CN113128797A - 业务指标异常监测方法及装置 - Google Patents
业务指标异常监测方法及装置 Download PDFInfo
- Publication number
- CN113128797A CN113128797A CN201911394135.XA CN201911394135A CN113128797A CN 113128797 A CN113128797 A CN 113128797A CN 201911394135 A CN201911394135 A CN 201911394135A CN 113128797 A CN113128797 A CN 113128797A
- Authority
- CN
- China
- Prior art keywords
- index
- service index
- service
- sequence data
- time sequence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241001123248 Arma Species 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000012550 audit Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002194 synthesizing 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
- G06Q10/06—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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种业务指标异常监测方法及装置。通过训练得到多个指标的多指标ARMA模型；利用多指标ARMA模型进行预测，得到未来预设天数的业务指标预测数值及预测值置信区间；根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常。本发明实施例提供的方案，能够监测业务指标是否发生异常，并及时告警，在进行监控前给出业务指标的异常判断建议，缩小业务指标异常监控的范围并能及时发现需要监控重点指标，为业务稽核提高了监控效率，并为后续做到精细化监控起到重要的作用；而且提升了监测的准确率，降低了误判率，而且能够覆盖率很多业务指标，覆盖率高。
Description
技术领域
本发明涉及通信技术领域，具体涉及一种业务指标异常监测方法及装置。
背景技术
随着移动业务的逐渐多元化，各项业务指标也日益增多，指标值反映了业务相关方面的发展进度和变化，能否持续监控业务指标和及时反馈业务问题，将是大体量业务发展的困扰。目前移动业务指标稽核主要采用人工稽核和人工设定预警阈值的方式，业务人员每天依靠业务经验从海量业务指标中发现业务指标异常。
因此，现有业务指标监测方案存在如下缺点：
1、采用人工稽核的方式，业务人员从海量业务指标中找出异常指标耗时耗力，且该方式主要依靠业务人员经验，主观性强，存在不准确的问题；
2、采用人工设定预警阙值的方式，主要依靠业务人员业务经验设定预警阈值，然而业务指标多样性，且周期性变化大，存在大量误报、漏报的问题。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的业务指标异常监测方法及装置。
根据本发明实施例的一个方面，提供了一种业务指标异常监测方法，包括：
获取预设时间段内的历史业务指标时序数据，对历史业务指标时序数据进行类型划分；
针对每个类型的历史业务指标时序数据进行平稳性校验；
若通过平稳性校验，则基于历史业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；
若未通过平稳性校验，则对历史业务指标时序数据进行差分处理，基于差分处理后的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；
基于多个单指标ARMA模型进行业务指标的归纳分析及测试，得到适用于多个指标的多指标ARMA模型；
利用多指标ARMA模型进行预测，得到未来预设天数的业务指标预测数值及预测值置信区间；
根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常。
根据本发明实施例的另一方面，提供了一种业务指标异常监测装置，包括：
获取模块，适于获取预设时间段内的历史业务指标时序数据，对历史业务指标时序数据进行类型划分；
平稳性校验模块，适于针对每个类型的历史业务指标时序数据进行平稳性校验；
模型训练模块，适于若通过平稳性校验，则基于历史业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；以及，若未通过平稳性校验，则对历史业务指标时序数据进行差分处理，基于差分处理后的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；
处理模块，适于基于多个单指标ARMA模型进行业务指标的归纳分析及测试，得到适用于多个指标的多指标ARMA模型；
预测模块，适于利用多指标ARMA模型进行预测，得到未来预设天数的业务指标预测数值及预测值置信区间；
判断模块，适于根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行上述业务指标异常监测方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述业务指标异常监测方法对应的操作。
本发明实施例提供的方案，能够监测业务指标是否发生异常，并及时告警，在进行监控前给出业务指标的异常判断建议，缩小业务指标异常监控的范围并能及时发现需要监控重点指标，为业务稽核提高了监控效率，并为后续做到精细化监控起到重要的作用；而且提升了监测的准确率，降低了误判率，而且能够覆盖率很多业务指标，覆盖率高。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的业务指标异常监测方法流程图；
图2示出了本发明实施例提供的业务指标异常监测装置的结构示意图；
图3示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的业务指标异常监测方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取预设时间段内的历史业务指标时序数据，对历史业务指标时序数据进行类型划分。
本实施例是为了能够提升业务指标监控效率，提升监测准确性，需要先训练得到异常监测所使用的模型，在本步骤中，需要先获取预设时间段内的历史业务指标时序数据，例如，获取的是近三年的业务指标时序数据，考虑到数据变化中的长期趋势成分、季节成分、随机性误差成分等，这里将对历史业务指标时序数据进行类型划分，即，将历史业务指标时序数据划分为变化趋势不同且典型的几类数据。本实施例获取近三年的业务指标时序数据能够保证提取更多的有效数据，同时还能够降低噪声数据的干扰。
步骤S102，针对每个类型的历史业务指标时序数据进行平稳性校验。
在对历史业务指标时序数据完成类型划分后，针对每个类型的历史业务指标时序数据，可以对历史业务指标时序数据进行平稳性校验，主要是校验相应的数据是否平稳，从而根据校验结果进行不同的处理，其中，本领域技术人员可以采用现有常用的平稳性校验方法来对历史业务指标时序数据进行校验，这里不再赘述。
在进行平稳性校验后，便可以根据平稳性校验结果进行模型优化，考虑了数据变化中的长期趋势成分、季节成分、随机性误差成分，这里选定了ARMA模型来进行监测，具体地，可以基于步骤S103-步骤S105得到本实施例中业务指标异常监测所使用的模型：
步骤S103，若通过平稳性校验，则基于历史业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型。
在经过平稳性校验后，认为该类型的历史业务指标时序数据通过平稳性校验，那么可以基于历史业务指标时序数据对选定的ARMA模型中的参数进行调整，例如，调整模型中的参数maxlag和预测区间的置信度α，通过不断调整，以期望使参数maxlag＝5和预测区间的置信度α＝0.90，最终得到对应的单指标ARMA模型。
在本步骤中，可以通过以下两种方式来对选定的ARMA模型中的参数进行调整：
一是利用经过平稳校验的原始序列数据直接来对选定的ARMA模型中的参数进行调整，二是对原始序列数据进行因素分解，从中提取序列中的趋势成分，而后再对选定的ARMA模型中的参数进行调整。本实施例优选选用利用经过平稳校验的原始序列数据直接来对选定的ARMA模型中的参数进行调整，其中，表1示出了两种方式的平均绝对百分误差。
表1：
| 处理方法 | 指标1 | 指标2 | 指标3 | 指标4 | 指标5 | 指标6 | 指标7 |
| 直接建模 | 0.031336 | 0.014275 | 0.013164 | 0.071137 | 0.020624 | -24.95237 | 0.068708 |
| 因素分解 | 0.249126 | 0.014 | 0.026525 | 0.462208 | 0.016147 | -26.88689 | 0.092199 |
步骤S104，若未通过平稳性校验，则对历史业务指标时序数据进行差分处理，基于差分处理后的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型。
在经过平稳性校验后，认为该类型的历史业务指标时序数据未通过平稳性校验，针对非平稳历史业务指标时序数据，需要先进行差分处理，基于差分处理后的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型，优选地，可以从历史业务指标时序数据中提取具有趋势成分的序列数据，对具有趋势成分的序列数据进行差分处理，利用差分处理后的序列数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型。本领域技术人员可以采用常见的差分处理方法，这里不再详细赘述。
针对不同类型的历史业务指标时序数据，经过不同的处理，得到多个单指标ARMA模型。
步骤S105，基于多个单指标ARMA模型进行业务指标的归纳分析及测试，得到适用于多个指标的多指标ARMA模型。
从单指标ARMA模型分析中，归纳出适用于全部指标的通用模型，在分析时，是根据平稳性校验的业务指标时序数据的所训练的单指标ARMA模型和非平稳的业务指标时序数据的所训练的单指标ARMA模型综合起来，并进行业务指标的测试，得到适用于多个指标的多指标ARMA模型。
步骤S106，利用多指标ARMA模型进行预测，得到未来预设天数的业务指标预测数值及预测值置信区间。
在得到多指标ARMA模型后，可以利用多指标ARMA模型进行预测，预测未来预设天数的业务指标预测数值及预测值置信区间，其中，可以根据实际需要将模型参数预测区间的置信度放宽至0.99，另外根据不同日期数据预测，对其预测区间相应上下外扩5％(月初1号预测区间上下外扩10％)。
步骤S107，根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常。
在根据步骤S106预测出业务指标预测数值及预测值置信区间后，可以根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常，例如，计算业务指标预测数值与对应的业务指标实际数值之间的差值；判断差值是否落入预测值置信区间，若否，则确定业务指标发生异常，并在确定发生异常时，及时告警。
举例说明，当前时间为2019年12月20日，可以预测2019年12月21日的业务指标预测数值，2019年12月21日到达时，可以得到2019年12月21日当日的业务指标实际数值，然后计算2019年12月21日的业务指标预测数值与2019年12月21日当日的业务指标实际数值之间的差值，通过判断差值是否落入预测值置信区间来确定业务指标是否发生异常，若未落入预测值置信区间，则确定业务指标发生异常。
在本发明一种可选实施方式中，在获取预设时间段内的历史业务指标时序数据之后，方法还包括：检测历史业务指标时序数据是否存在数据缺失，若是，则对历史业务指标时序数据进行数据填充处理。
例如，所获取的历史业务指标时序数据很可能出现缺失的情况，因此，在获取到历史业务指标时序数据之后，需要检测历史业务指标时序数据是否存在数据缺失，若是，则可以根据数据填充技术对历史业务指标时序数据进行数据填充处理，具体的数据填充技术这里不再赘述。
所得到的多指标ARMA模型可以适用于以下指标的监测：
(1)月累计性质的指标
很多指标误报异常是在每月的1号、2号等，因此，可以把这类指标的每月一号的数据单独拿出来，利用之前每个月的数据对下一月1号的指标值进行分析预测，从而降低月初1号该类指标的误报率。
(2)一阶差分后不平稳的指标
对于一些业务指标，可能需要二阶或以上差分才能平稳的指标，可以在进行模型训练时增加对数化环节，降低了非平稳的差分阶数，处理步骤：对数化—因素分解—差分处理—训练模型。
(3)模型预测长度不足的指标(比如15天、30天以内)
对于这类业务指标，使用统计异常检测的方法(均值+-3倍标准差)对该类指标进行异常检测。
(4)数据值小于1的相对指标
对于这类业务指标其数据取值较小，甚至在0附近波动，针对这类业务指标，使用统计异常检测的方法(均值+-3倍标准差)对该类指标进行异常检测。
(5)数据值正负兼有的指标
为了给出合理的预测区间，对业务指标的数据取值为正和为负的两种情况，采用不同的预测区间外扩方式，优化模型异常告警效果。
(6)二阶(或二阶以上)差分后预测不稳定的指标
对于这类业务指标，偶尔需要高阶处理才能平稳，但这种预测不稳定情况难以判断。针对这类业务指标利用统计异常检测的方法(均值+-3倍标准差)对该类指标进行异常检测。
本发明实施例提供的方案，能够监测业务指标是否发生异常，并及时告警，在进行监控前给出业务指标的异常判断建议，缩小业务指标异常监控的范围并能及时发现需要监控重点指标，为业务稽核提高了监控效率，并为后续做到精细化监控起到重要的作用；而且提升了监测的准确率，降低了误判率，而且能够覆盖率很多业务指标，覆盖率高。
图2示出了本发明实施例提供的业务指标异常监测装置的结构示意图。如图2所示，该装置包括：获取模块201、平稳性校验模块202、模型训练模块203、处理模块204、预测模块205、判断模块206。
获取模块201，适于获取预设时间段内的历史业务指标时序数据，对历史业务指标时序数据进行类型划分；
平稳性校验模块202，适于针对每个类型的历史业务指标时序数据进行平稳性校验；
模型训练模块203，适于若通过平稳性校验，则基于历史业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；以及，若未通过平稳性校验，则对历史业务指标时序数据进行差分处理，基于差分处理后的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；
处理模块204，适于基于多个单指标ARMA模型进行业务指标的归纳分析及测试，得到适用于多个指标的多指标ARMA模型；
预测模块205，适于利用多指标ARMA模型进行预测，得到未来预设天数的业务指标预测数值及预测值置信区间；
判断模块206，适于根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常。
可选地，判断模块进一步适于：计算业务指标预测数值与对应的业务指标实际数值之间的差值；
判断差值是否落入预测值置信区间，若是，则确定业务指标发生异常。
可选地，模型训练模块进一步适于：从历史业务指标时序数据中提取具有趋势成分的序列数据；
对具有趋势成分的序列数据进行差分处理，利用差分处理后的序列数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型。
可选地，装置还包括：数据填充模块，适于检测历史业务指标时序数据是否存在数据缺失，若否，则对历史业务指标时序数据进行数据填充处理。
本发明实施例提供的方案，能够监测业务指标是否发生异常，并及时告警，在进行监控前给出业务指标的异常判断建议，缩小业务指标异常监控的范围并能及时发现需要监控重点指标，为业务稽核提高了监控效率，并为后续做到精细化监控起到重要的作用；而且提升了监测的准确率，降低了误判率，而且能够覆盖率很多业务指标，覆盖率高。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的业务指标异常监测方法。
图3示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示，该计算设备可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述用于计算设备的业务指标异常监测方法实施例中的相关步骤。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序具体可以用于使得处理器执行上述任意方法实施例中的业务指标异常监测方法。程序中各步骤的具体实现可以参见上述业务指标异常监测实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种业务指标异常监测方法，包括：
获取预设时间段内的历史业务指标时序数据，对所述历史业务指标时序数据进行类型划分；
针对每个类型的历史业务指标时序数据进行平稳性校验；
若通过平稳性校验，则基于所述历史业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；
若未通过平稳性校验，则对所述历史业务指标时序数据进行差分处理，基于差分处理后的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；
基于多个单指标ARMA模型进行业务指标的归纳分析及测试，得到适用于多个指标的多指标ARMA模型；
利用所述多指标ARMA模型进行预测，得到未来预设天数的业务指标预测数值及预测值置信区间；
根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常。
2.根据权利要求1所述的方法，其中，所述根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常进一步包括：
计算业务指标预测数值与对应的业务指标实际数值之间的差值；
判断所述差值是否落入预测值置信区间，若否，则确定业务指标发生异常。
3.根据权利要求1或2所述的方法，其中，对所述历史业务指标时序数据进行差分处理，基于差分处理的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型进一步包括：
从历史业务指标时序数据中提取具有趋势成分的序列数据；
对具有趋势成分的序列数据进行差分处理，利用差分处理后的序列数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型。
4.根据权利要求1或2所述的方法，其中，在获取预设时间段内的历史业务指标时序数据之后，所述方法还包括：
检测历史业务指标时序数据是否存在数据缺失，若是，则对历史业务指标时序数据进行数据填充处理。
5.一种业务指标异常监测装置，包括：
获取模块，适于获取预设时间段内的历史业务指标时序数据，对所述历史业务指标时序数据进行类型划分；
平稳性校验模块，适于针对每个类型的历史业务指标时序数据进行平稳性校验；
模型训练模块，适于若通过平稳性校验，则基于所述历史业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；以及，若未通过平稳性校验，则对所述历史业务指标时序数据进行差分处理，基于差分处理后的业务指标时序数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型；
处理模块，适于基于多个单指标ARMA模型进行业务指标的归纳分析及测试，得到适用于多个指标的多指标ARMA模型；
预测模块，适于利用所述多指标ARMA模型进行预测，得到未来预设天数的业务指标预测数值及预测值置信区间；
判断模块，适于根据业务指标预测数值、对应的业务指标实际数值及预测值置信区间判断业务指标是否发生异常。
6.根据权利要求5所述的装置，其中，所述判断模块进一步适于：
计算业务指标预测数值与对应的业务指标实际数值之间的差值；
判断所述差值是否落入预测值置信区间，若否，则确定业务指标发生异常。
7.根据权利要求5或6所述的装置，其中，所述模型训练模块进一步适于：
从历史业务指标时序数据中提取具有趋势成分的序列数据；
对具有趋势成分的序列数据进行差分处理，利用差分处理后的序列数据对选定的ARMA模型中的参数进行调整，得到对应的单指标ARMA模型。
8.根据权利要求5或6所述的装置，其中，所述装置还包括：
数据填充模块，适于检测历史业务指标时序数据是否存在数据缺失，若是，则对历史业务指标时序数据进行数据填充处理。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的业务指标异常监测方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-4中任一项所述的业务指标异常监测方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911394135.XA CN113128797A (zh) | 2019-12-30 | 2019-12-30 | 业务指标异常监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911394135.XA CN113128797A (zh) | 2019-12-30 | 2019-12-30 | 业务指标异常监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113128797A true CN113128797A (zh) | 2021-07-16 |
Family
ID=76767689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911394135.XA Pending CN113128797A (zh) | 2019-12-30 | 2019-12-30 | 业务指标异常监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128797A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627754A (zh) * | 2021-07-27 | 2021-11-09 | 北京达佳互联信息技术有限公司 | 指标检测的操作控制方法、装置、电子设备及存储介质 |
| CN113722177A (zh) * | 2021-08-03 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
| CN114066089A (zh) * | 2021-11-25 | 2022-02-18 | 中国工商银行股份有限公司 | 批量作业运行耗时区间确定方法及装置 |
| CN114239979A (zh) * | 2021-12-21 | 2022-03-25 | 华润电力技术研究院有限公司 | 火电送风控制回路优化方法、系统、装置及存储介质 |
-
2019
- 2019-12-30 CN CN201911394135.XA patent/CN113128797A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627754A (zh) * | 2021-07-27 | 2021-11-09 | 北京达佳互联信息技术有限公司 | 指标检测的操作控制方法、装置、电子设备及存储介质 |
| CN113722177A (zh) * | 2021-08-03 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
| CN113722177B (zh) * | 2021-08-03 | 2024-03-29 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
| CN114066089A (zh) * | 2021-11-25 | 2022-02-18 | 中国工商银行股份有限公司 | 批量作业运行耗时区间确定方法及装置 |
| CN114239979A (zh) * | 2021-12-21 | 2022-03-25 | 华润电力技术研究院有限公司 | 火电送风控制回路优化方法、系统、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128797A (zh) | 业务指标异常监测方法及装置 | |
| CN109558295B (zh) | 一种性能指标异常检测方法及装置 | |
| JP6613329B2 (ja) | コンピュータ実装方法、コンピュータシステム及びコンピュータ装置 | |
| CN107871190A (zh) | 一种业务指标监控方法及装置 | |
| US10528533B2 (en) | Anomaly detection at coarser granularity of data | |
| CN105593864B (zh) | 用于维护设备的分析设备退化 | |
| CN104899405A (zh) | 数据预测方法和系统以及报警方法和系统 | |
| CN107908548A (zh) | 一种生成测试用例的方法和装置 | |
| CN110995524B (zh) | 流量数据监控方法、装置、电子设备和计算机可读介质 | |
| CN111340606B (zh) | 一种全流程收入稽核方法和装置 | |
| CN109740760B (zh) | 文本质检自动化训练方法、电子装置及计算机设备 | |
| KR20190060547A (ko) | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 | |
| CN111966061A (zh) | 产品工艺参数的优化方法、装置、电子设备和存储介质 | |
| CN104618949B (zh) | 一种基于arma模型的投诉预测方法及装置 | |
| CN111768287A (zh) | 周期识别方法、装置、服务器及可读存储介质 | |
| CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
| CN109960626B (zh) | 端口异常的识别方法、装置、设备及介质 | |
| CN112394163A (zh) | 一种原油含水量分析方法及装置 | |
| US11593245B2 (en) | System, device and method for frozen period detection in sensor datasets | |
| CN110795308A (zh) | 一种服务器检验方法、装置、设备及存储介质 | |
| CN106295712A (zh) | 一种故障检测方法和系统 | |
| CN111695829B (zh) | 一种指标波动周期计算方法、装置、存储介质及电子设备 | |
| CN114416467A (zh) | 一种异常检测方法及装置 | |
| CN112162528B (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
| CN115062687A (zh) | 企业信用监控方法、装置、设备及存储介质 |
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 |