CN112418509A - 任务数据预测方法、装置、存储介质及电子装置 - Google Patents

任务数据预测方法、装置、存储介质及电子装置 Download PDF

Info

Publication number
CN112418509A
CN112418509A CN202011300298.XA CN202011300298A CN112418509A CN 112418509 A CN112418509 A CN 112418509A CN 202011300298 A CN202011300298 A CN 202011300298A CN 112418509 A CN112418509 A CN 112418509A
Authority
CN
China
Prior art keywords
task data
target
type
task
time
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
Application number
CN202011300298.XA
Other languages
English (en)
Inventor
陶晓燕
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.)
Qingdao Haier Technology Co Ltd
Haier Smart Home Co Ltd
Original Assignee
Qingdao Haier Technology Co Ltd
Haier Smart Home 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 Qingdao Haier Technology Co Ltd, Haier Smart Home Co Ltd filed Critical Qingdao Haier Technology Co Ltd
Priority to CN202011300298.XA priority Critical patent/CN112418509A/zh
Publication of CN112418509A publication Critical patent/CN112418509A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/219—Managing data history or versioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种任务数据预测方法、装置、存储介质及电子装置，其中，该方法包括：获取执行目标任务时所产生的实际任务数据；确定产生实际任务数据的目标时间的时间类型；获取与时间类型相同的其他时间中所产生的目标任务的历史任务数据；基于历史任务数据以及与时间类型对应的指数平滑算法预测在目标时间中执行目标任务时所产生的预测任务数据。通过本发明，解决了相关技术中存在的预测任务数据不准确的问题，提高了预测任务数据的准确率。

Description

任务数据预测方法、装置、存储介质及电子装置
技术领域
本发明实施例涉及通信领域，具体而言，涉及一种任务数据预测方法、装置、存储介质及电子装置。
背景技术
在相关技术中，通常会利用历史任务数据预测未来任务数据的分布特点，确定未来任务数据。然而，在相关技术中存在预测任务数据不准确的问题。
针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种任务数据预测方法、装置、存储介质及电子装置，以至少解决相关技术中存在的预测任务数据不准确的问题。
根据本发明的一个实施例，提供了一种任务数据预测方法，包括：获取执行目标任务时所产生的实际任务数据；确定产生所述实际任务数据的目标时间的时间类型；获取与所述时间类型相同的其他时间中所产生的所述目标任务的历史任务数据；基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在一个示例性实施例中，确定产生所述实际任务数据的目标时间的时间类型包括：统计所述实际任务数据，以确定所述任务数据的显著性水平值；在所述显著性水平值小于第一设定值的情况下，确定所述实际任务数据的分布方式为线性分布，基于所述线性分布确定所述目标时间的时间类型为第一类型；在所述显著性水平值大于第二设定值的情况下，确定所述实际任务数据的分布方式为周期性分布，基于所述周期性分布确定所述目标时间的时间类型为第二类型；其中，所述第一类型和所述第二类型不同。
在一个示例性实施例中，基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据包括：在确定所述目标时间的时间类型为所述第一类型的情况下，确定与所述第一类型对应的指数平滑算法为二次指数平滑算法；基于所述历史任务数据以及所述二次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在一个示例性实施例中，基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据包括：在确定所述目标时间的时间类型为所述第二类型的情况下，确定与所述第二类型对应的指数平滑算法为三次指数平滑算法；基于所述历史任务数据以及所述三次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在一个示例性实施例中，在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，所述方法还包括：确定所述预测任务数据的数据量与所述实际任务数据的数据量的目标差值；在所述目标差值大于预定阈值的情况下，执行告警操作。
在一个示例性实施例中，在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，所述方法还包括：确定所述目标任务所需的资源信息；为所述目标任务分配与所述资源信息对应的资源。
根据本发明的另一个实施例，提供了一种任务数据预测装置，包括：第一获取模块，用于获取执行目标任务时所产生的实际任务数据；确定模块，用于确定产生所述实际任务数据的目标时间的时间类型；第二获取模块，用于获取与所述时间类型相同的其他时间中所产生的所述目标任务的历史任务数据；预测模块，用于基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在一个示例性实施例中，所述确定模块包括：统计单元，用于统计所述实际任务数据，以确定所述任务数据的显著性水平值；第一确定单元，用于在所述显著性水平值小于第一设定值的情况下，确定所述实际任务数据的分布方式为线性分布，基于所述线性分布确定所述目标时间的时间类型为第一类型；第二确定单元，用于在所述显著性水平值大于第二设定值的情况下，确定所述实际任务数据的分布方式为周期性分布，基于所述周期性分布确定所述目标时间的时间类型为第二类型；其中，所述第一类型和所述第二类型不同。
在一个示例性实施例中，所述预测模块通过如下方式实现基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据：在确定所述目标时间的时间类型为所述第一类型的情况下，确定与所述第一类型对应的指数平滑算法为二次指数平滑算法；基于所述历史任务数据以及所述二次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在一个示例性实施例中，所述预测模块通过如下方式实现基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据：在确定所述目标时间的时间类型为所述第二类型的情况下，确定与所述第二类型对应的指数平滑算法为三次指数平滑算法；基于所述历史任务数据以及所述三次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在一个示例性实施例中，所述装置用于在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，确定所述预测任务数据的数据量与所述实际任务数据的数据量的目标差值；在所述目标差值大于预定阈值的情况下，执行告警操作。
在一个示例性实施例中，所述装置还用于在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，确定所述目标任务所需的资源信息；为所述目标任务分配与所述资源信息对应的资源。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，获取执行目标任务时产生的实际任务数据，确定产生实际任务数据的目标时间的时间类型，获取与时间类型相同的其他时间中产生的目标任务的历史任务数据，根据历史任务数据以及时间类型对应的指数平滑算法预测在目标时间中执行目标任务时产生的预测任务数据。由于对不同时间类型的任务数据利用不同的指数平滑算法进行预约，因此，可以解决相关技术中存在的预测任务数据不准确的问题，提高了预测任务数据的准确率。
附图说明
图1是本发明实施例的一种任务数据预测方法的移动终端的硬件结构框图；
图2是根据本发明实施例的任务数据预测方法流程图；
图3是根据本发明具体实施例的任务数据预测方法流程图；
图4是相关技术中不区分工作日和周末的任务数据分布示意图；
图5是相关技术中不区分工作日和周末得到的预测任务数据示意图；
图6是根据本发明具体实施例的周末数据分布示意图；
图7是根据本发明具体实施例的使用二次指数平滑算法对周末任务数据预测的预测结果示意图；
图8是根据本发明具体实施例的工作日任务数据分布示意图；
图9是根据本发明具体实施例的使用三次指数平滑算法对工作日任务数据预测的预测结果示意图；
图10是根据本发明实施例的任务数据预测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种任务数据预测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的任务数据预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种任务数据预测方法，图2是根据本发明实施例的任务数据预测方法流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取执行目标任务时所产生的实际任务数据；
步骤S204，确定产生所述实际任务数据的目标时间的时间类型；
步骤S206，获取与所述时间类型相同的其他时间中所产生的所述目标任务的历史任务数据；
步骤S208，基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在上述实施例中，可以基于日志文件统计目标任务的实际任务数据。其中，目标任务可以为离线任务，在线任务，绑定任务，访问任务等。时间类型可以分为工作日时间类型和周末时间类型。当产生实际任务数据的时间类型为工作日时间类型时，历史数据可以为产生实际任务数据之前的工作日的任务数据；当产生实际任务数据的时间类型为周末时间类型时，历史数据可以为产生实际任务数据之前的周末的任务数据。
可选地，上述步骤的执行主体可以是服务器，后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有数据处理设备的机器，其中，数据处理设备可以包括计算机、手机等终端，但不限于此。
通过本发明，获取执行目标任务时产生的实际任务数据，确定产生实际任务数据的目标时间的时间类型，获取与时间类型相同的其他时间中产生的目标任务的历史任务数据，根据历史任务数据以及时间类型对应的指数平滑算法预测在目标时间中执行目标任务时产生的预测任务数据。由于对不同时间类型的任务数据利用不同的指数平滑算法进行预约，因此，可以解决相关技术中存在的预测任务数据不准确的问题，提高了预测任务数据的准确率。
在一个示例性实施例中，确定产生所述实际任务数据的目标时间的时间类型包括：统计所述实际任务数据，以确定所述任务数据的显著性水平值；在所述显著性水平值小于第一设定值的情况下，确定所述实际任务数据的分布方式为线性分布，基于所述线性分布确定所述目标时间的时间类型为第一类型；在所述显著性水平值大于第二设定值的情况下，确定所述实际任务数据的分布方式为周期性分布，基于所述周期性分布确定所述目标时间的时间类型为第二类型；其中，所述第一类型和所述第二类型不同。在本实施例中，可以利用spss工具判断产生实际任务数据的目标时间的时间类型。即，利用spss统计实际任务数据，确定任务数据的显著性水平值，当显著性水平值小于第一设定值时，确定实际任务数据的分布方式为线性分布，当分布方式为线性分布时，确定目标时间的时间类型为第一类型。当显著性水平值大于第二设定值时，确定实际任务数据的分布方式为周期性分布，当分布方式为周期性分布时，确定实际任务数据的类型为第二类型。其中，第一设定值和第二设定值可以均为0.05(该取值仅是一种示例性说明，本发明对第一设定值和第二设定值不作限制)，还可以为其他值，第一设定值和第二设定值可以不同。第一类型可以为周末时间类型，第二类型可以为工作日时间类型。
在一个示例性实施例中，基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据包括：在确定所述目标时间的时间类型为所述第一类型的情况下，确定与所述第一类型对应的指数平滑算法为二次指数平滑算法；基于所述历史任务数据以及所述二次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。在本实施例中，不同时间类型的任务数据可以利用不同的算法预测在目标时间中执行目标任务时所产生的预测任务数据。例如，当任务数据的时间类型为周末时间类型时，可以使用二次指数平滑算法对之前周末的相同任务数据进行预测，预测在目标时间中执行目标任务时所产生的预测任务数据。
在一个示例性实施例中，基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据包括：在确定所述目标时间的时间类型为所述第二类型的情况下，确定与所述第二类型对应的指数平滑算法为三次指数平滑算法；基于所述历史任务数据以及所述三次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。在本实施例中，当任务数据的时间类型为工作日时间类型时，可以使用三次指数平滑算法对之前工作日的相同任务数据进行预测，预测在目标时间中执行目标任务时所产生的预测任务数据。
在一个示例性实施例中，在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，所述方法还包括：确定所述预测任务数据的数据量与所述实际任务数据的数据量的目标差值；在所述目标差值大于预定阈值的情况下，执行告警操作。在本实施例中，在确定预测任务数据之后，可以将预测任务数据和实际任务数据进行比较，在预测任务数据和实际任务数据相差较大时，执行告警操作，提醒运维人员合理分配软硬件资源。
在一个示例性实施例中，在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，所述方法还包括：确定所述目标任务所需的资源信息；为所述目标任务分配与所述资源信息对应的资源。在本实施例中，在确定预测任务数据之后，还可以根据预定任务数据确定目标任务所需的资源信息，根据资源信息为目标任务分配对应的资源。其中，资源信息可以包括资源的配比，资源包括软件资源和硬件资源。
下面结合具体实施例对任务数据预测方法进行说明：
图3是根据本发明具体实施例的任务数据预测方法流程图，如图3所示，该流程包括：
步骤S302，输入当天需要监控业务的任务量(对应于上述实际任务数据)。
步骤S304，判断产生业务任务量的时间是否为周末，即判断产生业务任务量的时间类型，若判断结果为是，则执行步骤S306，若判断结果为否，则执行步骤S308。
步骤S306，基于周末历史数据，使用二次指数平滑算法得到预测基准值(对应于上述预测任务数据)。
步骤S308，基于工作日历史数据，使用三次指数平滑方法得到预测基准值(对应于上述预测任务数据)。
随着物联网、云计算和大数据技术在智能家电中的广泛应用，基于日志可以统计获得设备业务每天的业务量，对目标业务的准确预判，可以帮助开发科学制定资源的分配，提高工作效率。
通过分析离线每天业务量的数据，发现工作日数据具有周期性而周末数据呈现线性分布。然而，在相关技术中，在预测无赖数据时，往往不区分周末数据和工作日数据，因此，存在预测任务数据不准确的问题，下面以具体数据为例进行说明：
以某一段时间离线业务为例，用前三周的业务量预测未来一周的业务量。
不区分工作日和周末的任务数据分布示意图可参见附图4，如图4所示，任务数据呈现一定的周期性且逐渐增加的趋势，对于这种特点的数据，可以使用指数平滑算法进行预测。其中，不区分工作日和周末得到的预测任务数据示意图可参见附图5，如图5所示，其中，曲线1代表训练数据，曲线2代表测试数据，曲线3代表指数平滑预测结果。
当区分工作日和周末的任务数据时，周末数据分布示意图可参见附图6。可以使用spss工具判断周末数据是否可以用线性模型进行预判，如果Anova中的Sig.＝0.037(对应于上述显著性水平值)<0.05(对应于上述第一设定值)，则判断是可以用线性模型进行预判。其中，周末数据统计表格可参见表1，其中，a表示因变量：业务量，b表示预测变量：(常量)，时间。
表1
Anovaa
Figure BDA0002786581980000101
使用二次指数平滑算法对周末任务数据预测的预测结果示意图可参见附图7。
工作日任务数据分布示意图可参见附图8，如图8所示，工作日任务数据分布呈现周期性且具有缓慢上涨的趋势。可以采用三次指数平滑算法进行预测。其中，使用三次指数平滑算法对工作日任务数据预测的预测结果示意图可参见附图9。
对区分工作日和周末的预测方案与不区分工作日和周末的预测方案的预测结果进行了均方根误差计算，如表2所示，可见区分周末和工作日方案的均方根误差降低了30％左右。
表2
不区分周末、工作日 区分周末、工作日
103952 70713
在前述实施例中，随着物联网、云计算和大数据技术在智能家电中的广泛应用，基于日志可以统计获得目标任务每天的业务量。通过分析，发现该业务的数据具备工作日呈现周期性而周末具有线性分布的特点。针对这种分布特点的业务，基于指数平滑算法的进行预测。通过验证对比，发现区分工作日和周末进行预测可以降低预测的均方根误差，达到对业务的提前感知，从而合理分配软硬件资源，减少不必要的浪费，提高开发的工作效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种任务数据预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图10是根据本发明实施例的任务数据预测装置的结构框图，如图10所示，该装置包括：
第一获取模块1002，用于获取执行目标任务时所产生的实际任务数据；
确定模块1004，用于确定产生所述实际任务数据的目标时间的时间类型；
第二获取模块1006，用于获取与所述时间类型相同的其他时间中所产生的所述目标任务的历史任务数据；
预测模块1008，用于基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
在上述实施例中，可以基于日志文件统计目标任务的实际任务数据。其中，目标任务可以为离线任务，在线任务，绑定任务，访问任务等。时间类型可以分为工作日时间类型和周末时间类型。当产生实际任务数据的时间类型为工作日时间类型时，历史数据可以为产生实际任务数据之前的工作日的任务数据；当产生实际任务数据的时间类型为周末时间类型时，历史数据可以为产生实际任务数据之前的周末的任务数据。
通过本发明，获取执行目标任务时产生的实际任务数据，确定产生实际任务数据的目标时间的时间类型，获取与时间类型相同的其他时间中产生的目标任务的历史任务数据，根据历史任务数据以及时间类型对应的指数平滑算法预测在目标时间中执行目标任务时产生的预测任务数据。由于对不同时间类型的任务数据利用不同的指数平滑算法进行预约，因此，可以解决相关技术中存在的预测任务数据不准确的问题，提高了预测任务数据的准确率。
在一个示例性实施例中，所述确定模块1004包括：统计单元，用于统计所述实际任务数据，以确定所述任务数据的显著性水平值；第一确定单元，用于在所述显著性水平值小于第一设定值的情况下，确定所述实际任务数据的分布方式为线性分布，基于所述线性分布确定所述目标时间的时间类型为第一类型；第二确定单元，用于在所述显著性水平值大于第二设定值的情况下，确定所述实际任务数据的分布方式为周期性分布，基于所述周期性分布确定所述目标时间的时间类型为第二类型；其中，所述第一类型和所述第二类型不同。在本实施例中，可以利用spss工具判断产生实际任务数据的目标时间的时间类型。即，利用spss统计实际任务数据，确定任务数据的显著性水平值，当显著性水平值小于第一设定值时，确定实际任务数据的分布方式为线性分布，当分布方式为线性分布时，确定目标时间的时间类型为第一类型。当显著性水平值大于第二设定值时，确定实际任务数据的分布方式为周期性分布，当分布方式为周期性分布时，确定实际任务数据的类型为第二类型。其中，第一设定值和第二设定值可以均为0.05(该取值仅是一种示例性说明，本发明对第一设定值和第二设定值不作限制)，还可以为其他值，第一设定值和第二设定值可以不同。第一类型可以为周末时间类型，第二类型可以为工作日时间类型。
在一个示例性实施例中，所述预测模块1008可以通过如下方式实现基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据：在确定所述目标时间的时间类型为所述第一类型的情况下，确定与所述第一类型对应的指数平滑算法为二次指数平滑算法；基于所述历史任务数据以及所述二次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。在本实施例中，不同时间类型的任务数据可以利用不同的算法预测在目标时间中执行目标任务时所产生的预测任务数据。例如，当任务数据的时间类型为周末时间类型时，可以使用二次指数平滑算法对之前周末的相同任务数据进行预测，预测在目标时间中执行目标任务时所产生的预测任务数据。
在一个示例性实施例中，所述预测模块1008可以通过如下方式实现基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据：在确定所述目标时间的时间类型为所述第二类型的情况下，确定与所述第二类型对应的指数平滑算法为三次指数平滑算法；基于所述历史任务数据以及所述三次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。在本实施例中，当任务数据的时间类型为工作日时间类型时，可以使用三次指数平滑算法对之前工作日的相同任务数据进行预测，预测在目标时间中执行目标任务时所产生的预测任务数据。
在一个示例性实施例中，所述装置用于在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，确定所述预测任务数据的数据量与所述实际任务数据的数据量的目标差值；在所述目标差值大于预定阈值的情况下，执行告警操作。在本实施例中，在确定预测任务数据之后，可以将预测任务数据和实际任务数据进行比较，在预测任务数据和实际任务数据相差较大时，执行告警操作，提醒运维人员合理分配软硬件资源。
在一个示例性实施例中，所述装置还用于在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，确定所述目标任务所需的资源信息；为所述目标任务分配与所述资源信息对应的资源。在本实施例中，在确定预测任务数据之后，还可以根据预定任务数据确定目标任务所需的资源信息，根据资源信息为目标任务分配对应的资源。其中，资源信息可以包括资源的配比，资源包括软件资源和硬件资源。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，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 (10)

1.一种任务数据预测方法，其特征在于，包括：
获取执行目标任务时所产生的实际任务数据；
确定产生所述实际任务数据的目标时间的时间类型；
获取与所述时间类型相同的其他时间中所产生的所述目标任务的历史任务数据；
基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
2.根据权利要求1所述的方法，其特征在于，确定产生所述实际任务数据的目标时间的时间类型包括：
统计所述实际任务数据，以确定所述任务数据的显著性水平值；
在所述显著性水平值小于第一设定值的情况下，确定所述实际任务数据的分布方式为线性分布，基于所述线性分布确定所述目标时间的时间类型为第一类型；
在所述显著性水平值大于第二设定值的情况下，确定所述实际任务数据的分布方式为周期性分布，基于所述周期性分布确定所述目标时间的时间类型为第二类型；
其中，所述第一类型和所述第二类型不同。
3.根据权利要求2所述的方法，其特征在于，基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据包括：
在确定所述目标时间的时间类型为所述第一类型的情况下，确定与所述第一类型对应的指数平滑算法为二次指数平滑算法；
基于所述历史任务数据以及所述二次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
4.根据权利要求2所述的方法，其特征在于，基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据包括：
在确定所述目标时间的时间类型为所述第二类型的情况下，确定与所述第二类型对应的指数平滑算法为三次指数平滑算法；
基于所述历史任务数据以及所述三次指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
5.根据权利要求1所述的方法，其特征在于，在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，所述方法还包括：
确定所述预测任务数据的数据量与所述实际任务数据的数据量的目标差值；
在所述目标差值大于预定阈值的情况下，执行告警操作。
6.根据权利要求1所述的方法，其特征在于，在基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据之后，所述方法还包括：
确定所述目标任务所需的资源信息；
为所述目标任务分配与所述资源信息对应的资源。
7.一种任务数据预测装置，其特征在于，包括：
第一获取模块，用于获取执行目标任务时所产生的实际任务数据；
确定模块，用于确定产生所述实际任务数据的目标时间的时间类型；
第二获取模块，用于获取与所述时间类型相同的其他时间中所产生的所述目标任务的历史任务数据；
预测模块，用于基于所述历史任务数据以及与所述时间类型对应的指数平滑算法预测在所述目标时间中执行所述目标任务时所产生的预测任务数据。
8.根据权利要求7所述的装置，其特征在于，所述确定模块包括：
统计单元，用于统计所述实际任务数据，以确定所述任务数据的显著性水平值；
第一确定单元，用于在所述显著性水平值小于第一设定值的情况下，确定所述实际任务数据的分布方式为线性分布，基于所述线性分布确定所述目标时间的时间类型为第一类型；
第二确定单元，用于在所述显著性水平值大于第二设定值的情况下，确定所述实际任务数据的分布方式为周期性分布，基于所述周期性分布确定所述目标时间的时间类型为第二类型；
其中，所述第一类型和所述第二类型不同。
9.一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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
CN202011300298.XA 2020-11-18 2020-11-18 任务数据预测方法、装置、存储介质及电子装置 Pending CN112418509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011300298.XA CN112418509A (zh) 2020-11-18 2020-11-18 任务数据预测方法、装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011300298.XA CN112418509A (zh) 2020-11-18 2020-11-18 任务数据预测方法、装置、存储介质及电子装置

Publications (1)

Publication Number Publication Date
CN112418509A true CN112418509A (zh) 2021-02-26

Family

ID=74774853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011300298.XA Pending CN112418509A (zh) 2020-11-18 2020-11-18 任务数据预测方法、装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN112418509A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113329128A (zh) * 2021-06-04 2021-08-31 中国电信股份有限公司 话务数据预测方法及装置、电子设备、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711177A (zh) * 2012-04-26 2012-10-03 北京邮电大学 基于业务预测的负载均衡方法
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
CN110163417A (zh) * 2019-04-26 2019-08-23 阿里巴巴集团控股有限公司 一种业务量的预测方法、装置及设备
CN110807024A (zh) * 2019-10-12 2020-02-18 广州市申迪计算机系统有限公司 动态阈值异常检测方法、系统、存储介质及智能设备
CN111143102A (zh) * 2019-12-13 2020-05-12 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
CN111563028A (zh) * 2020-05-15 2020-08-21 周毅 一种基于时序数据分析的数据中心任务规模预测方法
CN111858267A (zh) * 2020-07-29 2020-10-30 中国工商银行股份有限公司 预警方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711177A (zh) * 2012-04-26 2012-10-03 北京邮电大学 基于业务预测的负载均衡方法
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
CN110163417A (zh) * 2019-04-26 2019-08-23 阿里巴巴集团控股有限公司 一种业务量的预测方法、装置及设备
CN110807024A (zh) * 2019-10-12 2020-02-18 广州市申迪计算机系统有限公司 动态阈值异常检测方法、系统、存储介质及智能设备
CN111143102A (zh) * 2019-12-13 2020-05-12 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
CN111563028A (zh) * 2020-05-15 2020-08-21 周毅 一种基于时序数据分析的数据中心任务规模预测方法
CN111858267A (zh) * 2020-07-29 2020-10-30 中国工商银行股份有限公司 预警方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113329128A (zh) * 2021-06-04 2021-08-31 中国电信股份有限公司 话务数据预测方法及装置、电子设备、存储介质
CN113329128B (zh) * 2021-06-04 2023-01-06 中国电信股份有限公司 话务数据预测方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN109981744B (zh) 数据的分发方法、装置、存储介质及电子设备
CN109597685A (zh) 任务分配方法、装置和服务器
CN110351375B (zh) 一种数据处理方法、装置及计算机装置、可读存储介质
CN110990138A (zh) 资源调度方法、装置、服务器及存储介质
CN111176840B (zh) 分布式任务的分配优化方法和装置、存储介质及电子装置
CN111382031B (zh) 测试方法及装置
CN112418509A (zh) 任务数据预测方法、装置、存储介质及电子装置
CN110569129A (zh) 资源分配方法及装置、存储介质、电子装置
CN116383248A (zh) 一种数据查询任务加速方法、装置、设备及存储介质
CN113867966A (zh) 一种混合云模式的云资源调度方法
CN111800807A (zh) 一种基站用户数量告警的方法及装置
CN108463813B (zh) 一种进行数据处理的方法和装置
CN115484167B (zh) 通信网络中的网络切片关断方法、计算机装置及存储介质
Schiavo et al. Forecasting for network management with joint statistical modelling and machine learning
CN115994029A (zh) 容器资源调度方法及装置
CN110955728A (zh) 用电数据传输方法、服务器及存储介质
CN114675551A (zh) 操作行为的确定方法和装置、存储介质及电子装置
CN111949246A (zh) 新能源电力行业应用的创建方法及装置
CN113283879A (zh) 一种施工量的确定方法、装置、电子设备及可读存储介质
CN113965445A (zh) 一种质差根因的定位方法、装置、计算机设备和存储介质
CN113676347B (zh) 服务器的负载预测方法和装置、存储介质及电子装置
CN117391644B (zh) 一种合同管理过程中参数调整方法、装置、设备及介质
CN115796334A (zh) 还款金额预测方法、装置、存储介质及电子装置
CN112488590B (zh) 目标对象的分类方法及装置、存储介质、电子装置
CN110824973B (zh) 家电设备的用电控制方法及装置、存储介质、电子装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210226

RJ01 Rejection of invention patent application after publication