CN111585789A - 数据预测方法及装置 - Google Patents
数据预测方法及装置 Download PDFInfo
- Publication number
- CN111585789A CN111585789A CN202010284555.9A CN202010284555A CN111585789A CN 111585789 A CN111585789 A CN 111585789A CN 202010284555 A CN202010284555 A CN 202010284555A CN 111585789 A CN111585789 A CN 111585789A
- Authority
- CN
- China
- Prior art keywords
- data
- cell
- integrity
- value
- prediction
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种数据预测方法及装置,涉及通信领域,能够提高数据预测的准确性。该方法包括获取目标小区的性能指标数据的M个时间段的测量值;根据M个时间段的测量值,确定M‑1个数据误差;其中,第p个数据误差等于第p+1个时间段的测量值与第p个时间段的测量值之间的差值;计算M‑1个数据误差的平均值以及方差;若平均值小于第一阈值,且方差小于第二阈值,则以性能指标数据的第M个时间段的测量值作为第M+1个时间段的预测值;若平均值大于等于第一阈值且小于等于第三阈值,且方差小于第二阈值,则根据M个时间段的测量值,以及预测算法,确定性能指标数据的第M+1个时间段的预测值。本发明方法用于对数据进行预测。
Description
技术领域
本发明涉及通信领域,尤其涉及一种数据预测方法及装置。
背景技术
随着信息网络的快速发展和智能终端的不断普及,通信网络用户规模与日俱增,各类业务应用层出不穷,通信网络各项指标呈现复杂多样的变化。为了适应这种变化,需采取针对性的网络规划与优化,开展电信网络性能指标趋势预测。
现有的网络性能指标数据预测方法都是直接将小区的历史数据输入到预设模型中,得出小区的性能指标的预测数据。然而现有技术方案并未适应快速发展的信息网络,在对数据进行预测时,存在较大的误差。
发明内容
本发明的实施例提供一种数据预测方法及装置,用于预测小区性能指标。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供一种数据预测方法,该方法包括:获取目标小区的性能指标数据的M个时间段的测量值,M为大于等于2的正整数;根据M个时间段的测量值,确定M-1个数据误差;其中,第p个数据误差等于第p+1个时间段的测量值与第p个时间段的测量值之间的差值,p为自然数;计算M-1个数据误差的平均值以及方差;若平均值小于第一阈值,且方差小于第二阈值,则以性能指标数据的第M个时间段的测量值作为第M+1个时间段的预测值;若平均值大于等于第一阈值且小于等于第三阈值,且方差小于第二阈值,则根据M个时间段的测量值,以及预测算法,确定性能指标数据的第M+1个时间段的预测值。
基于上述技术方案,服务器通过根据目标小区的性能指标数据的M个时间段的测量值,计算得出M-1个数据误差的平均值以及方差;此平均值和方差表征了目标小区的性能指标数据的变化规律。当平均值小于第一阈值,且方差小于第二阈值时,则确定目标小区的性能指标数据变化小,性能指标数据稳定,此时将第M个时间段的测量值作为第M+1个时间段的预测值。当平均值大于等于第一阈值且小于等于第三阈值,且方差小于第二阈值,则确定目标小区的性能指标数据变化波动在一定范围内,根据预测算法确定第M+1个时间段的预测值。这样,服务器可以通过目标小区的性能指标数据的变化规律,选择不同的预测方法对目标小区进行数据预测,提高了小区数据预测的准确性。
第二方面,提供一种数据预测装置,包括:通信模块和处理模块;通信模块,用于获取目标小区的性能指标的M个时间段的测量值,M为大于等于2的正整数;处理模块,用于根据通信模块获取的M个时间段的测量值,确定M-1个数据误差;其中,第p个数据误差等于第p+1个时间段的测量值与第p个时间段的测量值之间的差值,p为自然数;处理模块,还用于计算M-1个数据误差的平均值以及方差;处理模块,还用于若平均值小于第一阈值,且方差小于第二阈值,则以性能指标数据的第M个时间段的测量值作为第M+1个时间段的预测值;若平均值大于等于第一阈值且小于等于第三阈值,且方差小于第二阈值,则根据M个时间段的测量值,以及预测算法,确定性能指标数据的第M+1个时间段的预测值。
第三方面,提供一种数据预测装置,包括存储器和处理器。存储器用于存储计算机执行指令,处理器与存储器通过总线连接。当数据预测装置运行时,处理器执行存储器存储的计算机执行指令,以使数据预测装置执行第一方面所描述的数据预测方法。
第四方面,提供一种计算机可读存储介质,计算机可读存储介质包括计算机执行指令,当计算机执行指令在计算机上运行时,使得计算机执行如第一方面或第二方面所描述的数据预测方法。
第五方面,本发明提供一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行上述第一方面所描述的数据预测方法。
第六方面,本发明实施例提供一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行计算机程序或指令,以实现如第一方面所描述的数据预测方法。
附图说明
图1为本发明实施例提供的一种数据预测方法的流程示意图;
图2为本发明实施例提供的另一种数据预测方法的流程示意图;
图3为本发明实施例提供的一种数据预测装置的结构示意图;
图4为本发明实施例提供的另一种数据预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
还需要说明的是,本发明实施例中,“的(英文:of)”,“相应的(英文:corresponding,relevant)”和“对应的(英文:corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
随着信息网络的快速发展和智能终端的不断普及,通信网络用户规模与日俱增,各类业务应用层出不穷,通信网络各项指标呈现复杂多样的变化。
现有的数据预测方法在对数据进行预测时,并未考虑数据的变化,导致最后得出的预测数据并不准确。
针对上述问题,如图1所示,为本发明实施例提供的一种数据预测方法,该方法应用于运营商的服务器,还可以应用于运营商的服务器,本发明实施例以运营商的服务器为例,该方法包括:
S101、服务器获取目标小区的性能指标数据的M个时间段的测量值。
其中,M为大于等于2的正整数。性能指标数据至少包括无线网络话务量、流量、下行物理资源块(physical resource block,PRB)利用率、上行PRB利用率、控制信道单元(control channel element,CCE)利用率、无线资源利用率、有效无线资源控制(radioresource control,RRC)连接平均用户数。
可选的,时间段可以是月、天以及小时,即可以根据预测的实际情况进行选择合适的时间段。
示例性的,服务器预测周五的性能指标数据,则获取周一至周五的性能指标数据的测量值,在此实际情况中,天为时间段。
示例性的,服务器预测周五10点至11点的性能指标数据,则获取从周一到周四之间10点至11点的性能指标数据的测量值。在此实际情况中,小时为时间段。
示例性的,服务器预测周五10点至11点的性能指标数据,则获取从周一至周四的性能指标数据的测量值,并根据周一到周四10点至11点的性能指标数据进行下一步骤的计算。在此实际情况中,小时为时间段。
S102、服务器根据M个时间段的测量值,确定M-1个数据误差。
其中,第p个数据误差等于第p+1个时间段的测量值与第p个时间段的测量值之间的差值,p为自然数。
示例性的,服务器获取周一至周四的测量值,则3个数据误差分别为周二的测量值减去周一的测量值,周三的测量值减去周二的测量值,周四的测量值减去周三的测量值。
可选的,为了提高性能指标数据预测的准确性,需要将偶然性的一些因素除去。即当预测工作日的性能指标数据时,选取的M个时间段全部是工作日,不包括节假日。当预测节假日的性能指标数据时,选取的M个时间段全部是节假日,不包括工作日。
S103、服务器计算M-1个数据误差的平均值以及方差。
作为一种可能的实现方式,服务器根据平均值公式计算数据误差的平均值,根据方差公式计算数据误差的方差。
其中,平均值公式为:
其中,L为M-1个数据误差的平均值,Ri为M-1个数据误差的中的第i个数据误差。
其中,方差公式为:
其中,S为M-1个数据误差的方差。
S104、若平均值小于第一阈值,且方差小于第二阈值,则服务器以性能指标数据的第M个时间段的测量值作为第M+1个时间段的预测值。
示例性的,服务器获取周一至周四的性能指标数据的测量值,计算周五的性能指标数据的预测值;若服务器计算出周一至周四的数据误差的平均值小于第一阈值,且周一至周四的数据误差的小于第二阈值,则表示在周一至周四期间,目标小区的性能指标数据比较稳定,变化较小,则将周四的性能指标数据的测量值,作为周五的性能指标数据的预测值。
S105、若平均值大于等于第一阈值且小于等于第三阈值,且方差小于第二阈值,则服务器根据M个时间段的测量值,以及预测算法,确定性能指标数据的第M+1个时间段的预测值。
可选的,预测算法包括prophet算法和ARIMA算法。
作为一种可能的实现方式,服务器将M个时间段的测量值输入到prophet算法得出第M+1个时间段的预测值。或者服务器将M个时间段的测量值输入到自回归积分滑动平均(autoregressive integrated moving average model,ARIMA)算法得出第M+1个时间段的预测值。或者服务器将基于prophet算法得出的预测值以及基于ARIMA算法得出的预测值进行平均值计算得出第M+1个时间段的预测值。
可选的,若平均值以及方差不满足步骤S104或S105中的条件,则表明目标小区的性能指标数据变化波动无规律,预测性能指标数据存在较大的误差,因此针对此情况,本方法不对此目标小区进行数据预测。
需要说明的是,本方法中的阈值(第一阈值至第六阈值)可以由运营商根据小区的性能指标数据的变化进行设定。可选的,还可以针对不同的目标小区,设置不同的阈值。示例性的,当服务器运用本方法对目标小区1进行性能指标数据预测时,本方法中的阈值可以根据目标小区1的性能指标数据的测量值进行设定。
基于上述技术方案,服务器通过根据目标小区的性能指标数据的M个时间段的测量值,计算得出M-1个数据误差的平均值以及方差;此平均值和方差表征了目标小区的性能指标数据的变化规律。当平均值小于第一阈值,且方差小于第二阈值时,则确定目标小区的性能指标数据变化小,性能指标数据稳定,此时直接将第M个时间段的测量值作为第M+1个时间段的预测值。当平均值大于等于第一阈值且小于等于第三阈值,且方差小于第二阈值,则确定目标小区的性能指标数据变化波动在一定范围内,则根据预测算法确定第M+1个时间段的预测值。这样,服务器可以通过目标小区的性能指标数据的变化规律,选择不同的预测方法对目标小区进行数据预测,提高了小区数据预测的准确性。
可选的,若小区的性能指标数据的测量值比较完整,则在对小区进行性能指标数据预测时,有利用提高小区的性能指标数据预测的准确性。因此,参照图2所示,在执行上述实施例之前,服务器还需要对小区的性能指标数据的完整性进行判断。即在步骤S101之前,本发明实施例还包括步骤S201-S203。
S201、服务器获取小区N天的数据条数。
其中,数据条数指在预设时间内基站向服务器(网络平台)上报小区性能指标数据的次数。
示例性的,参照表1所示,1号小区在1分钟内的数据条数为4条。
表1、1号小区数据条数
时间 | 接入网 | 小区号 | 基站号 | 上行PRB利用率 |
2020/1/1 0:00 | 4G | 1 | 1111 | 12% |
2020/1/1 0:00 | 4G | 1 | 2222 | 11.14% |
2020/1/1 0:00 | 4G | 1 | 3333 | 5.6% |
2020/1/1 0:01 | 4G | 1 | 4444 | 7.8% |
作为一种可能的实现方式,由基站周期性的上报小区的数据条数。
S202、服务器根据N天的数据条数确定小区的第一数据完整度、第二数据完整度和第三数据完整度。
其中,第一数据完整度用于表征小区在历史时期的数据的完整程度;第二数据完整度用于表征小区在一天内的数据的完整程度;第三数据完整度用于表征小区在一个小时内的数据的完整程度。
可选的,第一数据完整度根据第一公式得出,第二数据完整度根据第二公式得出,第三数据完整度根据第三公式得出。
其中,a表示第一数据完整度,b表示小区N天的数据条数,c表示第二数据完整度,e表示小区一天的数据条数,g表示第三数据完整度,h表示小区一个小时的数据条数。
S203、若小区的第一数据完整度大于第四阈值,第二数据完整度大于第五阈值,且第三数据完整度大于第六阈值,则服务器确定该小区为符合第一预设条件的目标小区。
其中,第一预设条件包括:第一数据完整度大于第四阈值,第二数据完整度大于第五阈值,第三数据完整度大于第六阈值。
可选的,若小区不符合第一预设条件,则表明小区的性能指标数据存在缺失,对小区的性能指标数据预测存在较差的影响,不利于小区的性能指标数据预测的准确性。针对此情况,本方法不对该小区进行数据预测。
本发明实施例可以根据上述方法示例对网络设备进行功能模块或者功能单元划分,例如,可以对应各个功能划分各个功能模块或者功能单元,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块或者功能单元的形式实现。其中,本发明实施例中对模块或者单元的划分是示意性的,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。
如图3所示,为本发明实施例提供的一种数据预测装置10的结构示意图。该数据预测装置10用于执行图1所示的数据预测方法。数据预测装置10包括:通信模块11和处理模块12。其中,通信模块11,用于获取目标小区的性能指标的M个时间段的测量值,M为大于等于2的正整数;处理模块12,用于根据通信模块11获取的M个时间段的测量值,确定M-1个数据误差;其中,第p个数据误差等于第p+1个时间段的测量值与第p个时间段的测量值之间的差值,p为自然数;处理模块12,还用于计算M-1个数据误差的平均值以及方差;处理模块12,还用于若平均值小于第一阈值,且方差小于第二阈值,则以性能指标数据的第M个时间段的测量值作为第M+1个时间段的预测值;若平均值大于等于第一阈值且小于等于第三阈值,且方差小于第二阈值,则根据M个时间段的测量值,以及预测算法,确定性能指标数据的第M+1个时间段的预测值。
可选的,目标小区为符合第一预设条件的小区。第一预设条件包括:小区的第一数据完整度大于第四阈值,第一数据完整度用于表征小区在历史时期的数据的完整程度;小区的第二数据完整度大于第五阈值,第二数据完整度用于表征小区在一天内的数据的完整程度;小区的第三数据完整度大于第六阈值,第三数据完整度用于表征小区在一个小时内的数据的完整程度。
可选的,第一数据完整度根据第一公式得出,第二数据完整度根据第二公式得出,第三数据完整度根据第三公式得出;
其中,a表示第一数据完整度,b表示小区N天的数据条数,c表示第二数据完整度,e表示小区一天的数据条数,g表示第三数据完整度,h表示小区一个小时的数据条数。
参照图4所示,本发明实施例还提供一种数据预测装置,包括存储器41、处理器42、总线43和通信接口44;存储器41用于存储计算机执行指令,处理器42与存储器41通过总线43连接;当数据预测装置运行时,处理器42执行存储器41存储的计算机执行指令,以使数据预测装置执行如上述实施例提供的数据预测方法。
在具体的实现中,作为一种实施例,处理器42(42-1和42-2)可以包括一个或多个CPU,例如图4中所示的CPU0和CPU1。且作为一种实施例,数据预测装置可以包括多个处理器42,例如图4中所示的处理器42-1和处理器42-2。这些处理器42中的每一个CPU可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器42可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器41可以是只读存储器41(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器41可以是独立存在,通过总线43与处理器42相连接。存储器41也可以和处理器42集成在一起。
在具体的实现中,存储器41,用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器42可以通过运行或执行存储在存储器41内的软件程序,以及调用存储在存储器41内的数据,数据预测装置的各种功能。
通信接口44,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如控制系统、无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。通信接口44可以包括接收单元实现接收功能,以及发送单元实现发送功能。
总线43,可以是工业标准体系结构(industry standard architecture,ISA)总线、外部设备互连(peripheral component interconnect,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线43可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质包括计算机执行指令,当计算机执行指令在计算机上运行时,使得计算机执行如上述实施例提供的数据预测方法。
本发明实施例还提供一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行上述实施例提供的数据预测方法。
本发明实施例还提供一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行计算机程序或指令,以实现上述实施例提供的数据预测方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
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,所述模块或单元的划分,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装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。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一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。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,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例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个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种数据预测方法,其特征在于,所述方法包括:
获取目标小区的性能指标数据的M个时间段的测量值,M为大于等于2的正整数;
根据所述M个时间段的测量值,确定M-1个数据误差;其中,第p个数据误差等于第p+1个时间段的测量值与第p个时间段的测量值之间的差值,p为自然数;
计算所述M-1个数据误差的平均值以及方差;
若所述平均值小于第一阈值,且所述方差小于第二阈值,则以所述性能指标数据的第M个时间段的测量值作为第M+1个时间段的预测值;若所述平均值大于等于所述第一阈值且小于等于第三阈值,且所述方差小于所述第二阈值,则根据所述M个时间段的测量值,以及预测算法,确定所述性能指标数据的第M+1个时间段的预测值。
2.根据权利要求1所述的数据预测方法,其特征在于,所述目标小区为符合第一预设条件的小区;
所述第一预设条件包括:
所述小区的第一数据完整度大于第四阈值,所述第一数据完整度用于表征所述小区在历史时期的数据的完整程度;
所述小区的第二数据完整度大于第五阈值,所述第二数据完整度用于表征所述小区在一天内的数据的完整程度;
所述小区的第三数据完整度大于第六阈值,所述第三数据完整度用于表征所述小区在一个小时内的数据的完整程度。
4.根据权利要求1至3任一项所述的数据预测方法,其特征在于,所述预测算法包括prophet算法和自回归积分滑动平均ARIMA算法。
5.一种数据预测装置,其特征在于,包括:通信模块和处理模块;
所述通信模块,用于获取目标小区的性能指标数据的M个时间段的测量值,M为大于等于2的正整数;
所述处理模块,用于根据所述通信模块获取的所述M个时间段的测量值,确定M-1个数据误差;其中,第p个数据误差等于第p+1个时间段的测量值与第p个时间段的测量值之间的差值,p为自然数;
所述处理模块,还用于计算所述M-1个数据误差的平均值以及方差;
所述处理模块,还用于若所述平均值小于第一阈值,且所述方差小于第二阈值,则以所述性能指标数据的第M个时间段的测量值作为第M+1个时间段的预测值;若所述平均值大于等于第一阈值且小于等于第三阈值,且所述方差小于第二阈值,则根据所述M个时间段的测量值,以及预测算法,确定所述性能指标数据的第M+1个时间段的预测值。
6.根据权利要求5所述的数据预测装置,其特征在于,所述目标小区为符合第一预设条件的小区;
所述第一预设条件包括:
所述小区的第一数据完整度大于第四阈值,所述第一数据完整度用于表征所述小区在历史时期的数据的完整程度;
所述小区的第二数据完整度大于第五阈值,所述第二数据完整度用于表征所述小区在一天内的数据的完整程度;
所述小区的第三数据完整度大于第六阈值,所述第三数据完整度用于表征所述小区在一个小时内的数据的完整程度。
8.根据权利要求5至7任一项所述的数据预测装置,其特征在于,所述预测算法包括prophet算法和自回归积分滑动平均ARIMA算法。
9.一种数据预测装置,其特征在于,包括存储器和处理器;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过总线连接;
当所述数据预测装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述数据预测装置执行如权利要求1-4任一项所述的数据预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机执行指令,当所述计算机执行指令在计算机上运行时,使得所述计算机执行如权利要求1-4任一项所述的数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010284555.9A CN111585789B (zh) | 2020-04-13 | 2020-04-13 | 数据预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010284555.9A CN111585789B (zh) | 2020-04-13 | 2020-04-13 | 数据预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111585789A true CN111585789A (zh) | 2020-08-25 |
CN111585789B CN111585789B (zh) | 2023-02-17 |
Family
ID=72124279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010284555.9A Active CN111585789B (zh) | 2020-04-13 | 2020-04-13 | 数据预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111585789B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232604A (zh) * | 2020-12-09 | 2021-01-15 | 南京信息工程大学 | 基于Prophet模型提取网络流量的预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964998A (zh) * | 2009-07-24 | 2011-02-02 | 北京亿阳信通软件研究院有限公司 | 一种电信网络普通节日话务量的预测方法及其装置 |
US20110286328A1 (en) * | 2010-05-20 | 2011-11-24 | Hitachi, Ltd. | System management method and system management apparatus |
CN106452934A (zh) * | 2015-08-10 | 2017-02-22 | 中国移动通信集团公司 | 一种网络性能指标变化趋势的分析方法和装置 |
-
2020
- 2020-04-13 CN CN202010284555.9A patent/CN111585789B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964998A (zh) * | 2009-07-24 | 2011-02-02 | 北京亿阳信通软件研究院有限公司 | 一种电信网络普通节日话务量的预测方法及其装置 |
US20110286328A1 (en) * | 2010-05-20 | 2011-11-24 | Hitachi, Ltd. | System management method and system management apparatus |
CN106452934A (zh) * | 2015-08-10 | 2017-02-22 | 中国移动通信集团公司 | 一种网络性能指标变化趋势的分析方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232604A (zh) * | 2020-12-09 | 2021-01-15 | 南京信息工程大学 | 基于Prophet模型提取网络流量的预测方法 |
CN112232604B (zh) * | 2020-12-09 | 2021-06-11 | 南京信息工程大学 | 基于Prophet模型提取网络流量的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111585789B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8578023B2 (en) | Computer resource utilization modeling for multiple workloads | |
CN111785392B (zh) | 人口数量的预警方法、装置、电子设备及计算机可读介质 | |
CN111866775A (zh) | 一种业务编排方法及装置 | |
CN111147395B (zh) | 一种网络资源调整方法及装置 | |
CN111866902B (zh) | 资源利用率的评估方法和装置 | |
EP2977898B1 (en) | Task allocation in a computing environment | |
CN111160614B (zh) | 资源转移预测模型的训练方法、装置及计算设备 | |
CN103646670B (zh) | 一种评估存储系统性能的方法和设备 | |
CN112469075A (zh) | 节能小区的业务预测方法和装置 | |
CN110636522B (zh) | 一种通信网络覆盖质量的确定方法及装置 | |
CN111585789B (zh) | 数据预测方法及装置 | |
CN117311999B (zh) | 一种服务集群的资源调度方法、存储介质及电子设备 | |
CN112949697B (zh) | 一种管道异常的确认方法、装置及计算机可读存储介质 | |
CN116246787B (zh) | 一种非复发死亡的风险预测方法和装置 | |
CN112434885A (zh) | 节能小区的业务预测方法和装置 | |
CN109408225B (zh) | 资源扩容方法、装置、计算机设备以及存储介质 | |
CN116782342A (zh) | 无线分频通信方法、装置、通讯模块及电子设备 | |
CN112488141B (zh) | 物联卡应用范围的确定方法、装置及计算机可读存储介质 | |
CN109059989B (zh) | 一种仪表剩余寿命评估的方法、系统及设备 | |
CN117135756B (zh) | 异构无线网络资源分配方法、装置及终端设备 | |
WO2024066330A1 (zh) | Gpu资源调度方法、服务器及存储介质 | |
CN113891363B (zh) | 小区扩容指数的预测方法、装置及计算机可读存储介质 | |
CN117056663B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN118195707B (zh) | 用户行为分析方法、系统、装置及计算机可读存储介质 | |
CN109753405B (zh) | 应用资源消耗的检测方法、装置、存储介质和电子设备 |
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 |