述合理波动区间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取历史流量样本；
基于预设的时间序列模型，利用所述历史流量样本计算预测流量；
获取实际用户流量，并根据所述实际用户流量和所述预测流量，得到流量偏差样本；
获取一组流量偏差样本，得到流量偏差样本集合。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将出现指定异动类型的用户，标记为高危用户；
对于所述高危用户，发出流量异动预警，进入高危状态倒计时。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算每种所述流量异动类型对应的异动指标；
根据所述异动指标，将异动类型划分为高危异动或观察异动。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种流量异动监测方法，所述方法包括：
获取历史用户流量；
基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量；
获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
根据所述流量偏差与预设的合理波动区间，确定流量异动类型；
根据所述流量异动类型，进行流量异动预警。
2.根据权利要求1所述的方法，其特征在于，所述时间序列模型包括一次指数平滑时间序列模型和三次指数平滑时间序列模型，所述基于预设的时间序列模型，利用所述历史用户流量计算预测用户流量的步骤，包括：
获取M天历史用户流量，以及，获取N天历史用户流量；其中N>M；
将所述M天历史用户流量输入至所述一次指数平滑时间序列模型，得到所述M天历史用户流量的短期预测用户流量；
将所述N天历史用户流量输入至所述三次指数平滑时间序列模型，得到所述N天历史用户流量的长期预测用户流量。
3.根据权利要求1所述的方法，其特征在于，所述流量偏差包括短期流量偏差和长期流量偏差，所述短期流程偏差对应于所述短期预测用户流量，所述长期流量偏差对应于所述长期预测用户流量，所述合理波动区间包括区间上限和区间下限，所述根据所述流量偏差与预设的合理波动区间，确定流量异动类型，包括：
当所述短期流量偏差超出所述合理波动区间的区间上限时，判定所述短期流量偏差为短期上偏差异动；
当所述短期流量偏差低于所述合理波动区间的区间下限时，判定所述短期流量偏差为短期下偏差异动；
当所述短期流量偏差在所述合理波动区间之内时，判定所述短期流量偏差为短期正常偏差；
当所述长期流量偏差超出所述合理波动区间的区间上限时，判定所述长期流量偏差为长期上偏差异动；
当所述长期流量偏差低于所述合理波动区间的区间下限时，判定所述长期流量偏差为长期下偏差异动；
当所述长期流量偏差在所述合理波动区间之内时，判定所述长期流量偏差为长期正常偏差；
当实际流量为零时，判定为已然沉默异动；
根据所述短期异动类型和所述长期异动类型，确定所述流量异动类型，其中，所述流量异动类型为短期上异动长期上异动、短期上异动长期下异动、短期上异动长期正常、短期下异动长期上异动、短期下异动长期下异动、短期下异动长期正常、短期正常长期上异动、短期正常长期下异动、已然沉默异动中的至少一个。
4.根据权利要求1所述的方法，其特征在于，在所述根据所述流量偏差与预设的合理波动区间，确定流量异动类型的步骤之前，还包括：
获取流量偏差样本集合；
根据所述流量偏差样本集合，得到流量偏差概率分布的统计参数；
根据所述流量偏差概率分布的统计参数，确定所述合理波动区间。
5.根据权利要求4所述的方法，其特征在于，所述获取流量偏差样本集合的步骤，包括：
获取历史流量样本；
基于预设的时间序列模型，利用所述历史流量样本计算预测流量；
获取实际用户流量，并根据所述实际用户流量和所述预测流量，得到流量偏差样本；
获取一组流量偏差样本，得到流量偏差样本集合。
6.根据权利要求1所述的方法，其特征在于，所述根据所述流量异动类型，进行流量异动预警的步骤，包括：
将出现指定异动类型的用户，标记为高危用户；
对于所述高危用户，发出流量异动预警，进入高危状态倒计时。
7.根据权利要求6所述的方法，其特征在于，在所述将出现指定异动类型的用户，标记为高危用户的步骤之前，还包括：
计算每种所述流量异动类型对应的异动指标；
根据所述异动指标，将异动类型划分为高危异动或观察异动。
8.一种流量异动监测装置，其特征在于，所述装置包括：
流量获取模块，用于获取历史用户流量；
流量预测模块，用于基于预设的时间序列模型，利用所述用户流量计算预测用户流量；
流量偏差计算模块，用于获取实际用户流量，并根据所述实际用户流量和所述预测用户流量，得到流量偏差；
异动类型确定模块，根据所述流量偏差与所述合理波动区间，确定流量异动类型；
预警模块，用于根据所述流量异动类型，进行流量异动预警。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的流量异动监测方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的流量异动监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838501.XA CN110544130A (zh) | 2019-09-05 | 2019-09-05 | 流量异动监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838501.XA CN110544130A (zh) | 2019-09-05 | 2019-09-05 | 流量异动监测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110544130A true CN110544130A (zh) | 2019-12-06 |
Family
ID=68712547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910838501.XA Pending CN110544130A (zh) | 2019-09-05 | 2019-09-05 | 流量异动监测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110544130A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111130932A (zh) * | 2019-12-18 | 2020-05-08 | 北京浩瀚深度信息技术股份有限公司 | 一种基于历史流量预测流量趋势的方法、装置及存储介质 |
| CN111324391A (zh) * | 2020-02-28 | 2020-06-23 | 海信视像科技股份有限公司 | 一种基于指数平滑的智能电视应用预启动方法及设备 |
| CN111650979A (zh) * | 2020-05-11 | 2020-09-11 | 万华化学集团股份有限公司 | 采出流量调节方法、存储介质及电子设备 |
| CN112671573A (zh) * | 2020-12-17 | 2021-04-16 | 北京神州泰岳软件股份有限公司 | 识别宽带业务中潜在离网用户的方法及装置 |
| CN113129127A (zh) * | 2021-04-21 | 2021-07-16 | 建信金融科技有限责任公司 | 预警方法和装置 |
| CN116071114A (zh) * | 2023-04-04 | 2023-05-05 | 广州携旅信息科技有限公司 | 一种酒店电视媒体广告的流量预估方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104811336A (zh) * | 2015-04-02 | 2015-07-29 | 南京邮电大学 | 基于智能优化的分布式网络流量预测方法 |
| CN106845669A (zh) * | 2016-12-12 | 2017-06-13 | 国网上海市电力公司 | 基于指数平滑法预测电网年持续负荷的方法 |
| CN109039821A (zh) * | 2018-08-21 | 2018-12-18 | 平安科技（深圳）有限公司 | 网络流量监控方法、装置、计算机设备及存储介质 |
| CN110086649A (zh) * | 2019-03-19 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 异常流量的检测方法、装置、计算机设备及存储介质 |
-
2019
- 2019-09-05 CN CN201910838501.XA patent/CN110544130A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104811336A (zh) * | 2015-04-02 | 2015-07-29 | 南京邮电大学 | 基于智能优化的分布式网络流量预测方法 |
| CN106845669A (zh) * | 2016-12-12 | 2017-06-13 | 国网上海市电力公司 | 基于指数平滑法预测电网年持续负荷的方法 |
| CN109039821A (zh) * | 2018-08-21 | 2018-12-18 | 平安科技（深圳）有限公司 | 网络流量监控方法、装置、计算机设备及存储介质 |
| CN110086649A (zh) * | 2019-03-19 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 异常流量的检测方法、装置、计算机设备及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111130932A (zh) * | 2019-12-18 | 2020-05-08 | 北京浩瀚深度信息技术股份有限公司 | 一种基于历史流量预测流量趋势的方法、装置及存储介质 |
| CN111324391A (zh) * | 2020-02-28 | 2020-06-23 | 海信视像科技股份有限公司 | 一种基于指数平滑的智能电视应用预启动方法及设备 |
| CN111650979A (zh) * | 2020-05-11 | 2020-09-11 | 万华化学集团股份有限公司 | 采出流量调节方法、存储介质及电子设备 |
| CN112671573A (zh) * | 2020-12-17 | 2021-04-16 | 北京神州泰岳软件股份有限公司 | 识别宽带业务中潜在离网用户的方法及装置 |
| CN112671573B (zh) * | 2020-12-17 | 2023-05-16 | 北京神州泰岳软件股份有限公司 | 识别宽带业务中潜在离网用户的方法及装置 |
| CN113129127A (zh) * | 2021-04-21 | 2021-07-16 | 建信金融科技有限责任公司 | 预警方法和装置 |
| CN116071114A (zh) * | 2023-04-04 | 2023-05-05 | 广州携旅信息科技有限公司 | 一种酒店电视媒体广告的流量预估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544130A (zh) | 流量异动监测方法、装置、计算机设备和存储介质 | |
| WO2021164465A1 (zh) | 智能预警方法与系统 | |
| CN109886477B (zh) | 水污染的预测方法、装置及电子设备 | |
| CN110634030B (zh) | 应用的业务指标挖掘方法、装置及设备 | |
| CN110502751B (zh) | 大电网运行态势感知方法、终端设备和存储介质 | |
| CN113407371A (zh) | 数据异常监测方法、装置、计算机设备和存储介质 | |
| CN112100575A (zh) | 设备状态趋势预测方法、装置、计算机设备和存储介质 | |
| CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
| CN114240243A (zh) | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 | |
| CN111738404A (zh) | 模型训练任务处理方法、装置、电子设备和存储介质 | |
| CN111625196A (zh) | 区块链节点扩容方法、装置、计算机设备及存储介质 | |
| CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
| CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN112766535B (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
| CN109600757B (zh) | 基站扩容的预测方法、装置、计算机设备和存储介质 | |
| CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN106156470B (zh) | 一种时间序列异常检测标注方法及系统 | |
| CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
| CN111783486A (zh) | 一种读卡器设备的维护预警方法及装置 | |
| CN108573061B (zh) | 电力设备状态检测方法、装置、计算机设备和存储介质 | |
| Mares et al. | An Architecture to Improve Energy-Related Time-Series Model Validity Based on the Novel rMAPE Performance Metric | |
| CN117216469B (zh) | 一种电力系统实时监测与预测的大数据处理方法及系统 | |
| CN115459270B (zh) | 城市高峰用电的配置方法、装置、计算机设备及存储介质 | |
| CN111796995B (zh) | 基于集成学习的循环序列号使用量预警方法及系统 | |
| CN116757663A (zh) | 车辆定损方法、车辆定损装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |