CN112631882A - 一种结合线上业务指标特征的容量预估方法 - Google Patents
一种结合线上业务指标特征的容量预估方法 Download PDFInfo
- Publication number
- CN112631882A CN112631882A CN202011404787.XA CN202011404787A CN112631882A CN 112631882 A CN112631882 A CN 112631882A CN 202011404787 A CN202011404787 A CN 202011404787A CN 112631882 A CN112631882 A CN 112631882A
- Authority
- CN
- China
- Prior art keywords
- data
- service index
- hardware resource
- column
- capacity
- 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
- 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
- G06F11/3457—Performance evaluation by simulation
-
- 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
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
Abstract
本发明公开了一种结合线上业务指标特征的容量预估方法，属于IT容量管理领域，解决了现有技术中互联网银行业务数据量巨大，对未来数据容量预估，准确率低，时效性具有延迟，自动化程度较低的问题，本发明提供一种结合业务指标与系统资源，共同对所有相关系统做容量预估的方法，通过引入时间序列模型和xgboost模型的，提升数据的准确性，提升数据的时效性，提升容量预估的自动化程度。
Description
技术领域
本发明属于IT容量管理领域，具体涉及一种结合线上业务指标特征的容量预估方法。
背景技术
传统的容量管理领域主要在解决2个问题，其一是根据业务的增长情况有效评估系统在某时间节点的QPS与硬件资源是否足够；其二是根据当前的硬件资源消耗趋势，为下一个周期的采购计划提供有力的支撑，获得技术投入与业务发展之间的合理值，追求无限接近于“刚刚好”的状态。
现有容量预估技术主要通过专家经验对业务增量进行假设，在业务增量的假设前提下进行uv(Unique Vistor)30天内的访客数、pv(page view)30天内的页面浏览次数估计；再根据uv、pv的具体推算值计算可能的QPS并发量，从而根据公式推算出需要增加多少个节点(资源)才能达到所需并发量。
互联网银行是新一代互联网银行的运营模式，其没有线下网点，全实时、全网、全线上进件的方式与传统银行完全不同，所以互联网银行的每个客户每一笔操作(认证、贷款、还款)都会在行内相关业务系统都会产生一次全流程操作，从而带来一部分资源消耗压力，如何评估不同业务量情况下系统容量是否能满足需求成为一个比较棘手的问题。
发明内容
针对现有技术中互联网银行业务数据量巨大，对未来数据容量预估，准确率低，时效性具有延迟，自动化程度较低的问题，本发明提供所以我们提出一种结合业务指标与系统资源共同对相关系统做容量预估的方法来解决此问题，通过引入prophet时间序列模型和xgboost回归训练模型的，提升数据的准确性，提升数据的时效性，提升容量预估的自动化程度。
本发明中一种结合线上业务指标特征的容量预估方法采用的技术方案如下：
步骤1：以日为单位收集硬件资源数据，并做清洗和归一化处理得到硬件资源数据列m；
步骤2：以日为单位收集业务指标数据，并做清洗和归一化处理得到业务指标数据列y；
步骤3：对硬件资源数据列m和业务指标数据列y按照时间序列进行排序，并对m和y做关联性计算，得到关联数据列c；
步骤4：使用prophet时间序列模型对清洗处理后的业务指标数据进行历史拟合建模，并将过去30天内的历史数据下限值定义为ylower，整合训练数据为X＝<m,ylower,c>，预测标准数据为Y＝<y>，将X,Y作为历史训练数据；
步骤5：将历史训练数据X,Y，输入xgboost回归训练预测模型，对未来容量进行预估，得到预测数据。
本发明通过引入时间序列模型，对硬件资源监控数据收集并清洗归一化处理得到硬件资源数据列m，对业务指标数据收集并清洗归一化处理得到业务指标数据列y、并硬件资源数据列m和业务指标数据列y做关联性计算得到关联数据列c，从三个维度对数据进行拟合建模，得到数据历史训练数据X和Y，再通过引入xgboost回归训练模型，输入数据X、数据Y，得到未来半年的预测数据Y-hat。本发明考虑到时间因素的影响，加入时间序列模型使得15日内预测准确性高达90％，平均误差0.2以内，可预见范围内有效预测180天左右，使用关联性分析等方法抛弃了人工经验干预，无须再预估QPS等参数，实现端到端预测容量预估。
其中，步骤1具体包括：
步骤1.1：由资源监控agent工具采集硬件资源数据到数据仓库中，再使用etl工具抽取数据仓库中的硬件资源数据(CPU，内存，磁盘)并按时间排序；
步骤1.2：由于CPU，内存，磁盘等数据不属于同一量级，故使用离差标准化方法将排序后的硬件资源数据处理为0～1范围数据，同时也可以使后续模型训练过程避免出现权重倾斜，得到硬件资源数据列m。
其中，步骤2具体包括：
步骤2.1：由资源监控agent工具采集业务指标数据到数据仓库中，再使用etl工具抽取数据仓库中的业务指标数据(进件量、放款数和还款数)并按时间排序；
步骤2.2：由于进件量、放款数和还款数等数据不属于同一量级，故使用离差标准化方法将排序后的业务指标数据处理为0～1范围数据，同时也可以使后续模型训练过程避免出现权重倾斜，得到业务指标数据列m。
进一步的，上述步骤1和步骤2均采用公式：
其中x表示每一行输入数据，xi表示每一行输入的第i个特征参数，xj每一行输入的第j个特征参数。
其中，步骤3具体包括：
步骤3.1：用Pearson相关系数计算业务指标数据列y与各个硬件资源数据列m之间的关联性，具体计算公式如下所示：
其中m和y分别表示按时间排序后的业务指标数据值与硬件资源数据值，Cov(m,y)为m与y的协方差，Var[m]为m的方差，Var[y]为y的方差，r(m，y)为关联性数据；
步骤3.2：关联性较弱的数据没有太大的参考意义，对每个业务指标与系统资源都取关联性前20的数据，构成数据列c，构建可靠的历史数据，在真实的数据使用中，无论关联性强弱都会作为一个指数参数输入模型作为u预测参考变量，抛开人工经验，使用数学方法建立资源与业务数据的关系，预测结果更加准确。
其中，步骤4具体包括：
步骤4.1：对清洗后的业务指标数据进行平滑处理，消除数据噪声；
步骤4.2：使用prophet时间序列模型对平滑处理后的业务指标数据拟合建模，并将业务指标数据过去30天内的历史数据下限值定义为ylower；
步骤4.3：整合历史数据列为X＝<m,ylower,c>，预测标准数据为Y＝<y>，并将X,Y作为历史训练数据，并按顺序一一对应。
进一步的，所述建模主要包含以下步骤：
步骤4.2.1：搭建python3及fbprophet环境；
步骤4.2.2：引入fbprophet包，并调用fbprophet包中的Prophet方法，选择核函数为“线性”，节假日设置未来一年的节假日日期，预测宽度为0.5；
步骤4.2.3：调用fit方法，将平滑处理后的业务指标数据按照标准格式作为参数输入该函数；
步骤4.2.4：调用make_future_dataframe方法，选择预测周期为30，日期单位为‘d’，并将业务指标数据过去30天内的历史数据下限值定义为ylower。
进一步的，所述步骤4时间序列模型采用的伪代码如下：
Algorithm时间序列
Input:m,y.
Output:model.
1:引入fbprophet依赖.
2:读取数据列m,y.
3:调用Prophet(growth＝'linear'holidays＝holiday).
4:调用model＝fit(m,y.).
5:调用make__future_dataframe(periods＝predict_length,freq＝'d'include_history＝history).
6:输出model.
其中，步骤5具体包括：
步骤5.1：将历史训练数据X,Y，输入xgboost回归训练预测模型；
步骤5.2：对未来数据进行预测，得到未来半年内的容量变化情况，并可以根据用户对业务的调整随时预测未来某一时间点的容量变化。
进一步的，所述步骤5训练模型伪代码如下:
Algorithm xgboost训练.
Input:X,Y.
Output:model.
1:引入xgboost依赖.
2:train←xgb.DMatrix(X).
3:params←default params.
4:model←xgb.train(param,data__train,num_boost_round＝15).
5:return model.
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明通过结合业务指标与系统资源，共同对相关系统做容量预估，实现预测未来某一时间点的容量变化，对通过引入prophet时间序列模型和xgboost回归训练模型的，提升数据的准确性，提升数据的时效性，提升容量预估的自动化程度。
2.加入时间序列模型使得15日内预测准确性高达90％，平均误差0.2以内。
3.本专利可见范围内能有效预测180天左右，提高了容量预测的数据长远时效性。
4.使用关联性分析等方法抛弃了人工经验干预，无须再预估QPS等参数，实现端到端预测容量预估，实现容量预测的自动化。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明一种结合线上业务指标特征的容量预估方法的流程图；
图2是某系统的资源数据整理结果表格图；
图3是某业务量指标整理后的结果表格图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
对本申请涉及到的英文字符做出解释如下：
Unique Vistor：独立访客者；
page view：网页浏览量；
Pearson相关系数(Pearson Correlation Coefficient)：是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系；
make future dataframe：制作未来的数据帧；
Min：最小值；
Max：最大值；
Ave：平均值；
Time：时间数值；
actual_value：实际值。
下面结合图1～图3对本发明作详细说明。
如图1所示：
一种结合线上业务指标特征的容量预估方法，包括：
步骤1：收集硬件资源数据，以日为单位收集硬件资源数据，并做清洗和归一化处理得到硬件资源数据列m；
步骤2：收集业务数据，以日为单位收集业务指标数据，并做清洗和归一化处理得到业务指标数据列y；
步骤3：相关性指标加工，对硬件资源数据列m和业务指标数据列y按照时间序列进行排序，并对m和y做关联性计算，得到关联数据列c；
步骤4：机器学习模型训练，使用prophet时间序列模型对清洗处理后的业务指标数据进行历史拟合建模，并将过去30天内的历史数据下限值定义为ylower，整合训练数据为X＝<m,ylower,c>，预测标准数据为Y＝<y>，将X,Y作为历史训练数据；
步骤5：未来容量预测，将历史训练数据X,Y，输入xgboost回归训练预测模型，对未来容量进行预估，得到预测数据。
本发明通过引入时间序列模型，对硬件资源监控数据收集并清洗归一化处理得到硬件资源数据列m，对业务指标数据收集并清洗归一化处理得到业务指标数据列y、并硬件资源数据列m和业务指标数据列y做关联性计算得到关联数据列c，从三个维度对数据进行拟合建模，得到数据历史训练数据X和Y，再通过引入xgboost回归训练模型，输入数据X、数据Y，得到未来半年的预测数据Y-hat。本发明考虑到时间因素的影响，加入时间序列模型使得15日内预测准确性高达90％，平均误差0.2以内，可预见范围内有效预测180天左右，使用关联性分析等方法抛弃了人工经验干预，无须再预估QPS等参数，实现端到端预测容量预估。
其中，步骤1具体包括：
步骤1.1：由资源监控agent工具采集硬件资源数据到数据仓库中，再使用etl工具抽取数据仓库中的硬件资源数据(CPU，内存，磁盘)并按时间排序；
步骤1.2：由于CPU，内存，磁盘等数据不属于同一量级，故使用离差标准化方法将排序后的硬件资源数据处理为0～1范围数据，同时也可以使后续模型训练过程避免出现权重倾斜，得到硬件资源数据列m。
实施例一，进件数[67,343,65,87,43]归一化后[0.08,1.0,0.073,0.14,0.0]
进一步的，所述的硬件资源数据包括cpu、内存和磁盘数据。
本实施例中，某系统的资源数据整理结果如图2所示。
其中，步骤2具体包括：
步骤2.1：由资源监控agent工具采集业务指标数据到数据仓库中，再使用etl工具抽取数据仓库中的业务指标数据(进件量、放款数和还款数)并按时间排序；
步骤2.2：由于进件量、放款数和还款数等数据不属于同一量级，故使用离差标准化方法将排序后的业务指标数据处理为0～1范围数据，同时也可以使后续模型训练过程避免出现权重倾斜，得到业务指标数据列m。
进一步的，上述步骤1和步骤2均采用公式：
其中x表示每一行输入数据，xi表示每一行输入的第i个特征参数，xj每一行输入的第j个特征参数。
本实施例中，某业务量指标整理后的结果如图3所示。
其中，步骤3具体包括：
步骤3.1：用Pearson相关系数计算业务指标数据列y与各个硬件资源数据列m之间的关联性，具体计算公式如下所示：
其中m和y分别表示按时间排序后的业务指标数据值与硬件资源数据值，Cov(m,y)为m与y的协方差，Var[m]为m的方差，Var[y]为y的方差，r(m，y)为关联性数据；
步骤3.2：关联性较弱的数据没有太大的参考意义，对每个业务指标与系统资源都取关联性前20的数据，构成数据列c，构建可靠的历史数据，在真实的数据使用中，无论关联性强弱都会作为一个指数参数输入模型作为u预测参考变量，抛开人工经验，使用数学方法建立资源与业务数据的关系，预测结果更加准确。
实施例二，业务指标[0.08,1.0,0.073,0.14,0.0],cpu数据[0.1,0.2,0.3,0.4,0.6]
cor＝-0.396943,表明业务的增长趋势和这个系统属于负相关
其中，步骤4具体包括：
步骤4.1：对清洗后的业务指标数据进行平滑处理，消除数据噪声；
步骤4.2：使用prophet时间序列模型对平滑处理后的业务指标数据拟合建模，并将业务指标数据过去30天内的历史数据下限值定义为ylower；
步骤4.3：整合历史数据列为X＝<m,ylower,c>，预测标准数据为Y＝<y>，并将X,Y作为历史训练数据，并按顺序一一对应。
实施例三，：X＝[0.1,0.1,0.1]，[0.2,0.2,0.2]，[0.3,0.3,0.3]，]
Y＝[15.3，36.9，55.5]
进一步的，所述建模主要包含以下步骤：
步骤4.2.1：搭建python3及fbprophet环境；
步骤4.2.2：引入fbprophet包，并调用fbprophet包中的Prophet方法，选择核函数为“线性”，节假日设置未来一年的节假日日期，预测宽度为0.5；
步骤4.2.3：调用fit方法，将平滑处理后的业务指标数据按照标准格式作为参数输入该函数；
步骤4.2.4：调用make_future_dataframe方法，选择预测周期为30，日期单位为‘d’，并将业务指标数据过去30天内的历史数据下限值定义为ylower。
进一步的，所述步骤4时间序列模型采用的伪代码如下：
Algorithm时间序列
Input:m,y.
Output:model.
1:引入fbprophet依赖.
2:读取数据列m,y.
3:调用Prophet(growth＝'linear'holidays＝holiday).
4:调用model＝fit(m,y.).
5:调用make__future_dataframe(periods＝predict_length,freq＝'d'include_history＝history).
6:输出model.
其中，步骤5具体包括：
步骤5.1：将历史训练数据X,Y，输入xgboost回归训练预测模型；
步骤5.2：对未来数据进行预测，得到未来半年内的容量变化情况，并可以根据用户对业务的调整随时预测未来某一时间点的容量变化情况。
进一步的，所述步骤5训练模型伪代码如下:
Algorithm xgboost训练.
Input:X,Y.
Output:model.
1:引入xgboost依赖.
2:train←xgb.DMatrix(X).
3:params←default params.
4:model←xgb.train(param,data__train,num_boost_round＝15).
5:return model.
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。
Claims (9)
1.一种结合线上业务指标特征的容量预估方法，其特征在于，包括：
步骤1：以日为单位收集硬件资源数据，并做清洗和归一化处理得到硬件资源数据列m；
步骤2：以日为单位收集业务指标数据，并做清洗和归一化处理得到业务指标数据列y；
步骤3：对硬件资源数据列m和业务指标数据列y按照时间序列进行排序，并对m和y做关联性计算，得到关联数据列c；
步骤4：使用prophet时间序列模型对清洗处理后的业务指标数据进行历史拟合建模，并将过去30天内的历史数据下限值定义为ylower，整合训练数据为X＝<m,ylower,c>，预测标准数据为Y＝<y>，将X,Y作为历史训练数据；
步骤5：将历史训练数据X,Y，输入xgboost回归训练预测模型，对未来容量进行预估，得到预测数据。
2.根据权利要求1所述一种结合线上业务指标特征的容量预估方法，其特征在于，步骤1具体包括：
步骤1.1：由资源监控agent工具采集硬件资源数据到数据仓库中，再使用etl工具抽取数据仓库中的硬件资源数据并按时间排序；
步骤1.2：使用离差标准化方法对排序后的硬件资源数据进行归一化处理，得到硬件资源数据列m。
3.根据权利要求2所述的一种结合线上业务指标特征的容量预估方法，其特征在于所述的硬件资源数据包括cpu、内存和磁盘数据。
4.根据权利要求1所述的一种结合线上业务指标特征的容量预估方法，其特征在于，步骤2具体包括：
步骤2.1：由资源监控agent工具采集业务指标数据到数据仓库中，再使用etl工具抽取数据库中的业务指标数据并按时间排序；
步骤2.2：使用离差标准化方法对清洗后的业务指标数据进行归一化处理,得到业务数据列y。
5.根据权利要求4所述的一种结合线上业务指标特征的容量预估方法，其特征在于，所述业务指标数据包括进件量、放款数和还款数。
6.根据权利要求1所述的一种结合线上业务指标特征的容量预估方法，其特征在于，步骤3具体包括：
步骤3.1：用Pearson相关系数计算业务指标数据列y与各个硬件资源数据列m之间的关联性；
步骤3.2：取关联性前20的数据，构成数据列c。
7.根据权利要求1所述的一种结合线上业务指标特征的容量预估方法，其特征在于，步骤4具体包括：
步骤4.1：对清洗后的业务指标数据进行平滑处理，消除数据噪声；
步骤4.2：使用prophet时间序列模型对平滑处理后的业务指标数据拟合建模，并将业务指标数据过去30天内的历史数据下限值定义为ylower；
步骤4.3：整合历史数据列为X＝<m,ylower,c>，预测标准数据为Y＝<y>，并将X,Y作为历史训练数据。
8.根据权利要求7的一种结合线上业务指标特征的容量预估方法，其特征在于，所述建模主要包含以下步骤：
步骤4.2.1：搭建python3及fbprophet环境；
步骤4.2.2：引入fbprophet包，并调用fbprophet包中的Prophet方法，选择核函数为“线性”，节假日设置未来一年的节假日日期，预测宽度为0.5；
步骤4.2.3：调用fit方法，将平滑处理后的业务指标数据按照标准格式作为参数输入该函数；
步骤4.2.4：调用make_future_dataframe方法，选择预测周期为30，日期单位为‘d’，并将业务指标数据过去30天内的历史数据下限值定义为ylower。
9.根据权利要求1所述的一种结合线上业务指标特征的容量预估方法，其特征在于，步骤5具体包括：
步骤5.1：将历史训练数据X,Y，输入xgboost回归训练预测模型；
步骤5.2：对未来数据进行预测，得到未来半年内的容量变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011404787.XA CN112631882B (zh) | 2020-12-03 | 2020-12-03 | 一种结合线上业务指标特征的容量预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011404787.XA CN112631882B (zh) | 2020-12-03 | 2020-12-03 | 一种结合线上业务指标特征的容量预估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112631882A true CN112631882A (zh) | 2021-04-09 |
| CN112631882B CN112631882B (zh) | 2023-06-06 |
Family
ID=75307931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011404787.XA Active CN112631882B (zh) | 2020-12-03 | 2020-12-03 | 一种结合线上业务指标特征的容量预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112631882B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017100426A4 (en) * | 2017-04-18 | 2017-06-15 | McAlister, Gary MR | New Islamic Banking Sharia Compliant Blockchain Innovation Patent that has no riba, usury or interest component for but not limited to savings, deposit, ethical loans, finance, stock share bond, Private Placement Programs, Digitally discover new mine deposits to franchise & new monetary system using blockchains POS proof of stake/secondary mining mine discovery process of assets and commodities for entities such as but not limited to Governments, treasuries, central banks, banks, financial institutions, monetary funds, judicial entities, profit-sharing blockchain franchise investments PSBFI's. |
| CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
| CN109583625A (zh) * | 2018-10-19 | 2019-04-05 | 顺丰科技有限公司 | 一种揽件量预测方法、系统、设备及存储介质 |
| US20200089650A1 (en) * | 2018-09-14 | 2020-03-19 | Software Ag | Techniques for automated data cleansing for machine learning algorithms |
| CN111353620A (zh) * | 2018-12-20 | 2020-06-30 | 顺丰科技有限公司 | 构建网点件量预测模型的方法、装置、设备及存储介质 |
| CN111399853A (zh) * | 2020-02-20 | 2020-07-10 | 四川新网银行股份有限公司 | 机器学习模型与自定义算子的模板化部署方法 |
| CN112020075A (zh) * | 2019-05-29 | 2020-12-01 | 中国移动通信集团重庆有限公司 | 基于业务量预测的通信保障方法、装置、计算设备 |
-
2020
- 2020-12-03 CN CN202011404787.XA patent/CN112631882B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017100426A4 (en) * | 2017-04-18 | 2017-06-15 | McAlister, Gary MR | New Islamic Banking Sharia Compliant Blockchain Innovation Patent that has no riba, usury or interest component for but not limited to savings, deposit, ethical loans, finance, stock share bond, Private Placement Programs, Digitally discover new mine deposits to franchise & new monetary system using blockchains POS proof of stake/secondary mining mine discovery process of assets and commodities for entities such as but not limited to Governments, treasuries, central banks, banks, financial institutions, monetary funds, judicial entities, profit-sharing blockchain franchise investments PSBFI's. |
| US20200089650A1 (en) * | 2018-09-14 | 2020-03-19 | Software Ag | Techniques for automated data cleansing for machine learning algorithms |
| CN109583625A (zh) * | 2018-10-19 | 2019-04-05 | 顺丰科技有限公司 | 一种揽件量预测方法、系统、设备及存储介质 |
| CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
| CN111353620A (zh) * | 2018-12-20 | 2020-06-30 | 顺丰科技有限公司 | 构建网点件量预测模型的方法、装置、设备及存储介质 |
| CN112020075A (zh) * | 2019-05-29 | 2020-12-01 | 中国移动通信集团重庆有限公司 | 基于业务量预测的通信保障方法、装置、计算设备 |
| CN111399853A (zh) * | 2020-02-20 | 2020-07-10 | 四川新网银行股份有限公司 | 机器学习模型与自定义算子的模板化部署方法 |
Non-Patent Citations (1)
| Title |
|---|
| GARIMA JAIN等: "Machine learning, Prophet and XGBoost algorithm: Analysis of Traffic Forecasting in Telecom Networks with time series data", 2020 8TH INTERNATIONAL CONFERENCE ON RELIABILITY, INFOCOM TECHNOLOGIES AND OPTIMIZATION (TRENDS AND FUTURE DIRECTIONS) (ICRITO) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112631882B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376953B (zh) | 一种中长期电量预测方法及系统 | |
| CN105260803A (zh) | 一种系统用电量预测方法 | |
| CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
| CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
| CN108985570A (zh) | 一种负荷预测方法及其系统 | |
| CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
| CN104574209A (zh) | 一种城网配变重过载中期预警模型的建模方法 | |
| CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
| CN111080101A (zh) | 一种基于ahp对供电渠道服务效能多维度评价的方法 | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
| CN112446534A (zh) | 一种输变电工程的建设工期预测方法和装置 | |
| CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
| CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
| CN112668822A (zh) | 科技成果转化平台共享系统、方法、存储介质、手机app | |
| Shahzad et al. | Mean estimation using robust quantile regression with two auxiliary variables | |
| CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
| CN112330030A (zh) | 业扩物资需求预测系统及方法 | |
| CN112631882B (zh) | 一种结合线上业务指标特征的容量预估方法 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 | |
| CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
| CN110414776B (zh) | 分行业用电特性快速响应分析系统 | |
| CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
| CN108985822A (zh) | 一种旧设备市场商品价格指数生成方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |