CN112445835A - 一种业务数据处理方法及装置、网管服务器、存储介质 - Google Patents
一种业务数据处理方法及装置、网管服务器、存储介质 Download PDFInfo
- Publication number
- CN112445835A CN112445835A CN201910829157.8A CN201910829157A CN112445835A CN 112445835 A CN112445835 A CN 112445835A CN 201910829157 A CN201910829157 A CN 201910829157A CN 112445835 A CN112445835 A CN 112445835A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- reference value
- preset
- abnormal
- 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
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种业务数据处理方法,该方法包括:按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据;按照预设的至少一个时间数据模型,补充初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;对第二时间序列数据进行计算,确定异常数据;对异常数据进行校正,获得基准值序列数据,以基准值序列数据为标准实现对当前业务数据的分析;基准值序列数据表征对初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。通过该方法,避免了网管服务器对当前业务数据进行分析时存在准确性低的问题,有效提升了业务数据分析的准确性。本发明实施例还公开了一种业务数据处理装置、网管服务器及存储介质。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种业务数据处理方法及装置、网管服务器、存储介质。
背景技术
业务数据包括时间序列数据,时间序列数据在某一段时间内(例如前一周、前一月)的平均变化情况可以作为该时间序列的基准值序列,用以分析和度量时间序列当前值的相对变化量,时间序列的基准值序列也是时间序列。以移动终端用户连接通用移动通信技术的长期演进(Long Term Evolution,LTE)网络产生的流量数据为例,经过数据收集和处理,在数据库中,LTE网络流量是以5分钟为间隔的持续产生的时间序列,且带有相应的时间标签A,时间标签A包括年月日组成的日期信息和小时分钟组成的时刻信息,例如20180810-20:55。记LTE网络流量时间序列为T1,时间标签ai对应的流量值为t1,i,则T1可表示为T1(a1,t1,i)、T1(a2,t2,i)……。根据时间序列T1获得的基准值序列中每个时刻的值为前一周该时刻在时间序列T1中的平均值。
时间序列数据在一段时间内如果有异常波动,则会导致这段时间内的基准值也有异常值。为了得到平稳的基准值序列,需要对基准值序列中的缺失数据进行补充,以及对其中的异常值进行检测和校正。然而,现有时间序列数据处理方法中,经过数据补充以及校正处理后的基准值序列的可靠性程度低,当根据基准值序列数据来分析当前业务数据时存在分析不准的问题。
发明内容
有鉴于此,本发明实施例期望提供一种业务数据处理方法及装置、网管服务器、存储介质,能够有效提升基准值序列的可靠性程度,从而提升业务数据分析的准确性。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供一种业务数据处理方法,所述方法包括:
按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,所述第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据;
按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;所述预设的至少一个时间数据模型表征时刻与数据的关联变化关系,所述第二时间序列数据中的时刻与所述预设的标准时刻集合中的时刻相同;
对所述第二时间序列数据进行计算,确定异常数据;
对所述异常数据进行校正,获得基准值序列数据,以所述基准值序列数据为标准实现对当前业务数据的分析;所述基准值序列数据表征对所述初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。
第二方面,本发明实施例提供一种业务数据处理装置,所述装置包括:
处理单元,用于按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,所述第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据;
补充单元,用于按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;所述预设的至少一个时间数据模型表征时刻与数据的关联变化关系,所述第二时间序列数据中的时刻与所述预设的标准时刻集合中的时刻相同;
确定单元,用于对所述第二时间序列数据进行计算,确定异常数据;
校正单元,用于对所述异常数据进行校正,获得基准值序列数据,以所述基准值序列数据为标准实现对当前业务数据的分析;所述基准值序列数据表征对所述初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。
第三方面,本发明实施例提供一种网管服务器,所述网管服务器至少包括:处理器、存储器、通信接口,和用于连接所述处理器、存储器以及通信接口的总线;所述处理器用于执行所述存储器中存储的业务数据处理程序,以实现如上述第一方面中所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有业务数据处理程序,应用于网管服务器中,所述业务数据处理程序被处理器执行时实现如上述第一方面中所述的方法。
本发明实施例提供了一种业务数据处理方法及装置、终端、存储介质,该方法包括:按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,所述第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据;按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;所述预设的至少一个时间数据模型表征时刻与数据的关联变化关系,所述第二时间序列数据中的时刻与所述预设的标准时刻集合中的时刻相同;对所述第二时间序列数据进行计算,确定异常数据;对所述异常数据进行校正,获得基准值序列数据,以所述基准值序列数据为标准实现对当前业务数据的分析;所述基准值序列数据表征对所述初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。也就是说,本发明实施例提出的一种业务数据处理方法,通过按照预设的至少一个时间数据模型补充初始基准值序列数据中的缺失数据,使得补充的缺失数据更加符合实际应用场景,有效地提升了最终获得的基准值序列数据的可靠性程度,从而提升了业务数据分析的准确性。
附图说明
图1为本发明实施例提出的一种业务数据处理方法流程图;
图2为本发明实施例中初始基准值序列数据获取方法的示例图;
图3为本发明实施例中缺失时刻数据补充方法的示例图;
图4为本发明实施例中异常数据确定以及校正的示例图;
图5为本发明实施例提出的一种业务数据处理装置图;
图6为本发明实施例提出的网管服务器的组成结构示意图。
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。
实施例一
本发明实施例提供了一种业务数据处理方法,图1为本发明实施例提出的一种业务数据处理方法流程图,如图1所示,在本发明的实施例中,业务数据处理方法可以包括以下步骤:
S101、按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据。
在本发明的实施例中,网管服务器在采集到历史业务数据后,会按照预设的标准时刻集合对预设时间周期内按时间标签排序的历史业务数据,即第一时间序列数据进行处理,以获得初始基准值序列数据。
需要说明的是,在本发明的实施例中,预设的标准时刻集合的格式可以是一天全部时长或部分时长中以预设固定时间间隔区分的时刻集合,本发明实施例不做限制。
示例性地,在本发明的实施例中,预设的标准时刻集合为从0:00开始到23:55,以5分钟为间隔的时刻集合,则预设的标准时刻集合中共有288个时刻值。
此外,需要说明的是,在本发明的实施例中,第一时间序列数据是预设时间周期内按时间标签排序的历史业务数据,其中,时间标签表征具体日期和时刻,第一时间序列数据是按具体日期和时刻排序的历史业务数据。
示例性地,在本发明的实施例中,第一时间序列数据是一周7天的历史业务数据,第一时间序列数据中每一天的数据按时间标签20180810-0:00至20180810-23:55,以5分钟为间隔排列好,而一周7天的历史业务数据按日期顺序依次排列下去。
然而,需要说明的是,在本发明的实施例中,因网管服务器采集业务数据时可能因网管服务器故障、网元故障或网络故障等原因使得部分时刻的业务数据丢失,因此每一天的业务数据存在不完整的可能。例如,理想情况,第一时间序列数据中某一天的业务数据按5分钟为间隔采集时,应该对应有288个时刻的业务数据,然而实际上有可能只采集到200个时刻对应的数据。
进一步地,在本发明的实施例中,网管服务器按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据的过程为:网管服务器针对预设的标准时刻集合中的每一个时刻,计算每一个时刻在第一时间序列数据中对应的数据均值;将数据均值映射到对应的每一个时刻,获得初始基准值序列数据。
在本发明的实施例中,网管服务器通过遍历预设的标准时刻集合和第一时间序列数据,计算预设的标准时刻集合中的每一个时刻在第一时间序列数据中对应的数据均值,将数据均值映射到对应的每一个时刻即获得初始基准值序列。
示例性地,以预设标准时刻集合中的某一个时刻为例,针对预设标准时刻集合中10:05的时刻,在第一时间序列数据中获得一周七天内10:05时刻对应的数据均值为a,则将a映射到10:05,即获得初始基准值序列数据中的一个时刻对应的数据。
具体地,在本发明的实施例中,网管服务器针对预设的标准时刻集合中的每一个时刻,计算每一个时刻在第一时间序列数据中对应的数据均值的过程为:网管服务器针对预设的标准时刻集合中的每一个时刻,查找与预设的标准时刻集合中当前时刻相同的第一时间序列数据中的N个第一时间标签,N≥0;当N大于0时,从N个第一时间标签中筛选时间标签对应的数据大于0的时间标签,获得M个第二时间标签,并累加M个第二时间标签中每个时间标签对应的数据,获得数据累加和,其中,0≤M<N;当M大于0时,根据数据累加和M,计算当前时刻对应的数据均值。
在本发明的实施例中,网管服务器遍历预设的标准时刻集合和第一时间序列数据,在第一时间序列数据中查找与预设的标准时刻集合中当前时刻相同的第一时间序列数据中的N个第一时间标签,并进一步根据第一时间标签筛选出时间标签对应的数据大于0的第二时间标签,根据第二时间标签对应的数据和第二时间标签的个数来计算当前时刻对应的数据均值。
示例性地,以预设标准时刻集合中的10:05为例,在第一时间序列数据中获得一周七天内包含10:05的第一时间标签有5个,而该5个第一时间标签中,有3个时间标签对应的数据为0,则筛选出2个第二时间标签。将2个第二时间标签对应的数据累加后除以2,即得到10:05时刻对应的数据均值a。
S102、按照预设的至少一个时间数据模型,补充初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;预设的至少一个时间数据模型表征时刻与数据的关联变化关系,第二时间序列数据中的时刻与预设的标准时刻集合中的时刻相同。
在本发明的实施例中,网管服务器在获得初始基准值序列数据后,会按照预设的至少一个时间数据模型补充其初始基准值序列数据中的缺失时刻数据,补充后的初始基准值序列数据被称为第二时间序列数据,第二时间序列数据中的时刻与预设的标准时刻集合中的时刻相同。
需要说明的是,在本发明的实施例中,预设的至少一个时间数据模型表征的是时刻与数据的关联变化关系,其是通过对历史业务数据进行分析后而得到的模型。而预设的至少一个时间数据模型可以是按时间段划分的不同时间段中时间与数据的关联变化关系,也可是不区分时间段的时间与数据的关联变化关系,本发明实施例不做限制。
示例性地,当以时间段划分时,预设的至少一个时间数据模型为:0:00-5:30间,时间数据模型为A;5:35-21:30间,时间数据模型为B;而21:35-23:55,时间数据模型为C。而当不以时间段划分时,预设的时间数据模型为D,模型D对应的时刻是0:00-23:55。
在本发明的实施例中,预设的至少一个时间数据模型的作用在于根据关联变换关系补充初始基准值序列中缺失时刻对应的业务数据。
进一步地,在本发明的实施例中,网管服务器按照预设的至少一个时间数据模型,补充初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据的方法为:网管服务器在初始基准值序列数据中查找预设的标准时刻集合中的当前时刻对应的数据,若没有查找到,则在预设的至少一个时间数据模型中确定当前时刻对应的时间数据模型;根据当前时刻对应的时间数据模型,补充初始基准值序列数据中当前时刻对应的当前缺失时刻数据,获得第二时间序列数据。
在本发明的实施中,网管服务器在对初始基准值序列数据进行缺失时刻数据补充时,会先去查找是否存在缺失时刻数据,若确定存在缺失某时刻数据,则先确定该缺失时刻对应的时间数据模型,以便根据时间数据模型计算对应的待补充数据,将计算得到的待补充数据补充到初始基准值序列数据中,得到第二时间序列数据。
需要说明的是,在本发明的实施例中,当预设的时间数据模型只有一个,即时间数据模型不区分时间段时,则可直接根据预设的时间数据模型计算当前时刻对应的当前缺失时刻数据。
示例性地,以按时间段预设了上述A、B、C三个时间数据模型为例,若预设的标准时刻集合中的当前时刻为10:10,而在初始基准值序列数据中没有10:10对应的数据,则确定当前时刻对应的时间数据模型为B,则根据B补充初始基准值序列数据中10:10对应的当前缺失时刻数据,即获得第二时间序列数据。
进一步地,在本发明的实施例中,网管服务器根据当前时刻对应的时间数据模型,补充初始基准值序列数据中当前时刻对应的当前缺失时刻数据,获得第二时间序列数据的过程为:网管服务器通过当前时刻对应的时间数据模型,计算当前时刻对应的数据;在初始基准值序列数据中新增当前时刻对应的数据,获得第二时间序列数据。
在本发明的实施例中,网管服务器在确认当前时刻对应的时间数据模型后,根据时间数据模型计算当前时刻对应的数据,并在初始基准值序列数据中新增当前时刻对应的数据,即获得第二时间序列数据。
示例性地,当网管服务器确定10:10对应的时间数据模型为B后,则根据B计算得到10:10对应的数据为b,b即为待补充的当前缺失时刻数据。网管服务器在初始基准值序列数据中新增10:10对应的数据b,即获得第二时间序列数据。
S103、对第二时间序列数据进行计算,确定异常数据。
在本发明的实施例中,网管服务器在获得补充了缺失时刻数据后的第二时间序列数据后,会对第二时间序列数据进行计算,以确定异常数据。
需要说明的是,在本发明的实施例中,网管服务器采集的业务数据,可能因为网络异常造成数据异常,因此需要确定出其中的异常数据。
示例性地,当网络异常时,第二时间序列数据中某一个时刻的数据相对其相邻时刻的数据波动特别大,则该时刻的数据极有可能是异常数据。
进一步地,在本发明的实施例中,网管服务器对第二时间序列数据进行计算,确定异常数据的方法为:网管服务器计算第二时间序列数据中的最大值和最小值;基于最大值和最小值确定异常阈值;根据第二时间序列数据中相邻时刻数据与异常阈值,确定异常数据。
在本发明的实施例中,网管服务器会根据第二时间序列数据中的最大值和最小值来确定异常阈值,并根据第二时间序列数据中相邻时刻数据与异常阈值来确定异常数据。
可以理解的是,在本发明的实施例中,因实际业务处理过程中,相邻时刻数据差异应该不会太大,因此基于相邻时刻数据来确定异常数据的方式能有效提升异常数据检测的准确性,同时,因不需要其他时刻序列数据参与检测过程,有效提升了异常数据检测的效率。
具体地,在本发明的实施例中,网管服务器根据第二时间序列数据中相邻时刻数据与异常阈值,确定异常数据的方法为:网管服务器计算第二时间序列数据中当前时刻相邻的上一时刻对应的第一数据和当前时刻对应的第二数据的差值的绝对值;若差值的绝对值大于异常阈值,则确定当前时刻相邻的下一时刻对应的第二数据为异常数据。
在本发明的实施例中,网管服务器计算第二时间序列数据中当前时刻相邻的上一时刻对应的第一数据和当前时刻对应的第二数据的差值的绝对值与异常阈值比较,当差值的绝对值大于异常阈值时,则确定第二数据为异常数据。
示例性地,当网管服务器根据第二时间序列数据中的最大值确定的异常阈值为th,且当前时刻相邻的上一时刻对应的第一数据和当前时刻对应的第二数据的差值的绝对值为t,当t>th时,则确定第二数据为异常数据。
而在本发明的实施例中,网管服务器确定异常阈值也会根据第二时间序列数据的具体情况来调整,具体地,网管服务器基于最大值和最小值确定异常阈值的方法为:当最大值大于预设公倍数乘以最小值时,网管服务器确定预设的第一异常阈值为异常阈值;当最大值不大于预设公倍数乘以最小值时,网管服务器确定预设的第二异常阈值为异常阈值。
可以理解的是,在本发明的实施例中,差异化的设置异常阈值,能进一步提升异常数据确定的精确性。
S104、对异常数据进行校正,获得基准值序列数据,以基准值序列数据为标准实现对当前业务数据的分析;基准值序列数据表征对初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。
在本发明的实施例中,网管服务器在确定了异常数据后,会进一步对异常数据进行校正,获得基准值序列,以便根据基准值序列对当前业务数据进行分析。
需要说明的是,在本发明的实施例中,基准值序列数据是对初始基准值序列进行数据补充、检测和校正处理后的时间序列数据,表征的是经过处理后的能真实反映历史业务情况的完整的历史业务数据。可以理解的是,在其基础上再来对当前业务数据进行分析,能保证分析的准确性。
进一步地,在本发明的实施例中,网管服务器对异常数据进行校正,获得基准值序列数据的方法为:网管服务器根据第一数据和第二数据间的大小关系以及异常阈值,确定异常数据对应的校正数据;校正异常数据为校正数据,获得基准值序列数据。
在本发明的实施例中,网管服务器根据第一数据和第二数据间的大小关系以及异常阈值,确定异常数据对应的校正数据来获得基准值序列数据的方式,因仅根据相邻时刻数据来确定的校正数据,不仅能有效提升校正数据计算的准确性,同时也提升了校正数据计算的效率。
进一步地,在本发明的实施例中,网管服务器根据第一数据和第二数据间的大小关系以及异常阈值,确定异常数据对应的校正数据的方法为:若第一数据大于第二数据,则网管服务器在第二数据的基础上累加预设校正幅值,预设校正幅值与异常阈值相关;直至累加后的第二数据与第一数据的差值的绝对值小于异常阈值,确定异常数据对应的校正数据为累加后的第二数据;若第一数据不大于第二数据,则网管服务器在第二数据的基础上递减预设校正幅值;直至递减后的第二数据与第一数据的差值的绝对值小于异常阈值,确定异常数据对应的校正数据为递减后的第二数据。
在本发明的实施例中,网管服务器根据第一数据和第二数据间的大小关系以及异常阈值,确定异常数据对应的校正数据采用的是动态比较的方式,即当第一数据大于第二数据时,在第二数据的基础上不断累加预设校正幅值,直至累加后的第二数据与第一数据的差值的绝对值小于异常阈值;而当第一数据不大于第二数据时,在第二数据的基础上不断递减预设校正幅值,直至递减后的第二数据与第一数据的差值的绝对值小于异常阈值。而异常数据对应的校正数据为累加后的第二数据或递减后的第二数据。
需要说明的是,在本发明的实施例中,预设校正幅值与异常阈值相关,而异常阈值又是根据第二时间序列数据的具体情况差异化设置的,因此预设校正幅值也是差异化的设置,且在预设校正幅值差异化设置的基础上,进一步结合相邻时刻数据的大小执行差异化的累加或递减操作,这种灵活的数据处理方式,也更能进一步提升对异常数据校正的精确性。
可以理解的是,在本发明的实施例中,通过按照预设的至少一个时间数据模型补充初始基准值序列数据中的缺失数据,使得补充的缺失数据更加符合实际应用场景,有效地提升了最终获得的基准值序列数据的可靠性程度,从而提升了业务数据分析的准确性。
实施例二
基于上述实施例一,以网络流量的业务数据为例,本发明实施例提供一种初始基准值序列数据获取的方法示例,初始基准值序列数据获取的方法是按预设的标准时刻集合对第一时间序列数据进行处理得到的。在本发明的实施例中,为描述清晰,标记待获得初始基准值序列数据为T0,记T0中时间标签ci对应的流量值为t0,i,且标记预设的标准时刻集合为E,第一时间序列数据为T1,T1中的时间标签的总个数为J。图2为本发明实施例中初始基准值序列数据获取方法的示例图,如图2所示,该方法包括:
S201、网管服务器初始化E中的时刻序号i=1,T1中任一时刻的流量值之和X=0,T1中任一时刻流量值大于0的流量值的个数Y=0,T1的时间标签的序号j=1。
在本发明的实施例中,网管服务器为了获得预设的标准时刻集合E中的每一个时刻对应在第一时间序列数据T1中的数据均值,需要遍历预设的标准时刻集合E以及第一时间序列数据T1,而在遍历之前,需进行一系列初始化操作,以便后续的遍历计算。
需要说明的是,在本发明的实施例中,预设的标准时刻集合E是从0:00开始到23:55,以5分钟为间隔的时刻集合,E中共有288个时刻值。
S202、网管服务器判断i是否大于288,如果i不大于288,则执行步骤S203;否则结束。
在本发明的实施例中,为保证遍历的有效性,需控制预设的标准时刻集合E中的时刻序号i在E的长度范围内,当i不大于288时,则根据当前时刻序号i对应的时刻e在第一时间序列数据T1中查找时刻e对应的流量值,即执行步骤S203,否则网管服务器获取初值基准值序列数据的过程结束。
S203、网管服务器记E中的第i个时刻为e。
示例性地,网管服务器记录E中的第i个时刻为10:10。
S204、网管服务器判断j是否大于J,如果j大于J,则执行步骤S209;否则执行步骤S205。
在本发明的实施例中,若时间标签序号j超过了第一时间序列数据T1的长度J,则说明预设的标准时刻集合E中的第i个时刻e在第一时间序列数据T1中对应的数据遍历完成,需执行步骤S209;否则,网管服务器根据时间标签中的时刻做进一步操作,即执行步骤S205。
S205、网管服务器判断T1中的时间标签序号j对应的时刻aj是否等于e,如果等于,执行步骤S206,否则执行步骤S208。
在本发明的实施例中,网管服务器判断T1中的时间标签序号j对应的时刻aj是否等于e,如果aj=e,则aj属于第一时间标签。
示例性地,当网管服务器判断T1中的时间标签序号j对应的时刻也为10:10,则aj属于第一时间标签,并进一步执行步骤S206,而当网管服务器判断T1中时间标签序号j对应的时刻不为10:10,则执行步骤S208。
S206、网管服务器判断aj对应的流量值t1,j是否大于0,如果大于0,则执行步骤S207,否则执行步骤S208。
在本发明的实施例中,网络流量的值不可能小于0,而存在网络流量为0或网络流量大于0的情况。当时刻aj对应的网络流量的值大于0时,则aj所属的时间标签属于第二时间标签,则网管服务器进一步执行步骤S207,否则执行步骤S208。
S207、网管服务器累加X、Y,其中,X=X+t1,j,Y=Y+1。
在本发明的实施例中,网管服务器累加第二时间标签对应的网络流量值,获得网络流量累加和,并累加网络流量值大于0的数据个数Y。
S208、网管服务器更新时间标签序号j=j+1,重新执行步骤S204。
在本发明的实施例中,当时刻aj对应的网络流量的值等于0或网管服务器累加完X、Y后,网管服务器会继续遍历第一时间序列数据T1中的时刻,即在时间标签序号j加1后重新执行步骤S204。
S209、网管服务器判断Y是否大于0,如果Y大于0,则执行步骤S210,否则,执行步骤S211。
在本发明的实施例中,当网管服务器遍历完第一时间序列数据T1中时间标签的总个数为J,则网管服务器进一步判断Y是否大于0,Y即为第二时间标签的个数。若Y大于0,则进一步计算网络流量均值,即执行步骤S210,否则执行步骤S211。
S210、网管服务器计算时刻序号i对应的流量均值t0,i=X/Y,并将t0,i映射到时刻e后,置X=0,Y=0,继续执行步骤S211。
在本发明的实施例中,网管服务器计算时刻e对应的网络流量均值,并将网络流量均值映射到时刻e,来获得初始基准值序列数据T0中时刻e的基准值。
S211、网管服务器更新时刻序号i=i+1,重新执行步骤202。
在本发明的实施例中,网管服务器通过遍历预设的标准时刻集合E中的每一个时刻,计算每一个时刻在第一时间序列数据T1中对应的流量均值t0,i;并将t0,i映射到ci,ci即为e,从而获得初始基准值序列数据T0,T0可表示为T0(c1,t0,1)、T0(c2,t0,2)、……..T0(cN,t0,N),其中N为初始基准值的时间标签个数。
需要说明的是,在本发明的实施例中,初始基准值序列数据T0的时间标签个数N不超过预设的标准时刻集合为E的长度。
实施例三
基于上述实施例一和二,以网络流量的业务数据为例,本发明实施例提供一种缺失时刻数据补充方法示例,缺失时刻数据补充的方法是按照预设的至少一个时间数据模型来对初始基准值序列数据进行补充的,补充后的时间序列数据为第二时间序列数据。在本发明的实施例中,预设的至少一个时间数据模型包括四个,分别是时刻0:00,对应时间数据模型t0,i=t0,i+1*(1-0.5*r),标记为模型M1;0:05至5:30时刻之间,对应时间数据模型t0,i=t0,i-1*(1-0.5*r),标记为模型M2;5:35-21:30之间,对应时间数据模型t0,i=t0,i-1*(1+0.1*r),标记为模型M3;21:30-23:55之间,对应时间数据模型t0,i=t0,i-1*(1-0.3*r),标记为模型M4,上述模型中,r为0到1之间均匀分布的随机数。为描述清晰,标记预设的标准时刻集合为E,标记获得的初始基准值序列数据为T0,T0的时间标签个数为N;记T0中时间标签ci对应的流量值为t0,i,且标记补充后的第二时间序列数据为Tf。图3为本发明实施例中缺失时刻数据补充方法的示例图,如图3所示,该方法包括:
S301、网管服务器初始化E中的时刻序号为i=1以及T0的时刻序号j=1。
S302、网管服务器判断i是否大于288或j是否大于N,如果i大于288或j大于N,则结束;否则执行步骤S303。
S303、网管服务器记E中的第i个时刻为e。
S304、网管服务器判断e是否等于T0的第j个时刻cj,如果e等于cj,则执行步骤S305;否则执行步骤S306。
S305、网管服务器设置i=i+1,j=j+1,并重新执行步骤S302。
S306、网管服务器设置j=j+1,N=N+1,并继续执行步骤S307-S313。
在本发明的实施例中,当网管服务器在初始基准值序列数据中未查找到预设的标准时刻集合中的当前时刻i对应的数据,则网管服务器进一步执行步骤S307-S313中确定当前时刻i对应的时间数据模型,并计算流量值的步骤。
S307、网管服务器判断e是否等于0:00,若是,则执行步骤S308;否则执行步骤S309。
S308、网管服务器采用模型M1计算时间标签e对应的流量值t0,i,继续执行步骤S314。
S309、网管服务器判断e是否属于0:05-5:30,若是,则执行步骤S310;否则执行步骤S311。
S310、网管服务器采用模型M2计算时间标签e对应的流量值t0,i,继续执行步骤S314。
S311、网管服务器判断e是否属于5:35-21:30,若是,则执行步骤S312;否则执行步骤S313。
S312、网管服务器采用模型M3计算时间标签e对应的流量值t0,i,继续执行步骤S314。
S313、网管服务器采用模型M4计算时间标签e对应的流量值t0,i,继续执行步骤S314。
S314、网管服务器设置T0的第i个时刻为e,e对应的流量值为t0,i,并继续执行步骤S315。
在本发明的实施例中,网管服务器在确定时刻e对应的时间数据模型后,在初始基准值序列数据T0中新增当前时刻e对应的数据t0,i,即获得第二时间序列数据Tf。
S315、网管服务器设置时刻序号为i=i+1,并重新继续执行步骤S302。
可以理解的是,在本发明的实施例中,通过按照预设的至少一个时间数据模型补充初始基准值序列数据中的缺失数据,使得补充的缺失数据更加符合实际应用场景,有效地提升了最终获得的基准值序列数据的可靠性程度,从而提升了业务数据分析的准确性。
实施例四
基于上述实施例一、二和实施例三,以网络流量的业务数据为例,本发明实施例提供一种确定异常数据以及校正异常数据的方法示例,异常数据的确定是通过第二时间序列数据计算得到的,在确定异常数据后即可对异常数据进行校正。在本发明的实施例中,为描述清晰,标记第二时间序列数据为Tf,Tf的时间标签长度为S。图4为本发明实施例中异常数据确定以及校正的示例图,如图4所示,该方法包括:
S401、网管服务器初始化Tf中的时刻序号i=2。
S402、网管服务器计算Tf中的最大值F和最小值f。
S403、网管服务器判断F是否大于6倍的f,若是,执行步骤S404;若否,执行步骤S405。
在本发明的实施例中,网管服务器判断F是否大于6倍的f,即网管服务器基于最大值和最小值确定异常阈值,其中6即为预设的公倍数。网管服务器基于最大值和最小值,分别执行步骤S404或S405。
S404、网管服务器设置异常阈值eps=5*f/8,并继续执行步骤S406。
在本发明的实施例中,预设的第一异常阈值为eps=5*f/8,网管服务器在确定最大值大于预设公倍数乘以最小值时,确定eps=5*f/8为异常阈值。
S405、网管服务器设置异常阈值eps=(F-f)/8,并继续执行步骤S406。
在本发明的实施例中,预设的第二异常阈值为eps=5*f/8,网管服务器在确定最大值不大于预设公倍数乘以最小值时,确定eps=(F-f)/8为异常阈值。
S406、网管服务器判断时刻序号i是否大于S,若否,执行步骤S407;若是,流程结束。
S407、网管服务器判断|tf,i-1,tf,i|<eps,若是,执行步骤S408;若否,执行步骤S409。
在本发明的实施例中,网管服务器计算第二时间序列数据Tf中当前时刻相邻的上一时刻对应的第一数据和当前时刻对应的第二数据的差值的绝对值是否大于异常阈值;若差值的绝对值小于异常阈值,则执行步骤S408,否则执行步骤S409。
S408、网管服务器设置时刻序号为i=i+1,并重新继续执行步骤S406。
在本发明的实施例中,当网管服务器判断差值的绝对值不大于异常阈值时,则继续遍历第二时间序列数据Tf中的时刻。
S409、网管服务器确定tf,i为异常数据,并判断tf,i-1是否大于tf,i,若是,执行步骤S410;若否,执行步骤S411。
在本发明的实施例中,当第二数据和第一数据差值的绝对值大于异常阈值是,则网管服务器确定第二数据tf,i为异常数据。
此外,在本发明的实施例中,网管服务器还会进一步判断第一数据和第二数据的大小,根据第一数据和第二数据间的大小关系以及异常阈值,确定异常数据对应的校正数据,即根据大小关系以及异常阈值执行S410或S411的步骤。
S410、网管服务器校正异常数据tf,i=tf,i+1/10*eps,并重新继续执行步骤S407。
在本发明的实施例中,当网管服务器判断第一数据大于第二数据时,则在第二数据tf,i的基础上累加预设校正幅值1/10*eps。
S411、网管服务器校正异常数据tf,i=tf,i-1/10*eps,并重新继续执行步骤S407。
在本发明的实施例中,当网管服务器判断第一数据小于第二数据时,则在第二数据tf,i的基础上递减预设校正幅值1/10*eps。
可以理解的是,在本发明的实施例中,网管服务器根据第一数据和第二数据间的大小关系以及异常阈值,确定异常数据,并对异常数据根据具体情况进行差异化的校正来获得基准值序列数据的方式,因仅根据相邻时刻数据来确定的校正数据,不仅能有效提升校正数据计算的准确性,同时也提升了校正数据计算的效率。
实施例五
基于实施例一的同一发明构思,本发明实施例提供了一种业务数据处理装置,图5为本发明实施例提出的一种业务数据处理装置图,如图5所示,在本发明的实施例中,业务数据处理装置500包括:
处理单元501,用于按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,所述第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据;
补充单元502,用于按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;所述预设的至少一个时间数据模型表征时刻与数据的关联变化关系,所述第二时间序列数据中的时刻与所述预设的标准时刻集合中的时刻相同;
确定单元503,用于对所述第二时间序列数据进行计算,确定异常数据;
校正单元504,用于对所述异常数据进行校正,获得基准值序列数据,以所述基准值序列数据为标准实现对当前业务数据的分析;所述基准值序列数据表征对所述初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。
在其他实施例中,所述补充单元502,具体用于在所述初始基准值序列数据中查找所述预设的标准时刻集合中的当前时刻对应的数据,若没有查找到,则在所述预设的至少一个时间数据模型中确定所述当前时刻对应的时间数据模型;
根据所述当前时刻对应的时间数据模型,补充所述初始基准值序列数据中所述当前时刻对应的当前缺失时刻数据,获得所述第二时间序列数据。
在其他实施例中,所述补充单元502,具体用于通过所述当前时刻对应的时间数据模型,计算所述当前时刻对应的数据;在所述初始基准值序列数据中新增所述当前时刻对应的数据,获得所述第二时间序列数据。
在其他实施例中,所述确定单元503,具体用于计算所述第二时间序列数据中的最大值和最小值;基于所述最大值和所述最小值确定异常阈值;根据所述第二时间序列数据中相邻时刻数据与所述异常阈值,确定所述异常数据。
在其他实施例中,所述确定单元503,具体用于计算所述第二时间序列数据中当前时刻相邻的上一时刻对应的第一数据和所述当前时刻对应的第二数据的差值的绝对值;若所述差值的绝对值大于所述异常阈值,则确定所述当前时刻相邻的下一时刻对应的第二数据为所述异常数据。
在其他实施例中,所述校正单元504,具体用于根据所述第一数据和所述第二数据间的大小关系以及所述异常阈值,确定所述异常数据对应的校正数据;校正所述异常数据为所述校正数据,获得所述基准值序列数据。
在其他实施例中,所述校正单元504,具体用于若所述第一数据大于所述第二数据,则在所述第二数据的基础上累加预设校正幅值,所述预设校正幅值与所述异常阈值相关;直至累加后的第二数据与所述第一数据的差值的绝对值小于所述异常阈值,确定所述异常数据对应的校正数据为所述累加后的第二数据;若所述第一数据不大于所述第二数据,则在所述第二数据的基础上递减所述预设校正幅值;直至递减后的第二数据与所述第一数据的差值的绝对值小于所述异常阈值,确定所述异常数据对应的校正数据为所述递减后的第二数据。
在其他实施例中,所述校正单元504,具体用于当所述最大值大于预设公倍数乘以所述最小值时,确定预设的第一异常阈值为所述异常阈值;当所述最大值不大于所述预设公倍数乘以所述最小值时,确定预设的第二异常阈值为所述异常阈值。
在其他实施例中,所述处理单元501,具体用于针对所述预设的标准时刻集合中的每一个时刻,计算所述每一个时刻在所述第一时间序列数据中对应的数据均值;将所述数据均值映射到对应的所述每一个时刻,获得所述初始基准值序列数据。
在其他实施例中,所述处理单元501,具体用于针对所述预设的标准时刻集合中的每一个时刻,查找与所述预设的标准时刻集合中当前时刻相同的所述第一时间序列数据中的N个第一时间标签,N≥0;当所述N大于0时,从所述N个第一时间标签中筛选时间标签对应的数据大于0的时间标签,获得M个第二时间标签,并累加所述M个第二时间标签中每个时间标签对应的数据,获得数据累加和,其中,0≤M<N;当所述M大于0时,根据所述数据累加和所述M,计算所述当前时刻对应的数据均值。
本发明装置实施例的描述,与上述实施例一中方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解。
实施例六
对应的,基于实施例一的同一发明构思,图6为本发明实施例提出的网管服务器的组成结构示意图,如图6所示,本发明提出的网管服务器可以包括处理器01、存储有处理器01可执行指令的存储器02、通信接口03,和用于连接处理器01、存储器02以及通信接口03的总线04。其中,处理器01用于执行存储器中存储的业务数据处理程序,以实现以下步骤:
按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,所述第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据;
按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;所述预设的至少一个时间数据模型表征时刻与数据的关联变化关系,所述第二时间序列数据中的时刻与所述预设的标准时刻集合中的时刻相同;
对所述第二时间序列数据进行计算,确定异常数据;
对所述异常数据进行校正,获得基准值序列数据,以所述基准值序列数据为标准实现对当前业务数据的分析;所述基准值序列数据表征对所述初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。
在本发明的实施例中,上述处理器01可以为特定用途集成电路(ApplicationSpecific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(ProgRAMmable Logic Device,PLD)、现场可编程门阵列(FieldProgRAMmable GateArray,FPGA)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本发明实施例不作具体限定。该网管服务器还可以包括存储器02,该存储器02可以与处理器01连接,其中,存储器02用于存储业务数据处理程序代码,该程序代码包括计算机操作指令,存储器02可能包含高速RAM存储器,也可能还包括非易失性存储器,例如,至少两个磁盘存储器。
在实际应用中,上述存储器02可以是易失性存储器(volatile memory),例如随机存取存储器(Random-Access Memory,RAM);或者非易失性存储器(non-volatile memory),例如只读存储器(Read-Only Memory,ROM),快闪存储器(flash memory),硬盘(Hard DiskDrive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器01提供指令和数据。
另外,在本实施例中的各功能模块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模块的形式实现。
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,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)或processor(处理器)执行本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(Read OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是,在本发明的实施例中,通过按照预设的至少一个时间数据模型补充初始基准值序列数据中的缺失数据,使得补充的缺失数据更加符合实际应用场景,有效地提升了最终获得的基准值序列数据的可靠性程度,从而提升了业务数据分析的准确性。
本发明实施例提供一种计算机可读存储介质,其上存储有业务数据处理程序,应用于网管服务器中,该程序被处理器执行时实现如实施例一至实施例四中的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (13)
1.一种业务数据处理方法,其特征在于,所述方法包括:
按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,所述第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据;
按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;所述预设的至少一个时间数据模型表征时刻与数据的关联变化关系,所述第二时间序列数据中的时刻与所述预设的标准时刻集合中的时刻相同;
对所述第二时间序列数据进行计算,确定异常数据;
对所述异常数据进行校正,获得基准值序列数据,以所述基准值序列数据为标准实现对当前业务数据的分析;所述基准值序列数据表征对所述初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。
2.根据权利要求1所述的方法,其特征在于,所述按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据,包括:
在所述初始基准值序列数据中查找所述预设的标准时刻集合中的当前时刻对应的数据,若没有查找到,则在所述预设的至少一个时间数据模型中确定所述当前时刻对应的时间数据模型;
根据所述当前时刻对应的时间数据模型,补充所述初始基准值序列数据中所述当前时刻对应的当前缺失时刻数据,获得所述第二时间序列数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前时刻对应的时间数据模型,补充所述初始基准值序列数据中所述当前时刻对应的当前缺失时刻数据,获得所述第二时间序列数据,包括:
通过所述当前时刻对应的时间数据模型,计算所述当前时刻对应的数据;
在所述初始基准值序列数据中新增所述当前时刻对应的数据,获得所述第二时间序列数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述第二时间序列数据进行计算,确定异常数据,包括:
计算所述第二时间序列数据中的最大值和最小值;
基于所述最大值和所述最小值确定异常阈值;
根据所述第二时间序列数据中相邻时刻数据与所述异常阈值,确定所述异常数据。
5.根据权利要求4所述的方法,所述根据所述第二时间序列数据中相邻时刻数据与所述异常阈值,确定所述异常数据,包括:
计算所述第二时间序列数据中当前时刻相邻的上一时刻对应的第一数据和所述当前时刻对应的第二数据的差值的绝对值;
若所述差值的绝对值大于所述异常阈值,则确定所述当前时刻相邻的下一时刻对应的第二数据为所述异常数据。
6.根据权利要求5所述的方法,其特征在于,所述对所述异常数据进行校正,获得基准值序列数据,包括:
根据所述第一数据和所述第二数据间的大小关系以及所述异常阈值,确定所述异常数据对应的校正数据;
校正所述异常数据为所述校正数据,获得所述基准值序列数据。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一数据和所述第二数据间的大小关系以及所述异常阈值,确定所述异常数据对应的校正数据,包括:
若所述第一数据大于所述第二数据,则在所述第二数据的基础上累加预设校正幅值,所述预设校正幅值与所述异常阈值相关;
直至累加后的第二数据与所述第一数据的差值的绝对值小于所述异常阈值,确定所述异常数据对应的校正数据为所述累加后的第二数据;
若所述第一数据不大于所述第二数据,则在所述第二数据的基础上递减所述预设校正幅值;
直至递减后的第二数据与所述第一数据的差值的绝对值小于所述异常阈值,确定所述异常数据对应的校正数据为所述递减后的第二数据。
8.根据权利要求4所述的方法,其特征在于,所述基于所述最大值和所述最小值确定异常阈值,包括:
当所述最大值大于预设公倍数乘以所述最小值时,确定预设的第一异常阈值为所述异常阈值;
当所述最大值不大于所述预设公倍数乘以所述最小值时,确定预设的第二异常阈值为所述异常阈值。
9.根据权利要求1所述的方法,其特征在于,所述按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,包括:
针对所述预设的标准时刻集合中的每一个时刻,计算所述每一个时刻在所述第一时间序列数据中对应的数据均值;
将所述数据均值映射到对应的所述每一个时刻,获得所述初始基准值序列数据。
10.根据权利要求9所述的方法,其特征在于,所述针对所述预设的标准时刻集合中的每一个时刻,计算所述每一个时刻在所述第一时间序列数据中对应的数据均值,包括:
针对所述预设的标准时刻集合中的每一个时刻,查找与所述预设的标准时刻集合中当前时刻相同的所述第一时间序列数据中的N个第一时间标签,N≥0;
当所述N大于0时,从所述N个第一时间标签中筛选时间标签对应的数据大于0的时间标签,获得M个第二时间标签,并累加所述M个第二时间标签中每个时间标签对应的数据,获得数据累加和,其中,0≤M<N;
当所述M大于0时,根据所述数据累加和所述M,计算所述当前时刻对应的数据均值。
11.一种业务数据处理装置,其特征在于,所述装置包括:
处理单元,用于按预设的标准时刻集合对第一时间序列数据进行处理,获得初始基准值序列数据,所述第一时间序列数据为预设时间周期内按时间标签排序的历史业务数据;
补充单元,用于按照预设的至少一个时间数据模型,补充所述初始基准值序列数据中的缺失时刻数据,获得第二时间序列数据;所述预设的至少一个时间数据模型表征时刻与数据的关联变化关系,所述第二时间序列数据中的时刻与所述预设的标准时刻集合中的时刻相同;
确定单元,用于对所述第二时间序列数据进行计算,确定异常数据;
校正单元,用于对所述异常数据进行校正,获得基准值序列数据,以所述基准值序列数据为标准实现对当前业务数据的分析;所述基准值序列数据表征对所述初始基准值序列数据经过数据补充、检测和校正处理后的时间序列数据。
12.一种网管服务器,其特征在于,所述网管服务器至少包括:处理器、存储器、通信接口,和用于连接所述处理器、存储器以及通信接口的总线;所述处理器用于执行所述存储器中存储的业务数据处理程序,以实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有业务数据处理程序,应用于网管服务器中,所述业务数据处理程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829157.8A CN112445835B (zh) | 2019-09-03 | 2019-09-03 | 一种业务数据处理方法及装置、网管服务器、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829157.8A CN112445835B (zh) | 2019-09-03 | 2019-09-03 | 一种业务数据处理方法及装置、网管服务器、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112445835A true CN112445835A (zh) | 2021-03-05 |
CN112445835B CN112445835B (zh) | 2023-02-24 |
Family
ID=74735400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910829157.8A Active CN112445835B (zh) | 2019-09-03 | 2019-09-03 | 一种业务数据处理方法及装置、网管服务器、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112445835B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342610A (zh) * | 2021-06-11 | 2021-09-03 | 北京奇艺世纪科技有限公司 | 一种时序数据异常检测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150212869A1 (en) * | 2014-01-28 | 2015-07-30 | International Business Machines Corporation | Predicting anomalies and incidents in a computer application |
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
CN109063947A (zh) * | 2018-06-11 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种时间序列的异常识别方法、装置、及业务服务器 |
-
2019
- 2019-09-03 CN CN201910829157.8A patent/CN112445835B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150212869A1 (en) * | 2014-01-28 | 2015-07-30 | International Business Machines Corporation | Predicting anomalies and incidents in a computer application |
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
CN109063947A (zh) * | 2018-06-11 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种时间序列的异常识别方法、装置、及业务服务器 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342610A (zh) * | 2021-06-11 | 2021-09-03 | 北京奇艺世纪科技有限公司 | 一种时序数据异常检测方法、装置、电子设备及存储介质 |
CN113342610B (zh) * | 2021-06-11 | 2023-10-13 | 北京奇艺世纪科技有限公司 | 一种时序数据异常检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112445835B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108632097B (zh) | 异常行为对象的识别方法、终端设备及介质 | |
US20180157438A1 (en) | Slow-disk detection method and apparatus | |
CN108664603B (zh) | 一种修复时序数据的异常聚合值的方法及装置 | |
US9063839B2 (en) | Capacity forecasting for backup storage | |
CN106936778B (zh) | 网站流量异常的检测方法和装置 | |
CN111045881A (zh) | 一种慢盘检测方法及系统 | |
US9417628B2 (en) | Production failure analysis system | |
CN106598822A (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
CN104750703A (zh) | 一种提高数据准确性的方法和装置 | |
CN110909306B (zh) | 业务异常检测方法、装置、电子设备和存储设备 | |
CN106202280A (zh) | 一种信息处理方法及服务器 | |
CN111815973B (zh) | 信号交叉口分析方法及相关设备 | |
CN108228679B (zh) | 时序数据计量方法和时序数据计量装置 | |
CN112445835B (zh) | 一种业务数据处理方法及装置、网管服务器、存储介质 | |
CN108093275B (zh) | 一种数据处理方法及装置 | |
CN107491458B (zh) | 一种存储时间序列数据的方法和装置以及系统 | |
CN114817645A (zh) | 时序数据的存储及读取方法、装置、设备及存储介质 | |
CN111148045A (zh) | 用户行为周期提取方法及设备 | |
CN112684402B (zh) | 用电量平稳电能运行误差数据的监测方法及系统 | |
CN104102804A (zh) | 一种预测设备器件寿命的方法及装置 | |
CN104598574A (zh) | 一种海量gps数据存储的方法及装置 | |
CN107516114B (zh) | 一种时间序列处理方法及装置 | |
CN107995014B (zh) | 基于告警信息发现功能拓扑的方法及装置 | |
CN110245844B (zh) | 异常指标检测方法及装置 | |
CN109255579B (zh) | 一种数据指标确定方法和装置 |
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 |