CN112836869A - 一种kpi预测方法、装置及存储介质 - Google Patents
一种kpi预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112836869A CN112836869A CN202110091249.8A CN202110091249A CN112836869A CN 112836869 A CN112836869 A CN 112836869A CN 202110091249 A CN202110091249 A CN 202110091249A CN 112836869 A CN112836869 A CN 112836869A
- Authority
- CN
- China
- Prior art keywords
- kpi
- seasonal
- prediction
- time sequence
- time series
- 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 46
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000001932 seasonal effect Effects 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 43
- 230000000737 periodic effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 208000018910 keratinopathic ichthyosis Diseases 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了一种KPI预测方法、装置及存储介质，用于解决GluonTS对包含季节性特性的时间序列预测效率低、灵活性差，准确性低的技术问题。本公开在进行KPI时间序列预测时，使用独立的季节性分解组件剔除KPI时间序列中季节性分量并组合使用适合于KPI特性的时间序列预测算法进行预测，在保证预测效果的前提下，降低CPU使用率及内存占有率，提高了预测性能。同时由于不同的数据趋势特征不同，独立的季节性分解组件使得针对不同KPI选择适合的时间序列预测算法成为可能，提高了预测的准确性灵活性。
Description
技术领域
本公开涉及通信技术领域，尤其涉及一种KPI预测方法、装置及存储介质。
背景技术
为及时掌握无线设备的使用情况，以及及时对可能存在的不良状况进行预警以便提前采取适当的补救措施，关键性能指标(Key Performance Indicator，KPI)预测显得尤为重要。
在无线网络的KPI预测中，每个场合可能有上千个KPI，由于同一KPI在不同场合的趋势信息不同，所以通常情况下都使用GluonTS(Gluon Time Series)工具包根据不同的KPI选取不同的算法进行预测。GluonTS一种用于构建、评估以及比较基于深度学习的时间序列模型的python工具包。
GluonTS中的Prophet算法能够用于对包含季节性影响因素的时间序列进行预测，Prophet算法的核心过程是一个加性回归模型，主要包括4个部分：第一部分为线性或逻辑增长曲线的趋势，Prophet通过从数据中选择变更点来自动检测趋势的变化。第二部分为用傅里叶级数建模的年季节性成分。第三部分为使用虚拟变量的每周季节性成分。第四部分为给用户提供主要的假期列表。
例如，若要对1000个场合的数据进行预测，每个场所有5个KPI，当预测开始时，为了提高预测速度，将同时启动多个Prophet进程来进行预测。
使用Prophet进行时间序列预测有两方面缺点。第一是Prophet进行变点检测时会检测出大量的变点。例如有些变点是KPI的正常拐点，但是由于Prophet过于灵敏检测出大量变点，会破坏数据的正常趋势，导致预测的不准确性。第二就是Prophet进程启动之后会进行大量的参数运算，导致预测进程缓慢，经常在规定时间无法完成所有预测任务。因此部分预测任务会被跳过，无法保证所有场合的KPI同步预测。同时在预测过程中，由于大量的参数计算，导致CPU使用率过高，占用了大量内存，使系统性能下降。
发明内容
通常情况下，在使用GluonTS工具包进行时间序列的预测时，会根据不同场合中KPI的特点选择GluonTS中不同的预测算法。虽然GluonTS包含了多种时间序列的预测算法，但GluonTS缺少独立的季节性分解组件，如果所有包含季节性特性KPI的时间序列都使用Prophet算法进行预测，对时间序列预测的准确性和性能都会比较低。
有鉴于此，本公开提出了一种包含独立的季节性分解组件的KPI预测方法、装置及存储介质，用于解决GluonTS对包含季节性特性的时间序列预测效率低、灵活性差，准确性低的技术问题。
图1为本公开提供的一种KPI预测方法的步骤流程图，该方法包括：
步骤101.获取包含季节性特性的KPI时间序列；
步骤102.使用独立的季节性分解组件对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；
步骤103.根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。
进一步地，获取多场合的KPI时间序列，所述多场合的KPI时间序列中包含季节性特性的KPI时间序列；通过定制KPI预测任务，使用所述方法对多场合的KPI时间序列进行预测。
进一步地，所述时间序列预测算法为GluonTS中的时间序列预测算法，所述季节性分解组件包含于GluonTS中。
进一步地，所述季节性分解组件使用基于季节趋势的分解算法将所述KPI时间序列分解为趋势分量、周期分量和余项；所述剔除所述KPI时间序列中季节性分量是指剔除所述KPI时间序列中的周期分量。
本公开提供的KPI预测方法在进行KPI时间序列预测时，使用独立的季节性分解组件剔除KPI时间序列中季节性分量并组合使用适合于KPI特性的时间序列预测算法进行预测，在保证预测效果的前提下，降低CPU使用率及内存占有率，提高了预测性能。同时由于不同的数据趋势特征不同，独立的季节性分解组件使得针对不同KPI选择适合的时间序列预测算法成为可能，提高了预测的准确性灵活性。
图2为本公开一实施例提供的一种KPI预测装置结构示意图，该装置200中的各功能模块可以采用软件、硬件或软硬件相结合的方式实现。各模块可部署在一个硬件设备上实施上述方法的所有步骤，也可分散部署在不同硬件设备上由多个硬件设备分别实施上述方法中的一个或若干步骤从而共同实施以实现本公开的发明目的。当由多个硬件设备共同实施时，由于各硬件设备之间相互协作的目的是共同实现本发明目的，一方的动作和处理结果确定了另一方的动作执行的时机及可能获得的结果，因此，在逻辑上可视为各模块彼此之间具有相互指挥和控制关系。该装置200包括：
序列获取模块201，用于获取包含季节性特性的KPI时间序列；
季节性分解组件202，用于对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；
预测模块203，用于根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。
进一步地，所述装置还包括任务配置模块，用于定制KPI预测任务；所述任务配置模块用于调用序列获取模块201获取多场合的KPI时间序列，调用所述季节性分解组件202分别对不同场合的KPI时间序列进行处理，调用预测模块203分别根据为各场合的KPI时间序列选定的适合的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。
进一步地，预测模块203所使用的时间序列预测算法为GluonTS中的时间序列预测算法，所述季节性分解组件202包含于GluonTS中。
进一步地，所述季节性分解组件202使用基于季节趋势的分解算法将所述KPI时间序列分解为趋势分量、周期分量和余项；所述剔除所述KPI时间序列中季节性分量是指剔除所述KPI时间序列中的周期分量。
图3为本公开一实施例提供的一种电子设备结构示意图，该设备300包括：诸如中央处理单元(CPU)的处理器310、通信总线320、通信接口340以及存储介质330。其中，处理器310与存储介质330可以通过通信总线320相互通信。存储介质330内存储有计算机程序，当该计算机程序被处理器310执行时即可实现本公开提供的KPI预测方法的各步骤。
其中，存储介质可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。另外，存储介质还可以是至少一个位于远离前述处理器的存储装置。处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
附图说明
为了更加清楚地说明本公开实施例或者现有技术中的技术方案，下面将对本公开实施例或者现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本公开实施例的这些附图获得其他的附图。
图1为本公开提供的一种KPI预测方法的步骤流程图；
图2为本公开提供的一种KPI预测装置结构示意图；
图3为本公开一实施例提供的一种电子设备结构示意图；
图4为本公开一实施例提供的KPI预测方法的步骤流程图；
图5为使用时间序列分解算法分解时间序列的示意图。
具体实施方式
在本公开实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本公开实施例。本公开实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。本公开中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本公开实施例中，在多场合KPI预测时，通过在GluonTS中添加独立的季节性分解算法，提高整体预测准确度。独立的季节性分解算法可实现季节性分解算法与不同预测算法的自由组合，提高灵活性的同时进一步提高预测的准确性，同时避免了使用Prophet中的季节性分解算法造成系统性能下降。
图4为本公开一实施例中对多场合KPI时间序列进行预测的步骤流程图，具体步骤如下：
步骤401.从数据库中获取多场合KPI时间序列数据；
本公开中所述的KPI包括但不限于：平均认证时长，接入成功率，接入终端数，终端流量等。
本公开不限制获取KPI待预测时间序列数据的途径，可以实时从业务生产环境中获取，也可以从数据库中获取或数据采集系统中获取。
本公开中，多场合是指多个不同的时间和/或空间位置的业务场景，比如，假设有200个客户位于不同的场所，每个客户所处的业务环境可能是不同的，产生数据的时间也可能不同，那么200客户就可能对应200种场合。由于不同的场合中包含的数据特征不同，比如有些场合设备较少，以终端接入数为例，A场合的平均接入数大概为100，B场合的平均接入数为10000，这种情况下二者差距较大，为后续预测增加难度。
假设，该实施例中需要针对1000个场合的KPI时间序列数据进行预测，其中每个场合5个KPI，每个KPI的数据的原始粒度为5分钟一个数据点，所采集的多个数据点构成时间序列数据。
优选地，为了使采样的时间序列数据更加平滑，可采用数据聚合方法对获得的KPI时间序列数据进行平滑处理，数据聚合方法可采用取平均或者求和等，聚合方法的具体选择需要根据具体数据进行。
步骤402，定制KPI预测任务；
为保证可以唯一定位到不同场合的KPI预测任务，为每一个KPI预测任务分配唯一的任务编号，创建单独的哈希值，为后续定位未预测任务做准备。
该实施例中，为保证KPI预测任务可以持续进行，可将预测任务确定为4小时一次。可选用当前时间前60天的数据作为历史数据进行预测，预测结果将为当前时间的30天之后。
步骤403，对于具有季节性的KPI时间序列，为KPI预测任务配置使用季节性分解算法对KPI时间序列进行季节性分解，并选择适合KPI特性的时序预测算法对经过季节性分解的KPI时间序列进行预测；
GluonTS包含用于使用轻量级深度学习库MXNet构建时间序列模型的组件和工具，该组件支持算法工程师自己调整算法和构建自己的模型。该组件包括新模型组件的构建，数据的加载与处理，多种模型的预测及绘图和评估指标。
在时序预测框架中，GluonTS提供了多种时间序列预测算法，包括基线预测方法及上下界预测方法。具体的算法包括GaussianProcess算法、seasonal
(简单季节性)算法、Prophet算法以及各种统计学的时序预测算法，如ETS ARIMA算法等。
由于GluonTS中缺少独立的季节性分解的组件，大部分时序预测算法无法进行季节性分解，如果想要进行针对包含季节性特性成分的不同类型的时间序列的预测，就需要使用特定的算法(如Prophet)对系统性能消耗较大，无法根据待预测时间序列的特性选择适合的算法，对预测算法的选择造成障碍。因此，本公开实施例更改了GluonTS的底层代码，加入了基于R语言的季节性分解组件。
由于时间序列一般具有趋势性、季节性、随机性这3个特征。具有季节性的时间序列，它的平均值也会周期性波动，天生就不满足平稳性假设。因此需要把季节性分量从时间序列当中提取出来，单独对剩下的趋势项以及随机项进行建模。
本公开一实施例在GluonTS的底层代码中加入基于R语言的季节性分解组件，所加入的季节性分解组件可使用时间序列分解算法(Seasonal-Trend decompositionprocedure based on Loess，STL)。STL算法会将时序数据Yv分解为趋势分量Tv(trendcomponent)、周期分量Sv(seasonal component)和余项Rv(remainder component)。
Yv＝Tv+Sv+Rv v＝1，2，...，N
图5为使用时间序列分解算法分解时间序列的示意图，一组时间序列通过STL算法被分解为趋势分量、周期分量和余项。该实例中，季节性分解组件作用是将时间序列中的周期分量剔除，对剩下的趋势分量及余项进行分析建模。
由于不同客户的应用场景不同，一些客户的数据会有季节性趋势，比如第一季度和第二季度的数据趋势可能完全不同。季节性分解算法可以分析数据中包含的季节性趋势，缺少该算法，容易导致预测精度下降。因此，在加入季节性分解组件后，可以分解出季节性趋势，提高预测结果的准确性。
步骤404.KPI预测任务运行后，执行KPI预测。
针对多场合的KPI时间序列，如果在规定的时间内没有执行完所有的预测任务，可通过预测任务编号进行识别和调度，例如通过运行日志可以检索出哪些KPI没有被预测，未被预测的任务会在下次定时任务开启时优先调度运行。
本公开提供的KPI预测方法能够在不影响预测效果的前提下，提高系统性能。以1000个场合，每个场合5个KPI为例(在同一台服务器上进行测试)。
| CPU占用率 | 内存占用率 | |
| 使用Prophet进行预测 | 54％ | 60％ |
| 使用本公开提供的KPI预测方法 | 32％ | 28％ |
经过测试可知，使用修改后包含本公开提供的KPI预测方法的GluonTS进行预测，系统性能提高了两个数量级。
应当认识到，本公开的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术，包括配置有计算机程序的非暂时性存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。此外，可按任何合适的顺序来执行本公开描述的过程的操作，除非本公开另外指示或以其他方式明显地与上下文矛盾。本公开描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本公开的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本公开所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本公开所述的方法和技术编程时，本公开还包括计算机本身。
以上所述仅为本公开的实施例而已，并不用于限制本公开。对于本领域技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种KPI预测方法，其特征在于，所述方法包括：
获取包含季节性特性的关键性能指标KPI时间序列；
使用独立的季节性分解组件对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；
根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。
2.根据权利要求1所述的方法，其特征在于，
获取多场合的KPI时间序列，所述多场合的KPI时间序列中包含季节性特性的KPI时间序列；
通过定制KPI预测任务，使用所述方法对多场合的KPI时间序列进行预测。
3.根据权利要求1所述的方法，其特征在于，
所述时间序列预测算法为GluonTS中的时间序列预测算法，所述季节性分解组件包含于GluonTS中。
4.根据权利要求1所述的方法，其特征在于，
所述季节性分解组件使用基于季节趋势的分解算法将所述KPI时间序列分解为趋势分量、周期分量和余项；所述剔除所述KPI时间序列中季节性分量指剔除所述KPI时间序列中的周期分量。
5.根据权利要求1所述的方法，其特征在于，所述KPI为以下指标中的一种或多种的组合：平均认证时长，接入成功率，接入终端数，终端流量。
6.一种KPI预测装置，其特征在于，该装置包括：
序列获取模块，用于获取包含季节性特性的关键性能指标KPI时间序列；
季节性分解组件，用于对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；
预测模块，用于根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
任务配置模块，用于定制KPI预测任务；所述任务配置模块用于调用序列获取模块获取多场合的KPI时间序列；调用所述季节性分解组件分别对不同场合的KPI时间序列进行处理；调用预测模块分别根据为各场合的KPI时间序列选定的适合的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。
8.根据权利要求6所述的装置，其特征在于，
所述预测模块所使用的时间序列预测算法为GluonTS中的时间序列预测算法，所述季节性分解组件包含于GluonTS中。
9.根据权利要求6所述的装置，其特征在于，
所述季节性分解组件使用基于季节趋势的分解算法将所述KPI时间序列分解为趋势分量、周期分量和余项；所述剔除所述KPI时间序列中季节性分量指剔除所述KPI时间序列中的周期分量。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序当被处理器执行时实施如权利要求1至5中任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110091249.8A CN112836869A (zh) | 2021-01-22 | 2021-01-22 | 一种kpi预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110091249.8A CN112836869A (zh) | 2021-01-22 | 2021-01-22 | 一种kpi预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112836869A true CN112836869A (zh) | 2021-05-25 |
Family
ID=75931137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110091249.8A Pending CN112836869A (zh) | 2021-01-22 | 2021-01-22 | 一种kpi预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836869A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705910A (zh) * | 2021-08-31 | 2021-11-26 | 深信服科技股份有限公司 | 一种数据样本的扩充方法、装置、设备和介质 |
-
2021
- 2021-01-22 CN CN202110091249.8A patent/CN112836869A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705910A (zh) * | 2021-08-31 | 2021-11-26 | 深信服科技股份有限公司 | 一种数据样本的扩充方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3301621A1 (en) | Timing estimations for application lifecycle management work items determined through machine learning | |
| CN112231181B (zh) | 数据异常更新检测方法、装置、计算机设备及存储介质 | |
| US20130218625A1 (en) | Utilizing historic projects to estimate a new project schedule based on user provided high level parameters | |
| CN111737095A (zh) | 批处理任务时间监控方法、装置、电子设备及存储介质 | |
| CN113177732A (zh) | 一种工艺流程管理方法、装置、介质及终端设备 | |
| WO2020125929A1 (en) | Apparatus and method for detecting an anomaly among successive events and computer program product therefor | |
| CN109389518A (zh) | 关联分析方法及装置 | |
| CN114048055A (zh) | 时序数据异常根因分析方法及系统 | |
| US10558767B1 (en) | Analytical derivative-based ARMA model estimation | |
| CN112836869A (zh) | 一种kpi预测方法、装置及存储介质 | |
| CN115081760A (zh) | 一种加工资源管理优化方法、装置、终端及存储介质 | |
| CN116562715B (zh) | 指标数据监测方法、装置、计算机设备和存储介质 | |
| CN111177221B (zh) | 一种统计数据采集方法、装置及设备 | |
| CN110287182B (zh) | 一种大数据的数据对比方法、装置、设备及终端 | |
| CN111737233A (zh) | 数据监控方法及装置 | |
| US20140358847A1 (en) | Method and System for Document Update | |
| CN111258724B (zh) | 一种分布式系统的数据处理方法、装置、设备和存储介质 | |
| CN109933485B (zh) | 一种用于算法执行与监控的调度方法 | |
| CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 | |
| CN112130849A (zh) | 代码自动生成方法及装置 | |
| Pérez-Alfonso et al. | Recommendation of process discovery algorithms: a classification problem | |
| CN111124854A (zh) | 一种冒烟测试用例分配方法、系统、终端及存储介质 | |
| CN114238243B (zh) | 一种用于流程发现的局部日志采样方法 | |
| CN117934247B (zh) | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 | |
| CN111008721A (zh) | 一种基于时间序列预测模型的自适应预测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210525 |