CN112835771A - 一种业务量预测方法、装置、设备及存储介质 - Google Patents
一种业务量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112835771A CN112835771A CN201911158237.1A CN201911158237A CN112835771A CN 112835771 A CN112835771 A CN 112835771A CN 201911158237 A CN201911158237 A CN 201911158237A CN 112835771 A CN112835771 A CN 112835771A
- Authority
- CN
- China
- Prior art keywords
- component
- periodic
- trend
- traffic data
- traffic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000000737 periodic effect Effects 0.000 claims abstract description 153
- 230000001788 irregular Effects 0.000 claims abstract description 105
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims description 49
- 238000009499 grossing Methods 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F11/3409—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 for performance assessment
- G06F11/3414—Workload generation, e.g. scripts, playback
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种业务量预测方法、装置、设备及存储介质,该方法包括:获取具有周期特性的第一业务量数据;采用预设分解策略对第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;利用第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;利用第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;对第一周期分量、趋势分量预测值和不规则分量预测值进行整合,得到目标时刻的业务量预测值。如此,通过对趋势分量和不规则分量特性进行针对性预测,同时结合业务量数据的周期特性,使得到的业务量预测值的准确性提高。
Description
技术领域
本申请涉及业务支撑、数据业务技术领域,尤其涉及一种业务量预测方法、装置、设备及存储介质。
背景技术
现有技术中的业务量预测方法多是基于时间序列或多元回归。基于时间序列的预测,收集连续时间点的历史业务量数据,按照时间顺序将其排列形成数据集合,然后分析这些集合以了解长期发展趋势及预测未来。基于多元回归的预测,通过分析不同特征与业务量之间的关系,根据特征现状或趋势预测未来业务量。
随着网络技术的快速发展、网络规模与应用领域的不断扩大和海量终端及新型业务的出现,给信息通信技术(Information and communication technology,ICT)行业带来了新契机,同时,也给移动通信网络建设与运营带来极大挑战。现有技术中的基于时间序列或多元回归的业务量预测方法,由于在对业务量数据进行预测时,两个预测方法均没有考虑到业务量数据的周期变化特点,导致业务量预测方法不能对未来业务量预测进行更加准确性的分析,严重影响了网络的稳定性以及用户的体验,造成服务中断、性能降低等故障频发。
发明内容
为解决上述技术问题,本申请实施例期望提供一种业务量预测方法、装置、设备及存储介质,解决了业务量预测不准确的问题。
本申请的技术方案是这样实现的:
第一方面,提供了一种业务量预测方法,该方法包括:
获取具有周期特性的第一业务量数据;
采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;
利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;
利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;
对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。
第二方面,提供了一种业务量预测装置,该装置包括:
获取单元,用于获取具有周期特性的第一业务量数据;
分解单元,用于采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;
处理单元,利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;
所述处理单元,还用于利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;
整合单元,用于对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。
第三方面,提供了一种电子设备,包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,其中,处理器配置为运行计算机程序时,执行前述方法的步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现前述方法的步骤。
采用上述技术方案,获取具有周期特性的第一业务量数据;采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。如此,在对业务量预测时充分考虑到业务量数据的特性,对业务量数据进行分解得到趋势分量、不规则分量和周期分量,针对趋势分量和不规则分量的特性进行针对性预测,并结合了业务量数据的周期特性,使得到的业务量预测值的准确性提高。
附图说明
图1为本申请实施例中业务量预测方法流程示意图;
图2为本申请实施例中模型训练方法流程示意图;
图3为本申请实施例中业务量数据预测方案第一框图;
图4为本申请实施例中业务量数据预测方案第二框图;
图5为本申请实施例中下行业务量预测示意图;
图6为本申请实施例中业务量预测装置的组成结构示意图;
图7为本申请实施例中电子设备的组成结构示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本申请实施例。
本申请实施例提供了一种业务量预测方法,图1为本申请实施例中业务量预测方法的流程示意图,如图1所示,该预测方法具体可以包括:
步骤101:获取具有周期特性的第一业务量数据;
步骤102:采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;
步骤103:利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;
步骤104:利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;
步骤105:对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。
这里,步骤101至步骤105的执行主体可以为业务量预测装置的处理器。
所谓具有周期特性的业务量数据,是指业务量数据具有周期性变化的特点。比如:天气数据、用电量、用水量、数据流量等。
在一些实施例中,获取具有周期特性的业务量数据之前,该方法还包括:获取包含具有周期性的业务量数据的原始数据;对所述原始数据进行预处理操作,得到处理后的数据;对所述处理后的数据进行特征提取操作,提取出具有周期性的业务量数据。这里所说的业务量数据为用于预测的第一业务量数据或用于训练的第二业务量数据。
获取到的原始数据可能拥有不一样的格式,为方便处理,这里首先对获取到的原始数据进行预处理操作进行格式统一。
示例性地,获取包含具有周期性的业务量数据的通信数据,其通信数据包括但不限于O域数据、M域数据;从原始通信数据中解析出所需数据,处理为所需格式,其所需数据包括但不限于上下行业务量、上下行PRB利用率、最大用户数,处理为所需格式得方法包括但不限于:重新调节数据、正态化数据、规范化数据、二值化数据。接着对处理后的数据进行特征提取操作,提取出具有周期性得业务量数据,并为业务量数据的预测做准备。
实际应用中,进行特征提取操作的方法一般包括以下:
1、通过哑编码、Label编码、expansion编码或consolidation编码对上述处理后的数据进行定量特征处理。示例,通过上述各个编码将小区名称数据、小区双工模式数据编码为定量数据,消除小区差异,不用再单小区进行训练,可以扩大训练集,令模型泛化。
2、在上述处理后的数据中加入时序和时序衍生特征构造新的特征输入。如此,可以进行模型泛化且提升准确性,但由于加入特征令维度增加,模型复杂度势必增加,对软硬件计算能力的要求较高。因此,可以在如上基础上,通过特征选择/降维处理,选择对业务量影响较大的特征。
3、通过特征选择/降维处理,选择出对业务量影响较大的特征,其中,可选方法包括但不限于:递归式特征消除(Recursive Feature Elimination,REF)、压缩估计(LeastAbsolute Shrinkage and Selection Operator,LASSO)、主成分分析(PrincipalComponent Analysis,PCA)。其REF,将全部特征纳入模型中,得到特征对应的系数(即权重);将取值最小的系数平方和对应的特征从模型中移除;用剩下的特征再进行模型训练,再进行特征移除,直至没有特征。LASSO,对于数据的要求是极其低的,所以应用程度较广。除此之外,LASSO还能够对变量进行筛选和对模型的复杂程度进行降低。这里的变量筛选是指不把所有的变量都放入模型中进行拟合,而是有选择的把变量放入模型从而得到更好的性能参数。PCA,设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析,也是数学上用来降维的一种方法。
在一些实施例中,所述预设分解策略包括:基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量;基于所述业务量数据和所述周期分量,得到趋势分量;当所述周期分量与所述趋势分量收敛时,从所述业务量数据中除去所述周期分量和所述趋势分量,得到不规则分量。这里所说的业务量数据为用于预测的第一业务量数据或用于训练的第二业务量数据,相应的,周期分量为第一周期分量或第二周期分量,趋势分量为第一趋势分量或第二周期分量,不规则分量为第一不规则分量或第二不规则分量。
通过第一业务量数据的分解,首先得到的是第一周期分量,再利用其第一周期分量得到第一趋势分量,最后,利用第一业务量数据减去第一周期分量和第一趋势分量,得到第一不规则分量。
具体地,要得到第一周期分量,利用第一业务量数据减去上一次分解得到的历史趋势分量,得到去趋势化序列;将所述去趋势化序列中每一个周期相同位置的样本点提取出来,组成多个子序列;对多个子序列中的每一个子序列进行平滑操作,得到临时周期序列;对所述临时周期序列进行平滑操作,得到结果序列;利用所述临时周期序列减去结果序列,得到所述第一周期分量。
进行平滑操作的方法可以是Loess,它为局部多项式回归拟合,是对两维散点图进行平滑的常用方法。
所谓第一趋势分量,是利用第一业务量数据减去第一周期分量,得到中间分量,再对中间分量进行平滑操作,得到第一趋势分量。
示例性地,这里的第一业务量数据用Y1V表示,第一周期分量用P1V表示,第一趋势分量用T1V表示,第一不规则分量用I1V表示,其中,Y1V=P1V+T1V+I1V,1V=1,…,N。
选用时序分解的鲁棒局部加权回归(Seasonal and Trend decomposition usingLoess,STL)分解方法进行分解,基于局部多项式回归拟合(Locally weightedscatterplot smoothing,Loess)将某时刻的数据分解为三个分量。其中,Loess,为局部多项式回归拟合,是对两维散点图进行平滑的常用方法,它结合了传统线性回归的简洁性和非线性回归的灵活性。当要估计某个响应变量值时,先从其预测变量附近取一个数据子集,然后对该子集进行线性回归或二次回归,回归时采用加权最小二乘法,即越靠近估计点的值其权重越大,最后利用得到的局部回归模型来估计响应变量的值。用这种方法进行逐点运算得到整条拟合曲线。
使用具有周期性的第一业务量数据减去上一次分解得到的历史趋势分量,Y1V-T1V (k),k为迭代次数,初始时k=0;对每个子序列做平滑,平滑结果组成临时周期序列,记为A1V (K+1),1v=-n+1,…,-N+n,n为一个周期的样本数,每个周期相同位置的样本点组成一个子序列;对上述中得到的序列A1V (K+1)做Holt-winter指数平滑,然后再做一次平滑得到序列B1V (K+1),1v=1,…,N;去除周期序列趋势,得到第一周期分量P1V (K+1)=A1V (K+1)-B1V (K+1)。
其中,在进行Holt-winter指数平滑时,即对得到的序列A1V (K+1)依次做长度为n,n,3的Holt-winter指数平滑。
所谓第一趋势分量,是利用第一业务量数据减去第一周期分量,Y1V-P1V (K+1),得到中间分量,然后对中间分量进行平滑操作,即通过平滑操作将其存在的不规则分量去除,进而得到趋势分量T1V (K+1)。
当第一趋势分量与第一周期分量已收敛,即就是说第一趋势分量与第一周期分量均分别基本稳定在一个值时,可认为处于已收敛状态,则P1V=P1V (K+1),T1V=T1V (K+1),再根据获取的具有周期性的第一业务量数据、第一周期分量与第一趋势分量,计算得到第一不规则分量I1V=Y1V-P1V-T1V。
其中,在采用预设分解策略对所述第一业务量数据进行分解时,由于第一业务量数据范围较大,为缩小值域,同时保留其他信息,这时可先对第一业务量数据取log对数化,得到对数化后的第一业务量数据,再对其进行分解。相应的,那得到目标时刻的业务量预测值之后,需对目标时刻的业务量预测值进行反对数化操作。
在一些实施例中,得到第一模型和第二模型的方法可以包括:获取训练数据库;其中,所述训练数据库中包括具有周期性的第二业务量数据;采用所述预设分解策略对所述第二业务量数据进行分解,得到第二趋势分量、第二不规则分量;利用所述第二趋势分量对趋势性模型进行训练,得到所述第一模型;利用所述第二不规则分量对不规则性模型进行训练,得到所述第二模型。
将分解出的第一趋势分量输入到第一模型中,输出目标时刻的趋势分量预测值;将分解出的第一不规则分量输入到第二模型中,输出所述目标时刻的不规则分量预测值;最后,将第一趋势分量、第一不规则分量和第一周期分量进行加法和的计算方式,得到目标时刻的业务量预测值。
采用上述技术方案,获取具有周期特性的第一业务量数据;采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。如此,在对业务量预测时充分考虑到业务量数据的特性,对业务量数据进行分解得到趋势分量、不规则分量和周期分量,针对趋势分量和不规则分量的特性进行针对性预测,并结合了业务量数据的周期特性,使得到的业务量预测值的准确性提高。
本申请实施例具体给出来第一模型和第二模型的训练方法,图2为本申请实施例中模型训练方法流程示意图,如图2所示,该模型训练方法具体可以包括:
步骤201:获取训练数据库;其中,所述训练数据库中包括具有周期性的第二业务量数据;
获取一段时间内的业务量数据作为训练数据,训练数据库中包括具有周期性的业务量数据作为第二业务量数据。
步骤202:采用所述预设分解策略对所述第二业务量数据进行分解,得到第二趋势分量、第二不规则分量;
在一些实施例中,所述预设分解策略包括:基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量;基于所述业务量数据和所述周期分量,得到趋势分量;当所述周期分量与所述趋势分量收敛时,从所述业务量数据中除去所述周期分量和所述趋势分量,得到不规则分量。
通过第二业务量数据的分解,首先得到的是第二周期分量,再利用其第二周期分量得到第二趋势分量,最后,利用第二业务量数据减去第二周期分量和第二趋势分量,得到第二不规则分量。
具体地,要得到第二周期分量,首先,利用第二业务量数据减去上一次分解得到的历史趋势分量,得到去趋势化序列;将所述去趋势化序列中每一个周期相同位置的样本点提取出来,组成多个子序列;对多个子序列中的每一个子序列进行平滑操作,得到临时周期序列;对所述临时周期序列进行平滑操作,得到结果序列;利用所述临时周期序列减去结果序列,得到所述第二周期分量。
首先,这里的第二业务量数据用Y2V表示,第二周期分量用P2V表示,第二趋势分量用T2V表示,第二不规则分量用I2V表示,其中,Y2V=P2V+T2V+I2V,2V=1,…,N。
示例性地,这里选用时序分解的STL分解方法进行分解,基于LOESS将某时刻的数据分解为三个分量。其中,LOESS,为局部多项式回归拟合,是对两维散点图进行平滑的常用方法,它结合了传统线性回归的简洁性和非线性回归的灵活性。当要估计某个响应变量值时,先从其预测变量附近取一个数据子集,然后对该子集进行线性回归或二次回归,回归时采用加权最小二乘法,即越靠近估计点的值其权重越大,最后利用得到的局部回归模型来估计响应变量的值。用这种方法进行逐点运算得到整条拟合曲线。
使用具有周期性的第二业务量数据减去上一次分解得到的历史趋势分量,Y2V-T2V (k),k为迭代次数,初始时k=0;对每个子序列做平滑,平滑结果组成临时周期序列,记为A2V (K+1),2v=-n+1,…,-N+n,n为一个周期的样本数,每个周期相同位置的样本点组成一个子序列;对上述中得到的序列A2V (K+1)做Holt-winter指数平滑,然后再做一次平滑得到序列B2V (K+1),2v=1,…,N;去除周期序列趋势,得到第二周期分量P2V (K+1)=A2V (K+1)-B2V (K+1)。
其中,在进行Holt-winter指数平滑时,即对得到的序列A2V (K+1)依次做长度为n,n,3的Holt-winter指数平滑。
所谓第二趋势分量,是利用第二业务量数据减去第二周期分量,Y2V-P2V (K+1),得到中间分量,然后对中间分量进行平滑操作,即通过平滑操作将其存在的不规则分量去除,进而得到趋势分量T2V (K+1)。
当趋势分量与周期分量已收敛,即就是说趋势分量与周期分量均分别基本稳定在一个值时,可认为处于已收敛状态,则P2V=P2V (K+1),T2V=T2V (K+1),再根据步骤201获取的具有周期性的业务量数据、步骤202得到的周期分量与步骤203得到的趋势分量,计算得到不规则分量I2V=Y2V-P2V-T2V。
步骤203:利用所述第二趋势分量对趋势性模型进行训练,得到所述第一模型;
这里的趋势性模型可以为循环神经网络(Recurrent Neural Networks,RNN)模型系列,其中门控循环单元(Gated Recurrent Unit,GRU)模型为优选,原因是它具有较少的参数,所以其训练速度快,同时所需的样本数也较少。
一个标准的模型结构分为输入、中间节点、输出三部分。
示例性地,将对第二业务量数据进行分解得到的第二趋势分量作为模型训练的输入,进行基于GRU的模型训练,其GRU模型只有两个门,分别为更新门和重置门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多;重置门用于控制忽略前一时刻的状态信息的程度,重置门的值越小说明忽略得越多。通过损失函数计算预测内容与输入内容之间的误差,进而修改网络中的参数,并优化模型,当其损失函数达到一阈值,得到训练好的第一模型。
步骤204:利用所述第二不规则分量对不规则性模型进行训练,得到所述第二模型。
这里的不规则模型可以为Boosting模型系列,比如,极端梯度增强(eXtremeGradient Boosting,XGBoost)模型,它是大规模并行boosted tree的工具,也是目前最快最好的开源boosted tree工具包。其中,XGBoost算法本身是以集成思想为基础。集成思想就是指将多个学习模型组合,以获得更好的效果,使组合后的模型具有更强的泛化能力。
示例性地,对第二不规则分量进行基于XGBoost的模型训练,首先,XGBoost以分类回归树进行组合,根据集成学习方法推广到一般情况,得到预测模型函数,同时基于预测模型函数,可获知损失函数;再通过求解和优化每个叶子节点的值;最后得到第二模型。其中,由于XGBoost并不是简单重复的将几个分类回归树进行组合,它是一种加法模型,将模型上次预测产生的误差作为参考进行下一棵树的建立,这样,每加入一棵树,其损失函数就不断降低。
本申请实施例提供了一种业务量数据预测方案框图,图3为本申请实施例中业务量数据预测方案第一框图,如图3所示,该业务量预测框图具体可以包括:步骤30至步骤34。
业务量数据预测是对未来一个时间点或者一段时间的业务量数据的一个预测,以方便用户对其可能存在的突发情况做相应措施。其具体方案如下:
获取业务量预测值可分为三大步骤来完成:首先,业务量数据的分解;其次,模型训练与预测;最后,整合计算。其中,业务量数据的分解完成对业务量数据的分解;模型训练完成对分解的分量进行对应的模型训练,训练出各个分量对应的模型;整合计算是对经训练好的模型输出的各个预测分量值进行加法和的计算,得到业务量预测值。
具体地,步骤30获得原始数据;步骤31对原始数据进行数据预处理的操作;步骤32对其处理后的数据进行特征提取操作;步骤33对提取出的特征进行业务量数据进行分解操作,分解出三个分量,分别为不规则分量、趋势分量和周期分量;步骤331利用不规则分量对不规则模型进行训练得到第一模型,或者利用不规则分量作为第一模型的输入,输出不规则分量预测值;步骤332利用趋势分量对趋势模型进行训练得到第二模型,或者利用趋势分量作为第二模型的输入,输出趋势分量预测值;步骤34分量整合与输出,计算不规则分量预测值、趋势分量预测值、周期分量三个分量之和,得到业务量预测值。
在上述框图的基础上本申请实施例又提供了更具体的一种业务量数据预测方案框图,图4为本申请实施例中一种业务量数据预测方案第二框图,如图4所示,获取业务量预测值可分为三大步骤来完成:步骤40业务量数据分解;步骤41模型训练与预测;步骤42分量整合。
步骤40中首先得到的是周期分量,再利用其周期分量得到趋势分量,最后,从原始业务量数据减去周期分量和趋势分量,得到不规则分量。
具体地,业务量数据分解步骤具体包括:
401步骤:获取原始业务量数据;
402步骤:去趋势化后进行平滑操作,得到周期分量;
具体地,从原始业务量数据减去上一次分解得到的历史趋势分量,得到去趋势化序列;将所述去趋势化序列中每一个周期相同位置的样本点提取出来,组成多个子序列;对多个子序列中的每一个子序列进行平滑操作,得到临时周期序列;对所述临时周期序列进行平滑操作,得到结果序列;利用临时周期序列减去结果序列,得到所述周期分量。
进行平滑操作的方法可以是Loess,它为局部多项式回归拟合,是对两维散点图进行平滑的常用方法。
步骤403:去周期分量后进行平滑操作,得到趋势分量;
具体地,从原始业务量数据减去周期分量,得到中间分量,再对中间分量进行平滑操作,得到趋势分量。
步骤404:判断周期分量与趋势分量收敛性;若收敛,执行步骤405;若不收敛,执行步骤402;
步骤405:计算不规则分量;
当周期分量与趋势分量收敛时,从原始业务量数据中除去周期分量和趋势分量,得到不规则分量。
示例性地,采用上述预设分解策略对第二业务量数据进行分解,得到第二趋势分量、第二不规则分量;利用所述第二趋势分量对趋势性模型进行训练,得到所述第一模型;利用所述第二不规则分量对不规则性模型进行训练,得到所述第二模型。
步骤411:进行基于GRU模型训练;
具体地,在进行基于GRU模型训练时,对业务量数据分解出的趋势分量依次做归一化、维度转换、GRU、DNN、反归一化处理;将对第二业务量数据进行分解得到的第二趋势分量作为模型训练的输入,对进行GRU的模型训练,通过损失函数计算预测内容与目标内容之间的误差,进而修改网络中的参数,并优化模型,当其损失函数达到一阈值,确定GRU模型训练完成,得到训练好的第一模型。
步骤412:进行基于XGBoost模型训练;
具体地,对第二不规则分量进行基于XGBoost的模型训练,首先,XGBoost以分类回归树进行组合,根据集成学习方法推广到一般情况,得到预测模型函数,同时基于预测模型函数,可获知损失函数;再通过求解和优化每个叶子节点的值;最后得到预测模型,即第二模型。
模型训练完成后,若对需预测的业务量数据进行预测,则首先获取第一业务量数据,并采用上述预设分解策略对第一业务量数据进行分解,得到第一周期分量、第一趋势分量、第一不规则分量;接下来的预测方法及步骤同图4,其中,第一周期分量对应于图4中的周期分量,第一趋势分量对应于图4中的趋势分量,第一不规则分量对应于图4中的不规则分量;具体步骤如下:
将分解的趋势分量作为第一模型的输入,则输出趋势分量预测值;将分解的不规则分量作为第二模型的输入,则输出不规则分量预测值;由于周期分量是恒定不变的,所以这里不需要对其进行模型训练。
步骤42:分量整合。
具体地,计算不规则分量预测值、趋势分量预测值、周期分量三个分量之和,得到业务量预测值。
采用上述技术方案,获取具有周期特性的第一业务量数据;采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。如此,在对业务量预测时充分考虑到业务量数据的特性,对业务量数据进行分解得到趋势分量、不规则分量和周期分量,针对趋势分量和不规则分量的特性进行针对性预测,并结合了业务量数据的周期特性,使得到的业务量预测值的准确性提高。
图5为本申请实施例中下行业务量预测示意图。
其中坐标图的横坐标表示时间,从2019-01-29至2019-03-01,纵坐标表示数据量。具体的,第一坐标图表示原始数据的波形图;第二坐标图表示原始数据所分解的周期分量的波形图;第三坐标图表示原始数据所分解的趋势分量的波形图;第四坐标图表示原始数据所分解的不规则分量的波形图;
在单输入单输出的情况下,训练集样本466条,验证集样本230条。预测24小时业务量,较不进行分解的模型预测,误差率下降68%,业务量单位为bit。
通过对业务量数据进行分解,以多输入单输出(即输入加入其他维度的特征,本例中指上下行业务量、上下行PRB利用率、最大用户数、时间信息、周几信息),λ恒等于1,训练集样本466条,验证集样本230条。预测24小时业务量,较不进行分解的模型预测,误差率下降76%,业务量单位为bit。
综上,对业务量数据进行分解后输入,其分解的分量去对应进行模型预测,最后得到的业务量预测值准确率更高。
本申请实施例中还提供了一种业务量预测装置,如图6所示,该装置包括:
获取单元601,用于获取具有周期特性的第一业务量数据;
分解单元602,用于采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;
处理单元603,利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;
所述处理单元603,还用于利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;
整合单元604,用于对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。
在一些实施例中,获取具有周期特性的业务量数据之前,所述方法还包括:获取包含具有周期性的业务量数据的原始数据;对所述原始数据进行预处理操作,得到处理后的数据;对所述处理后的数据进行特征提取操作,提取出具有周期性的业务量数据。
在一些实施例中,分解单元602,具体用于所述预设分解策略包括:基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量;基于所述业务量数据和所述周期分量,得到趋势分量;当所述周期分量与所述趋势分量收敛时,从所述业务量数据中除去所述周期分量和所述趋势分量,得到不规则分量。
在一些实施例中,所述基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量,包括:利用所述业务量数据减去所述历史趋势分量,得到去趋势化序列;将所述去趋势化序列中每个周期相同位置的样本点提取出来,组成多个子序列;对所述多个子序列中的每一个子序列进行平滑操作,得到临时周期序列;对所述临时周期序列进行平滑操作,得到结果序列;利用所述临时周期序列减去所述结果序列,得到所述周期分量。
在一些实施例中,所述基于所述业务量数据和所述周期分量,得到趋势分量,包括:利用所述业务量数据减去所述周期分量,得到中间分量;对所述中间分量进行平滑操作,得到所述趋势分量。
在一些实施例中,所述采用预设分解策略对所述第一业务量数据进行分解,包括:对所述第一业务量数据取log对数化,得到对数化后的第一业务量数据;采用所述分解策略对所述对数化后的第一业务量数据进行分解;相应的,所述得到所述目标时刻的业务量预测值之后,所述方法还包括:对所述目标时刻的业务量预测值进行反对数化操作。
本申请实施例中还提供了一种电子设备,如图7所示,该电子设备包括:处理器701和配置为存储能够在处理器上运行的计算机程序的存储器702;处理器701运行存储器702中计算机程序时实现以下步骤:
获取具有周期特性的第一业务量数据;
采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;
利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;
利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;
对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。
处理器701运行存储器702中计算机程序时还可实现以下步骤:
获取训练数据库;其中,所述训练数据库中包括具有周期性的第二业务量数据;
采用所述预设分解策略对所述第二业务量数据进行分解,得到第二趋势分量、第二不规则分量;
利用所述第二趋势分量对趋势性模型进行训练,得到所述第一模型;
利用所述第二不规则分量对不规则性模型进行训练,得到所述第二模型。
在一些实施例中,处理器701运行存储器702中计算机程序时具体实现以下步骤:获取具有周期特性的业务量数据之前,所述方法还包括:获取包含具有周期特性的业务量数据的原始数据;对所述原始数据进行预处理操作,得到处理后的数据;对所述处理后的数据进行特征提取操作,提取出具有周期特性的业务量数据。
在一些实施例中,处理器701运行存储器702中计算机程序时具体实现以下步骤:所述预设分解策略包括:基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量;基于所述业务量数据和所述周期分量,得到趋势分量;当所述周期分量与所述趋势分量收敛时,从所述业务量数据中除去所述周期分量和所述趋势分量,得到不规则分量。
在一些实施例中,处理器701运行存储器702中计算机程序时具体实现以下步骤:所述基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量,包括:利用所述业务量数据减去所述历史趋势分量,得到去趋势化序列;将所述去趋势化序列中每个周期相同位置的样本点提取出来,组成多个子序列;对所述多个子序列中的每一个子序列进行平滑操作,得到临时周期序列;对所述临时周期序列进行平滑操作,得到结果序列;利用所述临时周期序列减去所述结果序列,得到所述周期分量。
在一些实施例中,处理器701运行存储器702中计算机程序时具体实现以下步骤:所述基于所述业务量数据和所述周期分量,得到趋势分量,包括:利用所述业务量数据减去所述周期分量,得到中间分量;对所述中间分量进行平滑操作,得到所述趋势分量。
在一些实施例中,处理器701运行存储器702中计算机程序时具体实现以下步骤:所述采用预设分解策略对所述第一业务量数据进行分解,包括:对所述第一业务量数据取log对数化,得到对数化后的第一业务量数据;采用所述分解策略对所述对数化后的第一业务量数据进行分解;相应的,所述得到所述目标时刻的业务量预测值之后,所述方法还包括:对所述目标时刻的业务量预测值进行反对数化操作。
当然,实际应用时,如图7所示,该电子设备中的各个组件通过总线系统703耦合在一起。可理解,总线系统703用于实现这些组件之间的连接通信。总线系统703除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图7中将各种总线都标为总线系统703。
在实际应用中,上述处理器可以为特定用途集成电路(Application SpecificIntegrated Circuit,ASIC)、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(Field-Programmable Gate Array,FPGA)、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,本申请实施例不作具体限定。
上述存储器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 Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器提供指令和数据。
采用上述技术方案,在对电子设备的目标单元进行密码设置时,获取目标单元的新密码,将新密码存储于第一存储空间和第二存储空间;其中,第二存储空间的安全级别高于第一存储空间的安全级别,且第二存储空间的密码不易被异常更换或者异常清除;当电子设备处于正常情况下,即第一存储空间密码与第二存储空间密码相同,则基于第一存储空间密码执行解锁操作;当电子设备处在异常情况下,即第一存储空间密码与第二存储空间密码不相同,此时第一存储空间密码数据可能被更改或删除,导致电子设备的锁屏操作失效,进而使得电子设备的隐私受到威胁,此时可以利用第二存储空间密码更新第一存储空间密码进而执行解锁操作,避免这种锁屏操作失效的情况发生,提高了电子设备的安全性。
本申请实施例还提供了一种计算机可读存储介质,用于存储计算机程序。
可选的,该计算机可读存储介质可应用于本申请实施例中的任意一种电子设备,并且该计算机程序使得计算机执行本申请实施例的各个方法中由处理器实现的相应流程,为了简洁,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理模块中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read-Only Memory,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。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
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所述权利要求的保护范围为准。
Claims (10)
1.一种业务量预测方法,其特征在于,所述方法包括:
获取具有周期特性的第一业务量数据;
采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;
利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;
利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;
对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练数据库;其中,所述训练数据库中包括具有周期性的第二业务量数据;
采用所述预设分解策略对所述第二业务量数据进行分解,得到第二趋势分量、第二不规则分量;
利用所述第二趋势分量对趋势性模型进行训练,得到所述第一模型;
利用所述第二不规则分量对不规则性模型进行训练,得到所述第二模型。
3.根据权利要求1或2所述的方法,其特征在于,
所述预设分解策略包括:
基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量;
基于所述业务量数据和所述周期分量,得到趋势分量;
当所述周期分量与所述趋势分量收敛时,从所述业务量数据中除去所述周期分量和所述趋势分量,得到不规则分量。
4.根据权利要求3所述的方法,其特征在于,
所述基于业务量数据和上一次分解得到的历史趋势分量,得到周期分量,包括:
利用所述业务量数据减去所述历史趋势分量,得到去趋势化序列;
将所述去趋势化序列中每个周期相同位置的样本点提取出来,组成多个子序列;
对所述多个子序列中的每一个子序列进行平滑操作,得到临时周期序列;
对所述临时周期序列进行平滑操作,得到结果序列;
利用所述临时周期序列减去所述结果序列,得到所述周期分量。
5.根据权利要求3所述的方法,其特征在于,
所述基于所述业务量数据和所述周期分量,得到趋势分量,包括:
利用所述业务量数据减去所述周期分量,得到中间分量;
对所述中间分量进行平滑操作,得到所述趋势分量。
6.根据权利要求1或2所述的方法,其特征在于,获取具有周期特性的业务量数据之前,所述方法还包括:
获取包含具有周期特性的业务量数据的原始数据;
对所述原始数据进行预处理操作,得到处理后的数据;
对所述处理后的数据进行特征提取操作,提取出具有周期特性的业务量数据。
7.根据权利要求1所述的方法,其特征在于,
所述采用预设分解策略对所述第一业务量数据进行分解,包括:
对所述第一业务量数据取log对数化,得到对数化后的第一业务量数据;
采用所述分解策略对所述对数化后的第一业务量数据进行分解;
相应的,所述得到所述目标时刻的业务量预测值之后,所述方法还包括:对所述目标时刻的业务量预测值进行反对数化操作。
8.一种业务量预测装置,其特征在于,所述装置包括:
获取单元,用于获取具有周期特性的第一业务量数据;
分解单元,用于采用预设分解策略对所述第一业务量数据进行分解,得到第一趋势分量、第一不规则分量和第一周期分量;
处理单元,利用所述第一趋势分量和预先建立的第一模型进行趋势分量预测,得到目标时刻的趋势分量预测值;
所述处理单元,还用于利用所述第一不规则分量和预先建立的第二模型进行不规则分量预测,得到目标时刻的不规则分量预测值;
整合单元,用于对所述第一周期分量、所述趋势分量预测值和所述不规则分量预测值进行整合,得到所述目标时刻的业务量预测值。
9.一种电子设备,所述电子设备包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器配置为运行所述计算机程序时,执行权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158237.1A CN112835771A (zh) | 2019-11-22 | 2019-11-22 | 一种业务量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158237.1A CN112835771A (zh) | 2019-11-22 | 2019-11-22 | 一种业务量预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112835771A true CN112835771A (zh) | 2021-05-25 |
Family
ID=75921635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911158237.1A Pending CN112835771A (zh) | 2019-11-22 | 2019-11-22 | 一种业务量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112835771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114339967A (zh) * | 2021-12-24 | 2022-04-12 | 中国电信股份有限公司 | 基站业务量的预测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0895948A (ja) * | 1994-09-28 | 1996-04-12 | Hitachi Ltd | トレンドに基づく時系列予測方法および装置 |
CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
CN106533750A (zh) * | 2016-10-28 | 2017-03-22 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN109977098A (zh) * | 2019-03-08 | 2019-07-05 | 北京工商大学 | 非平稳时序数据预测方法、系统、存储介质及计算机设备 |
CN110198244A (zh) * | 2019-06-19 | 2019-09-03 | 北京百度网讯科技有限公司 | 面向异构云服务的资源配置方法和装置 |
CN110400005A (zh) * | 2019-06-28 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 业务指标的时间序列预测方法、装置及设备 |
-
2019
- 2019-11-22 CN CN201911158237.1A patent/CN112835771A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0895948A (ja) * | 1994-09-28 | 1996-04-12 | Hitachi Ltd | トレンドに基づく時系列予測方法および装置 |
CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
CN106533750A (zh) * | 2016-10-28 | 2017-03-22 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
CN109977098A (zh) * | 2019-03-08 | 2019-07-05 | 北京工商大学 | 非平稳时序数据预测方法、系统、存储介质及计算机设备 |
CN110198244A (zh) * | 2019-06-19 | 2019-09-03 | 北京百度网讯科技有限公司 | 面向异构云服务的资源配置方法和装置 |
CN110400005A (zh) * | 2019-06-28 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 业务指标的时间序列预测方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114339967A (zh) * | 2021-12-24 | 2022-04-12 | 中国电信股份有限公司 | 基站业务量的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
CN112364975B (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
CN106685674B (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
CN112468326B (zh) | 基于时间卷积神经网络的访问流量预测方法 | |
WO2024000852A1 (zh) | 数据处理方法、装置、设备及存储介质 | |
KR20190054454A (ko) | 인공 신경망의 양자화 방법 및 장치 | |
KR102361423B1 (ko) | 인공지능 기반의 정비 수요 예측 시스템 및 방법 | |
DE102019115320A1 (de) | Analysevorrichtung unter Verwendung eines erlernten Modells und Verfahren dafür | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
CN112396231A (zh) | 针对时空数据的建模方法、装置、电子设备及可读介质 | |
US20220245096A1 (en) | Method and device for facilitating storage of data from an industrial automation control system or power system | |
CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
CN115640510A (zh) | 一种电力时间序列数据特征提取方法、系统、设备和介质 | |
CN111327441A (zh) | 一种流量数据预测方法、装置、设备及存储介质 | |
CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
CN116307281A (zh) | 一种基于时间序列生成对抗网络的企业经营异常预警方法 | |
CN112835771A (zh) | 一种业务量预测方法、装置、设备及存储介质 | |
CN117114056B (zh) | 一种电力负荷预测模型及其构建方法、装置及应用 | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN117149249A (zh) | 模型更新方法、系统、设备和存储介质 | |
CN116736130A (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
CN111930602A (zh) | 性能指标预测方法及装置 | |
CN110633971A (zh) | 资损估计方法以及装置 |
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 |