CN111221706B - 一种cpu使用率预测方法、系统、介质及设备 - Google Patents

一种cpu使用率预测方法、系统、介质及设备 Download PDF

Info

Publication number
CN111221706B
CN111221706B CN202010009163.1A CN202010009163A CN111221706B CN 111221706 B CN111221706 B CN 111221706B CN 202010009163 A CN202010009163 A CN 202010009163A CN 111221706 B CN111221706 B CN 111221706B
Authority
CN
China
Prior art keywords
historical data
model
prediction model
weights
cpu utilization
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.)
Active
Application number
CN202010009163.1A
Other languages
English (en)
Other versions
CN111221706A (zh
Inventor
胡玲玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Si Tech Information Technology Co Ltd
Original Assignee
Beijing Si Tech Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Si Tech Information Technology Co Ltd filed Critical Beijing Si Tech Information Technology Co Ltd
Priority to CN202010009163.1A priority Critical patent/CN111221706B/zh
Publication of CN111221706A publication Critical patent/CN111221706A/zh
Application granted granted Critical
Publication of CN111221706B publication Critical patent/CN111221706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种CPU使用率预测方法、系统、介质及设备。方法包括：获取CPU使用率的历史数据，对历史数据进行预处理；按照日期类型对历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，权重及对应的历史数据获得重构时间序列；根据重构时间序列进行预测模型的搭建；对预测模型进行模型评估以及模型优化，确定最优预测模型；利用最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。本发明实现了CPU使用率的实时监测和故障预警，且考虑了不同日期对CPU使用率的影响，对历史数据按照日期类型进行划分，并对应设置了权重，从而使预测结果更加准确。

Description

一种CPU使用率预测方法、系统、介质及设备
技术领域
本发明涉及预测技术领域，尤其涉及一种CPU使用率预测方法、系统、介质及设备。
背景技术
随着计算机行业的高速发展，为保证服务器稳定运行需要对其CPU进行实时监测及故障预警。
目前，现阶段CPU使用率预测一般采用的技术是对历史数据求均值，准确率及可靠度都不高，不能达到及时预警的效果。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题，提供一种CPU使用率预测方法、系统、介质及设备。
为解决上述技术问题，本发明实施例提供一种CPU使用率预测方法，包括：获取CPU使用率的历史数据，对所述历史数据进行预处理；按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；根据所述重构时间序列进行预测模型的搭建；对所述预测模型进行模型评估以及模型优化，确定最优预测模型；利用所述最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。
为解决上述技术问题，本发明实施例还提供一种CPU使用率预测系统，包括：数据预处理模块，用于获取CPU使用率的历史数据，对所述历史数据进行预处理；权重确定模块，用于按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；模型建立模块，用于根据所述重构时间序列进行预测模型的搭建；模型优化模块，用于对所述预测模型进行模型评估以及模型优化，确定最优预测模型；数据预测及预警模块，用于利用所述最优预测模型对CPU使用率进行预测，预测值超出设定阈值，则发出预警信号。
一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案所述的CPU使用率预测方法。
一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案所述的CPU使用率预测方法。
本发明的有益效果是：本发明通过获取CPU使用率的历史数据，并按照日期类型进行分类，确定不同日期类型的权重，进而获取重构时间序列，根据考虑不同日期权重的历史数据进行建模，对所建立的模型进行评估及优化，利用最优模型进行数据预测，当预测结果超出阈值时，发出预警信号。本发明实现了CPU使用率的实时监测和故障预警，且考虑了不同日期(如工作日、周末和节假日)对CPU使用率的影响，对历史数据按照日期类型进行划分，并对应设置了权重，从而使预测结果更加准确。
本发明附加的方面及其的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明实施例提供的CPU使用率预测方法的示意性流程图；
图2为本发明实施例提供的模型建立过程中白噪声检验和平稳性检验的示意性流程图；
图3为本发明实施例提供的模型评估及优化过程示意性流程图；
图4为本发明实施例提供的CPU使用率预测系统的示意性结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的CPU使用率预测方法的示意性流程图。如图1所示，该方法包括：
110、获取CPU使用率的历史数据，对所述历史数据进行预处理；
具体地，可以Python中的Pandas将数据导入；将历史数据按照时间顺序进行存储。对历史数据中存在的异常或者缺失状态进行处理。
120、按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；
130、根据所述重构时间序列进行预测模型的搭建；
140、对所述预测模型进行模型评估以及模型优化，确定最优预测模型；
150、利用所述最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。
具体地，设定阈值可以根据相应日期类型历史数据的均值确定。
上述实施例中，通过获取CPU使用率的历史数据，并按照日期类型进行分类，确定不同日期类型的权重，进而获取重构时间序列，根据考虑不同日期权重的历史数据进行建模，对所建立的模型进行评估及优化，利用最优模型进行数据预测，当预测结果超出阈值时，发出预警信号。本发明实现了CPU使用率的实时监测和故障预警，且考虑了不同日期(如工作日、周末和节假日)对CPU使用率的影响，对历史数据按照日期类型进行划分，并对应设置了权重，从而使预测结果更加准确。
可选地，在一个实施例中，所述对所述历史数据进行预处理，包括：对所述历史数据进行异常值剔除、缺失值填充以及数据清洗。
可选地，所述日期类型包括工作日、周末和节假日。将日期时间采用时间戳的方式区分周几和节假日，方便后续对工作日、周末及节假日的处理。
可选地，所述按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列，包括：按照日期类型对所述历史数据进行划分，形成多属性决策矩阵；利用贡献度公式分别计算不同类型日期的贡献度，根据所述贡献度利用权重公式计算不同类型日期的权重；将所述不同类型日期的权重分别乘以对应的历史数据，形成重构时间序列。
也就是说，将历史数据分为节假日、工作日和周末，形成多属性决策矩阵，再利用如下公式分别求出对节假日、工作日和周末的贡献度Ej；
Figure BDA0002356483290000041
(其中，
Figure BDA0002356483290000042
xij为当前日期类型j下CPU的使用率，j＝节假日、工作日或周末，i＝1,2...m,m为当前日期类型j下CPU的使用率数据的个数，K＝1/ln(m))；
利用如下公式分别求出对节假日、工作日和周末的权重vj；
Figure BDA0002356483290000043
其中，日期类型分为节假日、工作日或周末，因此n取值为3。
再将历史数据分别乘上其权重作为模型的输入。
可选地，所述历史数据包括24个整点时刻的历史数据；所述根据所述重构时间序列进行预测模型的搭建，包括：针对每个整点时刻分别建立一个ARMA模型或ARIMA模型作为对应整点时刻的预测模型。
要预测未来一天24小时CPU使用率，需要分别提取0点、1点…23点的CPU使用率的历史数据，即24个时间序列。对24小时的历史数据进行分类，分别形成0时刻、1时刻…23时刻共24个时间序列。对这24个时间序列进行预处理，包括：对所述历史数据进行异常值剔除、缺失值填充以及数据清洗。
其中，异常值的处理采用箱线图的方式；针对某一时刻的缺失数据，处理方式可分为3种情况：
(1)若当前时刻的前一刻和后一刻的数据不缺失，则用前一刻和后一刻的均值进行填充；
(2)若当前时刻的前一刻也缺失，则用其相邻的后一刻的数据进行填充；
(3)若当前时刻的后一刻也缺失，则用其相邻的前一刻的数据进行填充。
历史数据预处理完后，针对每个整点时刻分别建立一个ARMA模型或ARIMA模型作为对应整点时刻的预测模型。
将24个重构时间序列划分成训练集和测试集。
具体地，如图2所示，在训练集上，对形成的24个时间序列分别进行白噪声检验和平稳性检验，包括：
210、获取重构时间序列；
220、判断重构时间序列是否通过白噪声检验；若通过白噪声检验，则执行步骤230；否则执行步骤240；
230、终止分析，停止预测；
240、判断是否通过平稳性检验，若通过平稳性检验，则执行步骤250；否则执行步骤260；
250；利用ARMA模型拟合；
260；对重构时间序列进行一阶差分，再进行平稳性检验，若还是非平稳，再对其进行二阶差分，直至为平稳序列，建立ARIAM模型。
上述实施例中，针对24小时的历史数据建立24个时间序列预测模型；选取24个最优的时间序列预测模型对未来24小时进行实时预测及预警。预测准确率更高。
可选地，所述对所述预测模型进行模型评估以及模型优化，确定最优预测模型，包括：利用预测模型的预测值和真实值的差值确定残差序列；根据所述残差序列的残差平方和对所述预测模型进行迭代优化，将残差平方和最小对应的预测模型确定为最优预测模型。
具体地，如图3所示，对预测模型进行模型评估以及模型优化，确定最优预测模型，包括：
310、利用ARMA模型或ARIMA模型对测试集进行测试，输出预测值；
320、计算预测值与真实值的差值，根据差值确定残差平方和；
330、判断残差平方和是否最小，如果是则，执行步骤340；否则执行步骤350；
340、输出最优ARMA模型或最优ARIMA模型；
350、调整模型参数对模型进行优化，返回步骤310。
可选地，在一个实施例中，还包括将预测模型的预测值和真实值利用折线图进行展示。
上文结合图1至图3，详细描述了根据本发明实施例提供的CPU使用率预测方法。下面结合图4，详细描述本发明实施例提供的。CPU使用率预测系统。
如图4所示，本发明实施例还提供一种CPU使用率预测系统，包括：数据预处理模块，用于获取CPU使用率的历史数据，对所述历史数据进行预处理；权重确定模块，用于按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；模型建立模块，用于根据所述重构时间序列进行预测模型的搭建；模型优化模块，用于对所述预测模型进行模型评估以及模型优化，确定最优预测模型；数据预测及预警模块，用于利用所述最优预测模型对CPU使用率进行预测，预测值超出设定阈值，则发出预警信号。
上述实施例中，通过获取CPU使用率的历史数据，并按照日期类型进行分类，确定不同日期类型的权重，进而获取重构时间序列，根据考虑不同日期权重的历史数据进行建模，对所建立的模型进行评估及优化，利用最优模型进行数据预测，当预测结果超出阈值时，发出预警信号。本发明实现了CPU使用率的实时监测和故障预警，且考虑了不同日期(如工作日、周末和节假日)对CPU使用率的影响，对历史数据按照日期类型进行划分，并对应设置了权重，从而使预测结果更加准确。
可选地，数据预处理模块具体用于对所述历史数据进行异常值剔除、缺失值填充以及数据清洗。可选地，所述日期类型包括工作日、周末和节假日。
所述权重确定模块具体用于：按照日期类型对所述历史数据进行划分，形成多属性决策矩阵；利用贡献度公式分别计算不同类型日期的贡献度，根据所述贡献度利用权重公式计算不同类型日期的权重；将所述不同类型日期的权重分别乘以对应的历史数据，形成重构时间序列。
可选地，所述历史数据包括24个整点时刻的历史数据；所述模型建立模块具体用于：针对每个整点时刻分别建立一个ARMA模型或ARIMA模型作为对应整点时刻的预测模型。
可选地，所述模型优化模块具体用于：利用预测模型的预测值和真实值的差值确定残差序列；根据所述残差序列的残差平方和对所述预测模型进行迭代优化，将残差平方和最小对应的预测模型确定为最优预测模型。
本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述实施例所述的CPU使用率预测方法。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述的CPU使用率预测方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的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。
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发明实施例方案的目的。
另外，在本发明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，也可以是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，本发明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，服务器，或者网络设备等)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种CPU使用率预测方法，其特征在于，包括：
获取CPU使用率的历史数据，对所述历史数据进行预处理；
按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；
所述日期类型包括工作日、周末和节假日；
所述按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列，包括：
按照日期类型对所述历史数据进行划分，形成多属性决策矩阵；
利用贡献度公式分别计算不同类型日期的贡献度，根据所述贡献度利用权重公式计算不同类型日期的权重；
将所述不同类型日期的权重分别乘以对应的历史数据，形成重构时间序列；
根据所述重构时间序列进行预测模型的搭建；
对所述预测模型进行模型评估以及模型优化，确定最优预测模型；
利用所述最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。
2.根据权利要求1所述的方法，其特征在于，所述对所述历史数据进行预处理，包括：对所述历史数据进行异常值剔除、缺失值填充以及数据清洗。
3.根据权利要求1至2任一项所述的方法，其特征在于，所述获取CPU使用率的历史数据，包括：获取24个整点时刻的历史数据；
所述根据所述重构时间序列进行预测模型的搭建，包括：针对每个整点时刻分别建立一个ARMA模型或ARIMA模型作为对应整点时刻的预测模型。
4.根据权利要求1至2任一项所述的方法，其特征在于，所述对所述预测模型进行模型评估以及模型优化，确定最优预测模型，包括：
利用预测模型的预测值和真实值的差值确定残差序列；
根据所述残差序列的残差平方和对所述预测模型进行迭代优化，将残差平方和最小对应的预测模型确定为最优预测模型。
5.根据权利要求1至2任一项所述的方法，其特征在于，还包括：将预测模型的预测值和真实值利用折线图进行展示。
6.一种CPU使用率预测系统，其特征在于，包括：
数据预处理模块，用于获取CPU使用率的历史数据，对所述历史数据进行预处理；
权重确定模块，用于按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；
所述日期类型包括工作日、周末和节假日；所述权重确定模块具体用于：
按照日期类型对所述历史数据进行划分，形成多属性决策矩阵；
利用贡献度公式分别计算不同类型日期的贡献度，根据所述贡献度利用权重公式计算不同类型日期的权重；
将所述不同类型日期的权重分别乘以对应的历史数据，形成重构时间序列；
模型建立模块，用于根据所述重构时间序列进行预测模型的搭建；
模型优化模块，用于对所述预测模型进行模型评估以及模型优化，确定最优预测模型；
数据预测及预警模块，用于利用所述最优预测模型对CPU使用率进行预测，预测值超出设定阈值，则发出预警信号。
7.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1-5任一项所述的CPU使用率预测方法。
8.一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的CPU使用率预测方法。
CN202010009163.1A 2020-01-06 2020-01-06 一种cpu使用率预测方法、系统、介质及设备 Active CN111221706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010009163.1A CN111221706B (zh) 2020-01-06 2020-01-06 一种cpu使用率预测方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010009163.1A CN111221706B (zh) 2020-01-06 2020-01-06 一种cpu使用率预测方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN111221706A CN111221706A (zh) 2020-06-02
CN111221706B true CN111221706B (zh) 2023-04-07

Family

ID=70829376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010009163.1A Active CN111221706B (zh) 2020-01-06 2020-01-06 一种cpu使用率预测方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN111221706B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112579665A (zh) * 2020-12-10 2021-03-30 珠海格力电器股份有限公司 能源设备控制方法、装置及能源设备
CN115033613A (zh) * 2021-03-03 2022-09-09 佛山市顺德区美的电热电器制造有限公司 烹饪方法、装置、设备、电子设备及计算机可读存储介质
CN112862220A (zh) * 2021-03-23 2021-05-28 山东中创软件工程股份有限公司 一种设备生命周期预测方法、装置及相关设备
CN113268403B (zh) * 2021-05-25 2023-10-31 中国联合网络通信集团有限公司 时间序列的分析预测方法、装置、设备及存储介质
CN113934615A (zh) * 2021-12-15 2022-01-14 山东中创软件商用中间件股份有限公司 一种数据监控方法、装置及设备
CN118567914A (zh) * 2023-02-22 2024-08-30 中兴通讯股份有限公司 中央处理器的使用率的预测方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008096A (zh) * 2018-11-29 2019-07-12 阿里巴巴集团控股有限公司 数据监测方法、装置、电子设备及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4756675B2 (ja) * 2004-07-08 2011-08-24 インターナショナル・ビジネス・マシーンズ・コーポレーション コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム
CN104899405B (zh) * 2014-03-04 2019-03-26 上海携程商务有限公司 数据预测方法和系统以及报警方法和系统
CN107527121A (zh) * 2017-09-18 2017-12-29 云南电网有限责任公司信息中心 一种电网的信息系统运行状态诊断预测的方法
CN108052528B (zh) * 2017-11-09 2019-11-26 华中科技大学 一种存储设备时序分类预警方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008096A (zh) * 2018-11-29 2019-07-12 阿里巴巴集团控股有限公司 数据监测方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN111221706A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN111221706B (zh) 一种cpu使用率预测方法、系统、介质及设备
CN110865929A (zh) 异常检测预警方法及系统
CN101771758A (zh) 一种性能指标值正常波动范围的动态确定方法及其装置
CN110008096B (zh) 数据监测方法、装置、电子设备及计算机可读存储介质
Mathew et al. Regression kernel for prognostics with support vector machines
CN110795324B (zh) 一种数据处理方法及装置
CN112581719B (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
CN112418921A (zh) 用电需量预测方法、装置、系统与计算机存储介质
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
CN108306997B (zh) 域名解析监控方法及装置
CN112182056A (zh) 一种数据检测方法、装置、设备及存储介质
WO2020166236A1 (ja) 作業効率評価方法、作業効率評価装置、及びプログラム
CN115186701A (zh) 轴承寿命预测方法、装置、电子设备及存储介质
CN114938339B (zh) 一种数据处理方法和相关装置
CN113313529A (zh) 一种基于时间回归序列成品油销售额预测方法
CN112102087A (zh) 一种交易异常检测方法及装置
CN116383048A (zh) 软件质量信息处理方法及装置
CN116128551A (zh) 基于自回归滑动平均模型的进出口趋势分析方法及装置
CN116361695A (zh) 异常数据检测方法以及装置
CN113642618B (zh) 一种用于螺杆装置状态预测模型训练的方法及设备
CN115759263A (zh) 一种基于因果推断的策略效果评估方法及装置
CN114416467A (zh) 一种异常检测方法及装置
CN111797136A (zh) 基于大数据对空调软故障分析方法、装置及存储介质
CN113657656A (zh) 贷款数据分析预测方法及装置
CN113391987A (zh) 一种上线软件系统的质量预测方法及装置

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
GR01 Patent grant
GR01 Patent grant