CN111352813A - 一种分布式存储使用容量预估方法及装置 - Google Patents

一种分布式存储使用容量预估方法及装置 Download PDF

Info

Publication number
CN111352813A
CN111352813A CN202010110197.XA CN202010110197A CN111352813A CN 111352813 A CN111352813 A CN 111352813A CN 202010110197 A CN202010110197 A CN 202010110197A CN 111352813 A CN111352813 A CN 111352813A
Authority
CN
China
Prior art keywords
distributed storage
capacity
use capacity
curve
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.)
Withdrawn
Application number
CN202010110197.XA
Other languages
English (en)
Inventor
曹涛
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent 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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202010110197.XA priority Critical patent/CN111352813A/zh
Publication of CN111352813A publication Critical patent/CN111352813A/zh
Withdrawn legal-status Critical Current

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
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • 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
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • 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
    • G06F11/3034—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a storage system, e.g. DASD based or network based
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种分布式存储使用容量预估方法及装置，采集数据样本；选择合适步长；将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线；其中，所采集数据样本为按时间序列采集的多组与下一时刻的分布式存储使用容量相关的分布式存储参数。本发明按时间序列采集与下一时刻的分布式存储使用容量相关的分布式存储参数，作为输入向量输入RBF神经网络进行学习获得分布式存储使用容量预估曲线，用户输入相关参数，利用分布式存储使用容量预估曲线可预测分布式存储使用容量短期变化趋势，得到将来某个时刻的分布式存储使用容量。

Description

一种分布式存储使用容量预估方法及装置
技术领域
本发明涉及分布式存储使用容量领域，具体涉及一种分布式存储使用容量的预估方法及装置。
背景技术
分布式存储使用容量对用户购买集群节点或者分布式存储软件自身容量告警具有指导作用，但分布式存储使用容量的估算过程具有复杂性、非线性、时变性等特点，其准确预测一直是一个业内难题，给用户使用带来不便。
发明内容
为解决上述问题，本发明提供一种分布式存储使用容量预估方法及装置，利用RBF神经网络预估分布式存储使用容量，预估效果较佳，方便用户使用。
本发明的技术方案是：一种分布式存储使用容量预估方法，包括以下步骤：
采集数据样本；
选择合适步长；
将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线；
其中，所采集数据样本为按时间序列采集的多组与下一时刻的分布式存储使用容量相关的分布式存储参数。
进一步地，每组与下一时刻的分布式存储使用容量相关的分布式存储参数，包括：
采集数据时刻的使用容量、文件大小、读写比例、顺序随机比例和读写时间。
进一步地，所选择步长为5。
进一步地，将数据样本输入RBF神经网络进行学习前，先将数据样本进行归一化处理。
进一步地，将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线，具体包括：
将数据样本的部分样本作为训练集进行训练，得到训练分布式存储使用容量曲线；
训练结束后，将剩余样本作为测试集进行测试；
若测试结果满足预测要求，则所训练得到的分布式存储使用容量曲线为分布式存储使用容量预估曲线。
本发明的技术方案还包括一种分布式存储使用容量预估装置，包括：
预估曲线获得模块：采集数据样本，利用RBF神经网络获得分布式存储使用容量预估曲线；其中所采集数据样本为按时间序列采集的多组与下一时刻的分布式存储使用容量相关的分布式存储参数。
容量预估模块：接收输入参数，利用分布式存储使用容量预估曲线预估将来分布式存储使用容量。
进一步地，所述预估曲线获得模块包括：
数据采集单元：采集数据样本；
步长设置单元：设置RBF神经网络学习步长；
曲线预估单元：将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线。
进一步地，数据采集单元包括：
采集参数设置子单元：设置需采集的相关参数；
采集时段设置子单元：设置采集数据的时间段；
采集时间间隔设置子单元：设置采集数据的时间间隔。
进一步地，所采集数据样本的每组与下一时刻的分布式存储使用容量相关的分布式存储参数，包括：
采集数据时刻的使用容量、文件大小、读写比例、顺序随机比例和读写时间。
进一步地，步长设置单元所设置步长为5。
本发明提供的分布式存储使用容量预估方法及装置，按时间序列采集与下一时刻的分布式存储使用容量相关的分布式存储参数，作为输入向量输入RBF神经网络进行学习获得分布式存储使用容量预估曲线。RBF神经网络适合用于非线性时间序列预测，本发明将时间序列预测与RBF神经网络相结合，建立时序混合预测模型，对分布式存储使用容量进行估计或者预测，可得到精准预估模型。用户输入相关参数，利用分布式存储使用容量预估曲线可预测分布式存储使用容量短期变化趋势，得到将来某个时刻的分布式存储使用容量，使用户可根据自身实际业务情况优化资源应用，提高用户满足度，且在分布式存储使用过程中，也可以精准预测存储容量并告警，避免由于容量不足带来重大影响。
附图说明
图1是本发明具体实施例一方法流程示意图。
图2是本发明具体实施例二结构示意框图。
图3是本发明具体实施例二数据采集单元结构示意框图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。
实施例一
RBF神经网络是一种三层前向网络，包括输入层、隐含层和输出层。输入层由信号源节点组成；第二层为隐含层，隐单元数视所描述问题的需要而定，隐单元的变换函数RBF是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式的作用做出响应。从输入空间到隐含层空间的变换是非线性的，而从隐含层空间的输出层空间变换是线性的。RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入向量直接映射到隐空间。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和。此处的权即为网络可调参数。由此可见，从总体上看，网络由输入到输出的映射是非线性的，而网络的输出对可调参数而言却是线性的。这样神经网络的权就可由线性方程直接解出，从而大大加快学习速度并避免局部极小问题。
由于RBF神经网络建模的灵活性，既可以构筑时间序列预测的直接模型，也可以通过单步预测器的迭代操作进行多步预测，因此，RBF神经网络适合用于非线性时间序列预测。本文将时间序列预测与RBF神经网络相结合，建立时序混合预测模型，对分布式存储使用容量进行估计或者预测。
如图1所示，本实施例提供一种分布式存储使用容量预估方法，包括以下步骤：
S1，采集数据样本；
S2，选择合适步长；
S3，将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线。
其中，步骤S1中，所采集数据样本为按时间序列采集的多组与下一时刻的分布式存储使用容量相关的分布式存储参数。模型参数的选取十分重要，不全面或有所重复都会影响网络的输出。本方法采用分布式存储使用容量作为网络的输出。输入变量随输出变量而定。分布式存储使用容量与数据读写比例/数据大小/ 数据读写方式随机&顺序以及读写时间等因素有关。本文欲建立分布式存储的使用容量预测模型，首先需确定输入变量。以下一时刻的分布式存储使用容量 C(Ne-c)，此刻的使用容量C(No-c)、文件大小S(sz)、读写比例(rwr)、顺序随机比例(srr)、读写时间(t)为变量，通过建模计算发现Ne-c与No-c、 sz、rwr、srr和t之间的线性关系较好，说明分布式存储使用容量的变化与其历史值及顺序随机比例、读写时间比例关系明显；因此选择No-c、sz、rwr、srr 和t五个因子均作为输入变量。需要说明的是，预测更大型分布式存储使用容量时，可根据同时选择其他相关参数作为输入变量。
另外，采集数据样本时根据设置，确定在哪一时间段，以何种时间间隔采集哪些参数。如在0-100小时内，每隔2小时采集一次参数，每次所参数包括采集时刻的使用容量C(No-c)、文件大小S(sz)、读写比例(rwr)、顺序随机比例(srr)、读写时间(t)五个变量。
本方法所建模型为短时预测，输出为下一时刻分布式存储使用容量。时间序列不同，其前后数据关联程度也不同，在本方法中，有5个输入变量，时间序列相对复杂。输入步长不同会导致预测结果的不同，过大将引入冗余无关的历史数据，太小则不能很好的反映变化趋势。本方法步骤S2中取步长为5，即根据之前5个时刻的分布式存储使用容量历史数据预测下一时刻的使用容量，可得到较好的预测结果。
设置好步长，采集数据样本作为训练集和测试集输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线。本方法可利用Matlab7.11.0中的newrbe 函数建立RBF神经网络。
进行学习训练时，先将数据样本的部分样本作为训练集进行训练，得到训练分布式存储使用容量曲线；训练结束后，将剩余样本作为测试集进行测试；若测试结果满足预测要求，则所训练得到的分布式存储使用容量曲线为分布式存储使用容量预估曲线。
具体的，取测试搜集数据(共120组)作为训练集，另外10组数据作为测试集。由于现有数据量(共120组)有限，且数据分布不均匀，为便于建模，可采用内插和外推的方法估计出需要的数据。三次多项式样条插值具有较小的全局误差和良好的连续特性，本实施例采用此插值方法，由此共获得142组数据。仿真结束时，剔除插入值，避免插入值对预测结果的影响。
由于原始数据各因子的量纲和数量级不同，为了减小数值差异，保证所建神经网络对于样本有足够的输入灵敏性和良好的拟合性，在网络训练前要先对变量进行归一化处理。本实施例可采用如下公式:
X’＝0.8×(X－Xmin)/(Xmax－Xmin)+0.1
将样本数据统一到[0.1，0.9]。式中，X为输入向量，X'为X标准化后的值，Xmax和Xmin分别为原始数据的最大值和最小值。通过以上处理，可加快网络训练速度，有利于网络训练。预测结束，按照其逆函数进行反归一化处理。
最后用测试集检测时，可采用预测值与实测值的相关系数(R)、均方根误差(RMSE)和平均绝对相对误差(AARE)指标对预测结果进行评价。
利用本实施例方法，训练出分布式存储使用容量预估曲线，用户使用时输入变量，即可利用该曲线预测将来某个时刻的使用容量。
实施例二
本实施例提供一种分布式存储使用容量预估装置，供用户训练曲线和预估将来某个时刻分布式存储使用容量。
如图2所示，该装置包括预估曲线获得模块1和容量预估模块2。
其中预估曲线获得模块1采集数据样本，利用RBF神经网络获得分布式存储使用容量预估曲线；容量预估模块2接收输入参数，利用分布式存储使用容量预估曲线预估将来分布式存储使用容量。
预估曲线获得模块1包括数据采集单元11、步长设置单元12和曲线预估单元13。数据采集单元11执行采集数据样本；步长设置单元12供用户设置RBF 神经网络学习步长；曲线预估单元13将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线。
数据采集单元11所采集数据样本根据所设置需采集输入变量采集。采集数据样本为按时间序列采集的多组与下一时刻的分布式存储使用容量相关的分布式存储参数。模型参数的选取十分重要，不全面或有所重复都会影响网络的输出。本装置采用分布式存储使用容量作为网络的输出。输入变量随输出变量而定。分布式存储使用容量与数据读写比例/数据大小/数据读写方式随机&顺序以及读写时间等因素有关。本文欲建立分布式存储的使用容量预测模型，首先需确定输入变量。以下一时刻的分布式存储使用容量C(Ne-c)，此刻的使用容量C(No-c)、文件大小S(sz)、读写比例(rwr)、顺序随机比例(srr)、读写时间(t)为变量，通过建模计算发现Ne-c与No-c、sz、rwr、srr和t之间的线性关系较好，说明分布式存储使用容量的变化与其历史值及顺序随机比例、读写时间比例关系明显；因此选择No-c、sz、rwr、srr和t五个因子均作为输入变量。需要说明的是，预测更大型分布式存储使用容量时，可根据同时选择其他相关参数作为输入变量。
如图3所示，本实施例中，数据采集单元11包括采集参数设置子单元11-1、采集时段设置子单元11-2和采集时间间隔设置子单元11-3，供用户设置采集数据的相关设置。
采集参数设置子单元11-1用于设置需采集的相关参数，采集时段设置子单元11-2用于设置采集数据的时间段，采集时间间隔设置子单元11-3用于设置采集数据的时间间隔。根据设置，确定在哪一时间段，以何种时间间隔采集哪些参数。如在0-100小时内，每隔2小时采集一次参数，每次所参数包括采集时刻的使用容量C(No-c)、文件大小S(sz)、读写比例(rwr)、顺序随机比例(srr)、读写时间(t)五个变量。
本装置所建模型为短时预测，输出为下一时刻分布式存储使用容量。时间序列不同，其前后数据关联程度也不同，在本装置中，有5个输入变量，时间序列相对复杂。输入步长不同会导致预测结果的不同，过大将引入冗余无关的历史数据，太小则不能很好的反映变化趋势。步长设置单元12取步长为5，即根据之前5个时刻的分布式存储使用容量历史数据预测下一时刻的使用容量，可得到较好的预测结果。
曲线预估单元13将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线。具体的，曲线预估单元13进行学习训练时，先将数据样本的部分样本作为训练集进行训练，得到训练分布式存储使用容量曲线；训练结束后，将剩余样本作为测试集进行测试；若测试结果满足预测要求，则所训练得到的分布式存储使用容量曲线为分布式存储使用容量预估曲线。
例如，取测试搜集数据(共120组)作为训练集，另外10组数据作为测试集。由于现有数据量(共120组)有限，且数据分布不均匀，为便于建模，可采用内插和外推的方法估计出需要的数据。三次多项式样条插值具有较小的全局误差和良好的连续特性，本实施例采用此插值方法，由此共获得142组数据。仿真结束时，剔除插入值，避免插入值对预测结果的影响。
由于原始数据各因子的量纲和数量级不同，为了减小数值差异，保证所建神经网络对于样本有足够的输入灵敏性和良好的拟合性，在网络训练前要先对变量进行归一化处理。本实施例可采用如下公式:
X’＝0.8×(X－Xmin)/(Xmax－Xmin)+0.1
将样本数据统一到[0.1，0.9]。式中，X为输入向量，X'为X标准化后的值，Xmax和Xmin分别为原始数据的最大值和最小值。通过以上处理，可加快网络训练速度，有利于网络训练。预测结束，按照其逆函数进行反归一化处理。
最后用测试集检测时，可采用预测值与实测值的相关系数(R)、均方根误差(RMSE)和平均绝对相对误差(AARE)指标对预测结果进行评价。
利用本实施例装置，预估曲线获得模块1训练出分布式存储使用容量预估曲线，用户在容量预估模块2输入变量，即可利用该曲线预测将来某个时刻的使用容量。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (10)

1.一种分布式存储使用容量预估方法，其特征在于，包括以下步骤：
采集数据样本；
选择合适步长；
将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线；
其中，所采集数据样本为按时间序列采集的多组与下一时刻的分布式存储使用容量相关的分布式存储参数。
2.根据权利要求1所述的分布式存储使用容量预估方法，其特征在于，每组与下一时刻的分布式存储使用容量相关的分布式存储参数，包括：
采集数据时刻的使用容量、文件大小、读写比例、顺序随机比例和读写时间。
3.根据权利要求1或2所述的分布式存储使用容量预估方法，其特征在于，所选择步长为5。
4.根据权利要求1或2所述的分布式存储使用容量预估方法，其特征在于，将数据样本输入RBF神经网络进行学习前，先将数据样本进行归一化处理。
5.根据权利要求1或2所述的分布式存储使用容量预估方法，其特征在于，将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线，具体包括：
将数据样本的部分样本作为训练集进行训练，得到训练分布式存储使用容量曲线；
训练结束后，将剩余样本作为测试集进行测试；
若测试结果满足预测要求，则所训练得到的分布式存储使用容量曲线为分布式存储使用容量预估曲线。
6.一种分布式存储使用容量预估装置，其特征在于，包括：
预估曲线获得模块：采集数据样本，利用RBF神经网络获得分布式存储使用容量预估曲线；其中所采集数据样本为按时间序列采集的多组与下一时刻的分布式存储使用容量相关的分布式存储参数。
容量预估模块：接收输入参数，利用分布式存储使用容量预估曲线预估将来分布式存储使用容量。
7.根据权利要求6所述的分布式存储使用容量预估装置，其特征在于，所述预估曲线获得模块包括：
数据采集单元：采集数据样本；
步长设置单元：设置RBF神经网络学习步长；
曲线预估单元：将数据样本输入RBF神经网络进行学习，获得分布式存储使用容量预估曲线。
8.根据权利要求7所述的分布式存储使用容量预估装置，其特征在于，数据采集单元包括：
采集参数设置子单元：设置需采集的相关参数；
采集时段设置子单元：设置采集数据的时间段；
采集时间间隔设置子单元：设置采集数据的时间间隔。
9.根据权利要求6、7或8所述的分布式存储使用容量预估装置，其特征在于，所采集数据样本的每组与下一时刻的分布式存储使用容量相关的分布式存储参数，包括：
采集数据时刻的使用容量、文件大小、读写比例、顺序随机比例和读写时间。
10.根据权利要求6、7或8所述的分布式存储使用容量预估装置，其特征在于，步长设置单元所设置步长为5。
CN202010110197.XA 2020-02-23 2020-02-23 一种分布式存储使用容量预估方法及装置 Withdrawn CN111352813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010110197.XA CN111352813A (zh) 2020-02-23 2020-02-23 一种分布式存储使用容量预估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010110197.XA CN111352813A (zh) 2020-02-23 2020-02-23 一种分布式存储使用容量预估方法及装置

Publications (1)

Publication Number Publication Date
CN111352813A true CN111352813A (zh) 2020-06-30

Family

ID=71197185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010110197.XA Withdrawn CN111352813A (zh) 2020-02-23 2020-02-23 一种分布式存储使用容量预估方法及装置

Country Status (1)

Country Link
CN (1) CN111352813A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074209A (zh) * 2023-02-20 2023-05-05 中移动信息技术有限公司 数据预测方法、装置、设备及计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201783A (zh) * 2006-12-14 2008-06-18 英业达股份有限公司 网络存储系统的存储空间不足预警方法
CN101291250A (zh) * 2008-04-25 2008-10-22 北京泰得思达科技发展有限公司 一种网络存储系统的存储空间不足警报方法
CN109376905A (zh) * 2018-09-20 2019-02-22 广东亿迅科技有限公司 磁盘空间预测方法、装置、计算机设备和存储介质
CN109976975A (zh) * 2019-03-26 2019-07-05 北京大道云行科技有限公司 一种磁盘容量预测方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201783A (zh) * 2006-12-14 2008-06-18 英业达股份有限公司 网络存储系统的存储空间不足预警方法
CN101291250A (zh) * 2008-04-25 2008-10-22 北京泰得思达科技发展有限公司 一种网络存储系统的存储空间不足警报方法
CN109376905A (zh) * 2018-09-20 2019-02-22 广东亿迅科技有限公司 磁盘空间预测方法、装置、计算机设备和存储介质
CN109976975A (zh) * 2019-03-26 2019-07-05 北京大道云行科技有限公司 一种磁盘容量预测方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074209A (zh) * 2023-02-20 2023-05-05 中移动信息技术有限公司 数据预测方法、装置、设备及计算机存储介质

Similar Documents

Publication Publication Date Title
CN109376401B (zh) 一种自适应多源信息优选与融合的机械剩余寿命预测方法
CN111526119B (zh) 异常流量检测方法、装置、电子设备和计算机可读介质
CN109065176B (zh) 一种血糖预测方法、装置、终端和存储介质
CN104364805A (zh) 信息处理器、信息处理方法和程序
TWI759027B (zh) 電池性能評鑑方法及電池性能評鑑裝置
CN114290960A (zh) 获取动力电池的电池健康度的方法、装置和车辆
CN104794112B (zh) 时间序列处理方法及装置
CN113988441A (zh) 电力无线网络链路质量预测、模型训练方法及装置
CN116718924A (zh) 一种基于电磁检测技术的数字孪生电池构建方法
CN117471227A (zh) 汽车线束参数性能测试方法及测试系统
CN114330647A (zh) 模型训练方法、装置及硅棒重量预测方法
CN115158076A (zh) 计量误差评估方法、装置及计算机可读存储介质
CN117290685A (zh) 一种基于历史数据的电厂电力设备专家诊断系统及方法
CN110222905A (zh) 一种预测人流量的方法及装置
CN111352813A (zh) 一种分布式存储使用容量预估方法及装置
CN113984245A (zh) 一种数据中心机房温度检测与温度场重建方法及系统
CN115983165A (zh) Lms自适应滤波器的性能测试方法和性能测试装置
CN104821854A (zh) 一种基于随机集的多主用户多维频谱感知方法
JP3515300B2 (ja) プラント状態予測装置
CN115841049A (zh) 一种基于多源信息融合的设备寿命可靠性评估方法及系统
CN116167007A (zh) 基于门控递归单元自编码神经网络的模拟电路检测方法
CN114358162B (zh) 一种基于连续小波变换的跌倒检测方法、装置及电子设备
Temraz et al. Review of electric load forecasting methods
CN106788816A (zh) 一种信道状态检测方法及装置
CN101672664B (zh) 一种变值系统误差检测系统及其检测方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200630

WW01 Invention patent application withdrawn after publication