CN113159453B - 资源数据预测方法、装置、设备及存储介质 - Google Patents
资源数据预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113159453B CN113159453B CN202110536221.0A CN202110536221A CN113159453B CN 113159453 B CN113159453 B CN 113159453B CN 202110536221 A CN202110536221 A CN 202110536221A CN 113159453 B CN113159453 B CN 113159453B
- Authority
- CN
- China
- Prior art keywords
- preset
- resource
- target
- value
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 78
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- GGWBHVILAJZWKJ-UHFFFAOYSA-N dimethyl-[[5-[2-[[1-(methylamino)-2-nitroethenyl]amino]ethylsulfanylmethyl]furan-2-yl]methyl]azanium;chloride Chemical compound Cl.[O-][N+](=O)C=C(NC)NCCSCC1=CC=C(CN(C)C)O1 GGWBHVILAJZWKJ-UHFFFAOYSA-N 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了资源数据预测方法、装置、设备及存储介质。该方法包括:获取预设指标对应的历史资源数据,其中,历史资源数据包括针对预设指标在预设历史时段内进行采样得到的资源数据,根据历史资源数据生成预设指标对应的预设未来时段内的初始资源预测数据,对初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。通过采用上述技术方案,根据历史资源数据自动生成初始资源预测数据,并对初始资源预测数据进行取值操作,使得最终资源预测数据能够满足资源数据特的特点,提高预测效率的同时,保证预测结果的准确性。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及资源数据预测方法、装置、设备及存储介质。
背景技术
在企业服务领域中,经常会存在基于历史数据对企业资源分配进行预测的需求,以便保障企业的资源能够满足企业的运营需求。例如,基于过去一定周期内的员工的资源请求数据,预测未来固定时间段内的员工预期资源请求数据。
现有技术中,通常采用人工估测的方法,准确率和效率较低。
发明内容
本公开实施例提供了资源数据预测方法、装置、存储介质及设备,可以优化现有的资源数据预测方案。
第一方面,本公开实施例提供了一种资源数据预测方法,包括:
获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据;
根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;
对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。
第二方面,本公开实施例提供了一种资源数据预测装置,包括:
历史资源数据获取模块,用于获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据;
初始资源预测数据确定模块,用于根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;
目标资源预测数据确定模块,用于对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。
第三方面,本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例提供的资源数据预测方法。
第四方面,本公开实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本公开实施例提供的资源数据预测方法。
本公开实施例中提供的资源数据预测方案,获取预设指标对应的历史资源数据,其中,历史资源数据包括针对预设指标在预设历史时段内进行采样得到的资源数据,根据历史资源数据生成预设指标对应的预设未来时段内的初始资源预测数据,对初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。通过采用上述技术方案,根据历史资源数据自动生成初始资源预测数据,并对初始资源预测数据进行取值操作,使得最终资源预测数据能够满足资源数据特的特点,提高预测效率的同时,保证预测结果的准确性。
附图说明
图1为本公开实施例提供的一种资源数据预测方法的流程示意图;
图2为本公开实施例提供的另一种资源数据预测方法的流程示意图;
图3为本公开实施例提供的一种资源数据预测装置的结构框图;
图4为本公开实施例提供的一种电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
图1为本公开实施例提供的一种资源数据预测方法的流程示意图,该方法可以由资源数据预测装置执行,其中该装置可由软件和/或硬件实现,一般可集成在电子设备中,其中,该电子设备可以是计算机设备,如个人电脑、计算机或服务器等,具体不做限定。如图1所示,该方法包括:
步骤101、获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据。
目前,在很多行业或领域(如互联网行业、金融行业、农业、工业以及服务业等等)通常会涉及各种各样的业务,其中很多业务会涉及到资源,存在资源数据预测的需求。本公开实施例中所涉及的资源数据可以包括对应时间段内的资源变化情况相关的数据,一般可包括对应时间段内的时间点以及时间点对应的资源值。预设指标可以理解为存在资源数据预测需求的业务对应的预测指标,可以与资源数据中的资源值的含义相对应,可根据实际情况进行设定。其中,资源值的含义可以包括如员工申请的办公物资(如办公用品或会议室等)的数量、项目所需的员工人数、活动所需的赞助商数量以及货物运输所需的货车数量等等。
本公开实施例中所指的资源数据预测,可以理解为利用过去一段时间(历史时段)内的资源数据,对未来一段时间(未来时段)的资源数据进行预测。示例性的,可以根据实际需求设定预设历史时段,可以以小时、天或月等为单位进行表示,不同的预设指标对应的预设历史时段可以不同,同一预设指标在不同情况下对应的预设历史时段也可以不同,具体不做限定。
示例性的,历史资源数据可以理解为资源数据预测的依据,具体包括针对预设指标在预设历史时段内进行采样得到的资源数据。其中,执行采样操作的设备可以是本公开实施例中的电子设备本身,也可以是其他外部设备,也即可以直接从其他外部设备获取历史资源数据。本公开实施例对采样过程和采样方式等不做限定。例如,采样方式可以是实时采样(也即当资源值发生变化时,即记录当前时刻的时间戳和对应的资源值),也可以周期性的均匀采样(如每天中午12点记录对应的资源值)等。
步骤102、根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据。
本公开实施例中,对根据历史资源数据生成初始资源预测数据的具体方式不做限定,例如可以采用预测模型来生成。资源数据一般具备时序特点,预测模型可以是基于该时序特点进行设置。
示例性的,可以根据实际需求设定预设未来时段,可以以小时、天或月等为单位进行表示,预设未来时段的单位可以与预设历史时段相同或不同,不同的预设指标对应的预设未来时段可以不同,同一预设指标在不同情况下对应的预设未来时段也可以不同,具体不做限定。
步骤103、对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。
示例性的,资源数据一般还具有非负的特点,利用基于时序特点设置的预测模型来生成的初始资源预测数据,或通过其他方式生成的初始资源预测数据,一般会存在负值,这样的预测结果与实际不符,准确度低,不能用于指导业务和辅助决策。因此,本公开实施例对初始资源预测数据进行取值操作,以保证最终得到的目标资源预测数据符合资源数据的非负性特点,
可选的,所述取值操作可包括取绝对值操作、将负值替换成预设数值(如0、或大于0且小于的数值、或符合当前资源值含义的其他数值)操作、或者保留非负数值操作等等。
本公开实施例中提供的资源数据预测方法,获取预设指标对应的历史资源数据,其中,历史资源数据包括针对预设指标在预设历史时段内进行采样得到的资源数据,根据历史资源数据生成预设指标对应的预设未来时段内的初始资源预测数据,对初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。通过采用上述技术方案,根据历史资源数据自动生成初始资源预测数据,并对初始资源预测数据进行取值操作,使得最终资源预测数据能够满足资源数据特的特点,提高预测效率的同时,保证预测结果的准确性。
在一些实施例中,所述根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,包括:将所述历史资源数据输入至所述预设指标对应的初始资源预测模型的预设损失函数中,并根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,得到目标资源预测模型,其中,所述预设损失函数服从折叠正态分布;根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据。所述对所述初始资源预测数据进行取值操作,包括:对所述初始资源预测数据进行取绝对值操作。
示例性的,可以根据预设指标的自身特点设计相应的初始资源预测模型,本公开实施例对初始资源预测模型的具体结构和表现形式等不做限定。初始资源预测模型中可以包含取值待定的预设参数,具体取值可以根据历史资源数据和模型对应的预设损失函数进行确定。
可选的,所述初始资源预测模型中可包括趋势项、周期项或其他项目,其他项目如不确定项、波动项、以及预设指标特有的属性项目(如对于某个业务来说,旺季和淡季的资源数据规律存在较大不同,可以有针对性地设置阶段性项目等)。
本公开实施例中,可选的,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数。其中,趋势项可用于描述资源数据的总体变化趋势,周期项可用于描述资源数据的周期性变化特征,趋势项和周期项的具体表现形式不做限定,可以根据实际情况设定。示例性的,趋势项可以包括线性函数或二次函数等,周期项可以包括三角函数等。第一预设参数的具体数量和第二预设参数的具体数量不做限定,可以根据相应项目的具体表现形式确定。
示例性的,资源数据的数值均为正数,而相关技术中,基于计算机的常规时序算法直接应用于资源数据的预测,会出现预测结果为负值的情况,由于资源数据的取值不会小于0,因此这样的预测结果与实际不符,准确度低,不能用于指导业务和辅助决策。经研究发现,相关技术中,往往将预测模型的损失函数设定为服从正态分布,而正态分布是无法保证数据的非负性的。本公开实施例中,将预设损失函数设置为服从折叠正态分布,折叠正态分布的取值均不为负,符合资源数据的非负时序数据的特点,进而基于该预设损失函数可以更加合理准确地确定初始资源预测模型中的预设参数对应的取值,也即目标参数值,得到更加合理准确的目标资源预测模型。
示例性的,预设损失函数中包含初始资源预测模型中的预设参数,将历史资源数据输入至预设损失函数中后,可以以预设损失函数的取值最大或最小等优化方式为目标,确定预设参数的取值,也即确定预设参数对应的目标参数值,将目标参数值输入至初始资源预测模型中,得到目标资源预测模型。
示例性的,可以将预设未来时段内的时间点输入至目标资源预测模型,得到对应的初始预测资源值,汇总初始预测资源值和对应的时间点,得到初始资源预测数据。此外,还可以采用其他方式根据目标资源预测模型确定预设指标对应的预设未来时段内的初始资源预测数据,具体不做限定。
示例性的,如前文所述,资源预测数据具有非负特性,将预设损失函数设置为服从折叠正态分布,并不一定能保证初始资源预测数据全部为正值,本步骤中,对所述初始资源预测数据进行取绝对值操作,保证操作结果对应的资源预测数据(可记为中间资源预测数据)均为正值,随后,可以将中间资源预测数据直接作为目标资源预测数据,还可以在中间资源预测数据基础上进行其他相关优化,得到最终的目标资源预测数据。
本公开实施例中提供的资源数据预测方法,获取预设指标对应的历史资源数据,将历史资源数据输入至对应的初始资源预测模型的服从折叠正态分布的预设损失函数中,并根据输出结果确定初始资源预测模型中的预设参数对应的目标参数值,得到目标资源预测模型,根据目标资源预测模型确定预设指标对应的预设未来时段内的初始资源预测数据,再对初始资源预测数据进行取绝对值操作,根据操作结果确定目标资源预测数据。通过采用上述技术方案,将用于预测资源数据的预测模型的损失函数设置为服从折叠正态分布,并结合后续的取绝对值操作,使得最终的资源预测数据满足资源数据特有的非负时序数据的特点,保证预测结果的准确性。此外,需要说明的是,若预设损失函数不服从折叠正态分布,而是仅服从正态分布,随后直接对初始资源预测数据进行取绝对值操作,可以使其中的负值变为正值,但其数值较大,远大于0,不符合资源数据的变化规律,预测结果不准确,预测精度较差。将上述的预设损失函数服从折叠正态分布和取绝对值操作相结合,可以使得预测结果更准确,预测精度高。
在一些实施例中,所述历史资源数据中包含历史时刻和对应的历史资源值,所述预设损失函数中包含第一表达式和第二表达式;所述第一表达式包括第一正态分布在各历史资源值处的对数似然函数,其中,所述第一正态分布中的第一均值根据所述趋势项和所述周期项确定;所述第二表达式包括第二正态分布在各历史资源值处的对数似然函数,其中,所述第二正态分布的第二均值根据第三正态分布与所述第一正态分布的差值的自然指数运算确定,所述第三正态分布的第三均值根据所述趋势项的负数和所述周期项的负数确定。这样设置的好处在于,可更加合理地设置折叠正态分布的表现形式,从而得到更加合理的预设损失函数。其中,第一正态分布、第二正态分布和第三正态分布的方差可以相同也可以不同。
示例性的,针对每个历史时刻,均可对应一个第一子表达式和一个第二子表达式。对于当前历史时刻和对应的历史资源值,第一子表达式包括第一正态分布在当前历史资源值处的对数似然函数,第二子表达式包括第二正态分布在当前历史资源值处的对数似然函数。第一表达式可以是针对各历史时刻对应的第一子表达式求和得到;第二表达式可以是针对各历史时刻对应的第二子表达式求和得到。
在一些实施例中,所述根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,包括:根据输出结果以所述预设损失函数的取值最小为目标,求解所述初始资源预测模型中的预设参数对应的目标参数值,其中,求解过程中的决策变量包括所述预设参数,还可包括所述预设损失函数中各正态分布中的方差,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值。这样设置的好处在于,可以快速准确地确定目标参数值。其中,求解的具体方法和过程不做限定,例如可以采用数值优化算法进行求解。当第一正态分布、第二正态分布和第三正态分布的方差相同时,可以直接根据所求解得到的取值确定目标方差;当第一正态分布、第二正态分布和第三正态分布的方差不同时,可以分别记为第一目标方差、第二目标方差和第三目标方差,对第一目标方差、第二目标方差和第三目标方差进行预设方式的计算,如计算平均值,得到目标方差。
在一些实施例中,所述根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据,包括:根据所述目标资源预测模型中的目标趋势项确定第一预设数量的目标趋势值,其中,所述第一预设数量为所述预设指标对应的预设未来时段中的未来时刻的个数,所述目标趋势项中的第一预设参数的取值为所述第一目标参数值;根据所述目标资源预测模型中的目标周期项确定所述第一预设数量的目标周期值,其中,所述目标周期项中的第二预设参数的取值为所述第二目标参数值;根据所述目标趋势值和所述目标周期值确定初始资源预测数据。可选的,也可根据所述目标趋势值、所述目标周期值和所述目标方差确定初始资源预测数据。其中,预设未来时段中的各未来时刻可以均匀分布,也可以随机分布,可以根据实际需求设置,并不做具体限定。
进一步的,所述根据所述目标趋势值、所述目标周期值和所述目标方差确定初始资源预测数据,包括:根据所述目标趋势值、所述目标周期值和所述目标方差确定所述第一预设数量的第四正态分布;对所述第一预设数量的第四正态分布分别进行预设次数的采样,得到所述第一预设数量的样本集;对所述样本集进行拼接,得到初始资源预测数据。这样设置的好处在于,可以更加合理准确地确定初始资源预测数据。
其中,所述第四正态分布的第四均值根据所述目标趋势值和所述目标周期值确定,例如第四均值是所述目标趋势值和所述目标周期值的和;所述第四正态分布的第四方差的取值为目标方差。示例性的,预设次数的具体取值不做限定,采样方式也不做限定。一般的,预设次数的取值可以大于或等于预设次数阈值,预设次数阈值例如可以是500,预设次数可以是1000等。假设第一预设数量记为H,预设次数记为M,经过采样后得到的样本集可以视为一个1*M的向量,对H个样本集进行拼接后,可以得到H*M的矩阵,用该矩阵表示初始资源预测数据。随后,针对矩阵中的每个元素求取绝对值,可将得到的绝对值矩阵记为前文所述的中间资源预测数据。
在一些实施例中,操作结果中包含未来时刻和对应的中间预测资源值,所述根据操作结果确定目标资源预测数据,包括:针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值,采用预设计算方式计算所述第二预设数量的中间预测资源值对应的目标值,将所述目标值确定为所述当前未来时刻对应的目标预测资源值,其中,所述第二预设数量与所述预设次数相等;根据所有未来时刻对应的目标预测资源值确定目标资源预测数据。这样设置的好处在于,更加准确地确定目标预测资源值。其中,预设计算方式例如可以是求平均值,或求中间值等等。也即,采用预设计算方式计算所述第二预设数量的中间预测资源值对应的目标值,将所述目标值确定为所述当前未来时刻对应的目标预测资源值,包括:计算所述第二预设数量的中间预测资源值对应的平均值,将所述平均值确定为所述当前未来时刻对应的目标预测资源值。需要说明的是,本公开实施例中可以针对每个未来时刻执行上述操作,当前未来时刻可以理解为当前处理过程对应的未来时刻,“当前”并不构成时间维度的限定。例如,未来时刻包括a和b,在针对a进行处理时,将a记为当前未来时刻,获取操作结果中与a对应的第二预设数量的中间预测资源值,采用预设计算方式计算所述第二预设数量的中间预测资源值对应的目标值,将所述目标值确定为a对应的目标预测资源值;在针对b进行处理时,将b记为当前未来时刻,获取操作结果中与b对应的第二预设数量的中间预测资源值,采用预设计算方式计算所述第二预设数量的中间预测资源值对应的目标值,将所述目标值确定为b对应的目标预测资源值。所有未来时刻指的是预设未来时段内的所有未来时刻。
在一些实施例中,在所述针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值之后,还包括:计算所述第二预设数量的中间预测资源值的第三预设数量的分位点,根据所述分位点确定所述当前未来时刻对应的目标预测资源值区间;相应的,所述根据所有未来时刻对应的目标预测资源值确定目标资源预测数据,包括:根据所有未来时刻对应的目标预测资源值和目标预测资源值区间,确定目标资源预测数据。这样设置的好处在于,在目标资源预测数据中包含了各个未来时刻对应的目标预测值外,还包括预测区间,可以更加有效地指导业务和辅助决策。
图2为本公开实施例提供的另一种资源数据预测方法的流程示意图,本公开实施例以上述实施例中各个可选方案为基础进行优化,具体的,该方法包括如下步骤:
步骤201、获取预设指标对应的历史资源数据。
其中,预设指标可以是预设业务指标,历史资源数据包括针对预设指标在预设历史时段内进行采样得到的资源数据;历史资源数据中包含历史时刻和对应的历史资源值。
示例性的,可以从预设指标对应的数据库中读取相关的历史资源值数据,将历史资源值按照时间先后顺序排序后,形成资源值序列,可将该资源值序列视为历史资源数据。例如可记为:<x1,y1>,···,<xt,yt>,···,<xT,yT>,其中,xt表示历史时刻,可以是时间戳,例如可以是日期(年/月/日/时/分/秒),t表示历史时刻的序号,T表示历史时刻的数量;yt是xt时刻对应的历史资源值,可以是企业资源的历史实际值。表1给出了一种历史资源数据示例,可参考表1进行理解。
表1、一种历史资源数据
时间戳xt | 历史实际值yt |
2020-05-11 | 20.5 |
2020-05-12 | 18.1 |
······ | ······ |
2020-07-12 | 25.1 |
2020-07-13 | 29.2 |
步骤202、将历史资源数据输入至预设指标对应的初始资源预测模型的预设损失函数中。
其中,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数。示例性的,可以根据预设指标的特点有针对性地设定初始资源预测模型。
示例性的,对于趋势项,可以选择一种函数形式ft及其中包含的第一预设参数k,确定出资源趋势项的表达式ft(xt-x1,k)。ft的具体形式及其参数可以根据业务经验设定。
例如,若选择ft为线性函数,则趋势项的表达式可以为:
ft(xt-x1,k)=ka(xt-x1)+kb,k={ka,kb}
其中,第一预设参数中包含2个子项目,ka可称为第一预设子参数,kb可称为第二预设子参数。
又如,若选择ft为二次函数,则趋势项的表达式可以为:
ft(xt-x1,k)=ka(xt-x1)2+kb(xt-x1)+kc,k={ka,kb,kc}
其中,第一预设参数中包含3个子项目,ka可称为第一预设子参数,kb可称为第二预设子参数,kc可称为第三预设子参数。
示例性的,对于周期项,可以选择一种周期性函数形式gt及其中包含的第二预设参数m,确定出资源周期项的表达式gt(xt-x1,m)。gt的具体形式及其参数可以根据业务经验设定。
例如,若选择gt为n阶正弦函数,则周期项的表达式可以为:
其中,sin表示正弦函数,第一预设参数中包含3个子项目,为便于区分,N可称为第一预设系数,V可称为第二预设系数,sn可称为第三预设系数。
若选择gt为锯齿波函数,则周期项的表达式为:
其中,sawtooth表示锯齿波函数,第一预设参数中包含2个子项目,为便于区分,V可称为第一预设系数,ma可称为第二预设系数。
其中,预设损失函数服从折叠正态分布,包含第一表达式和第二表达式。第一表达式包括第一正态分布在各历史资源值处的对数似然函数,其中,第一正态分布中的第一均值根据趋势项和所述周期项确定;第二表达式包括第二正态分布在各历史资源值处的对数似然函数,其中,第二正态分布的第二均值根据第三正态分布与第一正态分布的差值的自然指数运算确定,第三正态分布的第三均值根据趋势项的负数和周期项的负数确定。
示例性的,预设损失函数loss可通过如下表达式表示:
logat=log_nornal(yt|ft(xt-x1,k)+gt(xt-x1,m),σ)
logbt=log_nornal(yt|-ft(xt-x1,k)-gt(xt-x1,m),σ)
其中,log_nornal(yt|ut,σ)表示均值为ut、方差为σ的正态分布在yt处的对数似然函数值;exp()表示自然指数运算;log()表示自然对数运算。
如上述举例,则第一表达式可以为第二表达式可以为预设损失函数loss为第一表达式和第二表达式的和。而相关技术中,损失函数一般仅包含上述第一表达式,无法达到本公开实施例中的准确的预测效果。
本步骤中,可以将前述<x1,y1>,···,<xt,yt>,···,<xT,yT>代入预设损失函数loss中。
步骤203、根据输出结果以预设损失函数的取值最小为目标,求解初始资源预测模型中的预设参数对应的目标参数值。
其中,求解过程中的决策变量包括预设参数和预设损失函数中各正态分布中的方差,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值。
示例性的,以k、m、σ为决策变量,采用数值优化算法求解如下表达式所示的优化问题,从而得到k、m、σ的最优值,将此最优值记作符号
步骤204、根据目标资源预测模型中的目标趋势项确定第一预设数量的目标趋势值,根据目标资源预测模型中的目标周期项确定第一预设数量的目标周期值。
其中,所述第一预设数量为所述预设指标对应的预设未来时段中的未来时刻的个数,所述目标趋势项中的第一预设参数的取值为所述第一目标参数值,所述目标周期项中的第二预设参数的取值为所述第二目标参数值。
示例性的,第一预设数量记为H。假设需要预测未来5天的资源数据,可以设定H=5天,也即以天为单位,H可以是5;假设需要预测未来720小时的资源,可设定H=720小时,也即以小时为单位,H可以是720。
示例性的,可以基于前述步骤所确定的趋势项的表达式和确定目标趋势项,并按照如下表达式计算目标趋势值,共计H个目标趋势值:
示例性的,可以基于前述步骤所确定的周期项的表达式和确定目标周期项,并按照如下表达式计算目标周期值,共计H个目标周期值:
步骤205、根据目标趋势值、目标周期值和目标方差确定第一预设数量的第四正态分布。
示例性的,可以基于步骤204中得到的H个和/>以及步骤203中得到的/>选取H个正态分布,也即第四正态分布,每个正态分布的均值为方差为/>可以通过如下表达式表示:
步骤206、对第一预设数量的第四正态分布分别进行预设次数的采样,得到第一预设数量的样本集,对样本集进行拼接,得到初始资源预测数据。
对上述H个第四正态分布进行采样,每个第四正态分布均采样M次,得到H个样本集
其中,是一个1*M的向量。M取大于500的整数,如1000等。
将全部H个样本集按行拼接在一起得到初始样本Yraw,Yraw是一个H*M的矩阵,也即初始资源预测数据,可以表示为如下矩阵:
步骤207、对初始资源预测数据进行取绝对值操作,将操作结果记为中间资源预测数据,操作结果中包含未来时刻和对应的中间预测资源值。
示例性的,对初始样本Yraw中的每一个元素施加取绝对值操作,得到矩阵Yfinal,可记为中间资源预测数据:
Yfinal=|Yraw|
步骤208、针对每个未来时刻,获取操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值,计算第二预设数量的中间预测资源值对应的平均值,将平均值确定为当前未来时刻对应的目标预测资源值,计算第二预设数量的中间预测资源值的第三预设数量的分位点,根据分位点确定当前未来时刻对应的目标预测资源值区间。
其中,所述第二预设数量与所述预设次数相等。
示例性的,对于每一个t=T+1,·····,T+H,依次取出Yfinal中对应的行对于该行/>的M个预测值:
(1)计算此M个值的均值(mean),并将此均值作为未来t时刻的资源的预测值(目标预测资源值);
(2)计算此M个值的若干分位点,并根据这些分位点确定未来t时刻的资源预测区间。其中,分位点的数量不做限定,每两个相邻的分位点构成一个资源预测子区间。分位点的取值可以依次为2%(pct2)、4%(pct4)、······、96%(pct96)、98%(pct98)。
步骤209、根据所有未来时刻对应的目标预测资源值和目标预测资源值区间,确定目标资源预测数据。
示例性的,可以根据所有未来时刻对应的目标预测资源值和目标预测资源值区间进行图标绘制并进行可视化输出,每个预测子区间用不同的颜色表示,例如,越接近目标预测资源值的预测子区间的颜色越深。
本公开实施例提供的资源数据预测方法,针对业务指标合理设置资源预测模型中包含的趋势项和周期项,并将资源预测模型对应的损失函数设置为服从折叠正态分布,根据趋势项和周期项确定各正态分布中的均值,将历史资源数据输入至损失函数后,以损失函数最小为目标,以趋势项和周期项中包含的参数以及正态分布中的方差为决策变量进行求解,得到目标资源预测模型,对目标资源预测模型的初步预测结果进行取绝对值操作,使得最终的资源预测数据满足资源数据特有的非负时序数据的特点,保证预测结果的准确性,同时,采用预测值和预测区间的形式来表征预测结果,可以更加有效地指导业务和辅助决策。
需要说明的是,本公开实施例中的资源数据的资源值的含义可以根据所应用的具体场景来适应性调整,可以是数量,可以是金额(如账户余额、报销金额、销售额或运营成本等),还可以是其他量化方式等。图3为本公开实施例提供的一种资源数据预测装置的结构框图,该装置可由软件和/或硬件实现,一般可集成在电子设备中,可通过执行资源数据预测方法来进行资源数据预测。如图3所示,该装置包括:
历史资源数据获取模块301,用于获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据;
初始资源预测数据确定模块302,用于根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;
目标资源预测数据确定模块303,用于对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。
本公开实施例中提供的资源数据预测装置,获取预设指标对应的历史资源数据,其中,历史资源数据包括针对预设指标在预设历史时段内进行采样得到的资源数据,根据历史资源数据生成预设指标对应的预设未来时段内的初始资源预测数据,对初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。通过采用上述技术方案,根据历史资源数据自动生成初始资源预测数据,并对初始资源预测数据进行取值操作,使得最终资源预测数据能够满足资源数据特的特点,提高预测效率的同时,保证预测结果的准确性。
可选的,初始资源预测数据确定模块具体用于:将所述历史资源数据输入至所述预设指标对应的初始资源预测模型的预设损失函数中,并根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,得到目标资源预测模型,其中,所述预设损失函数服从折叠正态分布;根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据。
所述对所述初始资源预测数据进行取值操作,包括:对所述初始资源预测数据进行取绝对值操作。
可选的,所述初始资源预测数据确定模块具体用于:利用初始资源预测模型根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,其中,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数。
可选的,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数,所述历史资源数据中包含历史时刻和对应的历史资源值,所述预设损失函数中包含第一表达式和第二表达式;所述第一表达式包括第一正态分布在各历史资源值处的对数似然函数,其中,所述第一正态分布中的第一均值根据所述趋势项和所述周期项确定;所述第二表达式包括第二正态分布在各历史资源值处的对数似然函数,其中,所述第二正态分布的第二均值根据第三正态分布与所述第一正态分布的差值的自然指数运算确定,所述第三正态分布的第三均值根据所述趋势项的负数和所述周期项的负数确定。
可选的,所述预设损失函数中包含正态分布,所述根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,包括:根据输出结果以所述预设损失函数的取值最小为目标,求解所述初始资源预测模型中的预设参数对应的目标参数值,其中,求解过程中的决策变量包括所述预设参数和所述预设损失函数中各正态分布中的方差,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值。
可选的,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数,所述预设损失函数中包含正态分布。
所述根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,包括:根据输出结果求解所述初始资源预测模型中的预设参数对应的目标参数值,其中,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值。
所述根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据,包括:根据所述目标资源预测模型中的目标趋势项确定第一预设数量的目标趋势值,其中,所述第一预设数量为所述预设指标对应的预设未来时段中的未来时刻的个数,所述目标趋势项中的第一预设参数的取值为所述第一目标参数值;根据所述目标资源预测模型中的目标周期项确定所述第一预设数量的目标周期值,其中,所述目标周期项中的第二预设参数的取值为所述第二目标参数值;根据所述目标趋势值、所述目标周期值和所述目标方差确定所述第一预设数量的第四正态分布;对所述第一预设数量的第四正态分布分别进行预设次数的采样,得到所述第一预设数量的样本集;对所述样本集进行拼接,得到初始资源预测数据。
可选的,操作结果中包含未来时刻和对应的中间预测资源值,目标资源预测数据确定模块包括绝对值操作子模块和目标资源预测数据确定子模块。所述绝对值操作子模块,用于对所述初始资源预测数据进行取绝对值操作。所述目标资源预测数据确定子模块,用于:针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值,采用预设计算方式计算所述第二预设数量的中间预测资源值对应的目标值,将所述目标值确定为所述当前未来时刻对应的目标预测资源值,其中,所述第二预设数量与所述预设次数相等;根据所有未来时刻对应的目标预测资源值确定目标资源预测数据。
可选的,所述目标资源预测数据确定子模块,还用于:在所述针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值之后,计算所述第二预设数量的中间预测资源值的第三预设数量的分位点,根据所述分位点确定所述当前未来时刻对应的目标预测资源值区间;
相应的,所述根据所有未来时刻对应的目标预测资源值确定目标资源预测数据,包括:根据所有未来时刻对应的目标预测资源值和目标预测资源值区间,确定目标资源预测数据。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据;根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,目标资源预测数据确定模块还可以被描述为“对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种资源数据预测方法,包括:
获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据;
根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;
对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。
进一步的,所述根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,包括:
将所述历史资源数据输入至所述预设指标对应的初始资源预测模型的预设损失函数中,并根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,得到目标资源预测模型,其中,所述预设损失函数服从折叠正态分布;
根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据;
其中,所述对所述初始资源预测数据进行取值操作,包括:
对所述初始资源预测数据进行取绝对值操作。
进一步的,所述根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,包括:
利用初始资源预测模型根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,其中,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数。
进一步的,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数,所述历史资源数据中包含历史时刻和对应的历史资源值,所述预设损失函数中包含第一表达式和第二表达式;
所述第一表达式包括第一正态分布在各历史资源值处的对数似然函数,其中,所述第一正态分布中的第一均值根据所述趋势项和所述周期项确定;
所述第二表达式包括第二正态分布在各历史资源值处的对数似然函数,其中,所述第二正态分布的第二均值根据第三正态分布与所述第一正态分布的差值的自然指数运算确定,所述第三正态分布的第三均值根据所述趋势项的负数和所述周期项的负数确定。
进一步的,所述预设损失函数中包含正态分布,所述根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,包括:
根据输出结果以所述预设损失函数的取值最小为目标,求解所述初始资源预测模型中的预设参数对应的目标参数值,其中,求解过程中的决策变量包括所述预设参数和所述预设损失函数中各正态分布中的方差,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值。
进一步的,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数,所述预设损失函数中包含正态分布;
所述根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,包括:
根据输出结果求解所述初始资源预测模型中的预设参数对应的目标参数值,其中,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值;
所述根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据,包括:
根据所述目标资源预测模型中的目标趋势项确定第一预设数量的目标趋势值,其中,所述第一预设数量为所述预设指标对应的预设未来时段中的未来时刻的个数,所述目标趋势项中的第一预设参数的取值为所述第一目标参数值;
根据所述目标资源预测模型中的目标周期项确定所述第一预设数量的目标周期值,其中,所述目标周期项中的第二预设参数的取值为所述第二目标参数值;
根据所述目标趋势值、所述目标周期值和所述目标方差确定所述第一预设数量的第四正态分布;
对所述第一预设数量的第四正态分布分别进行预设次数的采样,得到所述第一预设数量的样本集;
对所述样本集进行拼接,得到初始资源预测数据。
进一步的,操作结果中包含未来时刻和对应的中间预测资源值,所述根据操作结果确定目标资源预测数据,包括:
针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值,采用预设计算方式计算所述第二预设数量的中间预测资源值对应的目标值,将所述目标值确定为所述当前未来时刻对应的目标预测资源值,其中,所述第二预设数量与所述预设次数相等;
根据所有未来时刻对应的目标预测资源值确定目标资源预测数据。
进一步的,在所述针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值之后,还包括:
计算所述第二预设数量的中间预测资源值的第三预设数量的分位点,根据所述分位点确定所述当前未来时刻对应的目标预测资源值区间;
相应的,所述根据所有未来时刻对应的目标预测资源值确定目标资源预测数据,包括:
根据所有未来时刻对应的目标预测资源值和目标预测资源值区间,确定目标资源预测数据。
根据本公开的一个或多个实施例,提供了一种资源数据预测装置,包括:
历史资源数据获取模块,用于获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据;
初始资源预测数据确定模块,用于根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;
目标资源预测数据确定模块,用于对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种资源数据预测方法,其特征在于,包括:
获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据,所述预设指标为存在资源数据预测需求的业务对应的预测指标;
根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;
对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据;
所述根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,包括:
将所述历史资源数据输入至所述预设指标对应的初始资源预测模型的预设损失函数中,并根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,得到目标资源预测模型,其中,所述预设损失函数服从折叠正态分布;
根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据;
其中,所述对所述初始资源预测数据进行取值操作,包括:
对所述初始资源预测数据进行取绝对值操作。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,包括:
利用初始资源预测模型根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据,其中,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数。
3.根据权利要求1所述的方法,其特征在于,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数,所述历史资源数据中包含历史时刻和对应的历史资源值,所述预设损失函数中包含第一表达式和第二表达式;
所述第一表达式包括第一正态分布在各历史资源值处的对数似然函数,其中,所述第一正态分布中的第一均值根据所述趋势项和所述周期项确定;
所述第二表达式包括第二正态分布在各历史资源值处的对数似然函数,其中,所述第二正态分布的第二均值根据第三正态分布与所述第一正态分布的差值的自然指数运算确定,所述第三正态分布的第三均值根据所述趋势项的负数和所述周期项的负数确定。
4.根据权利要求1所述的方法,其特征在于,所述预设损失函数中包含正态分布,所述根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,包括:
根据输出结果以所述预设损失函数的取值最小为目标,求解所述初始资源预测模型中的预设参数对应的目标参数值,其中,求解过程中的决策变量包括所述预设参数和所述预设损失函数中各正态分布中的方差,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值。
5.根据权利要求2-4任一所述的方法,其特征在于,所述初始资源预测模型中包括趋势项和周期项,所述预设参数包括所述趋势项中的第一预设参数和所述周期项中的第二预设参数,所述预设损失函数中包含正态分布;
所述根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,包括:
根据输出结果求解所述初始资源预测模型中的预设参数对应的目标参数值,其中,求解得到的方差的取值记为目标方差,求解得到的第一预设参数的取值记为第一目标参数值,求解得到的第二预设参数的取值记为第二目标参数值;
所述根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据,包括:
根据所述目标资源预测模型中的目标趋势项确定第一预设数量的目标趋势值,其中,所述第一预设数量为所述预设指标对应的预设未来时段中的未来时刻的个数,所述目标趋势项中的第一预设参数的取值为所述第一目标参数值;
根据所述目标资源预测模型中的目标周期项确定所述第一预设数量的目标周期值,其中,所述目标周期项中的第二预设参数的取值为所述第二目标参数值;
根据所述目标趋势值、所述目标周期值和所述目标方差确定所述第一预设数量的第四正态分布;
对所述第一预设数量的第四正态分布分别进行预设次数的采样,得到所述第一预设数量的样本集;
对所述样本集进行拼接,得到初始资源预测数据。
6.根据权利要求5所述的方法,其特征在于,操作结果中包含未来时刻和对应的中间预测资源值,所述根据操作结果确定目标资源预测数据,包括:
针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值,采用预设计算方式计算所述第二预设数量的中间预测资源值对应的目标值,将所述目标值确定为所述当前未来时刻对应的目标预测资源值,其中,所述第二预设数量与所述预设次数相等;
根据所有未来时刻对应的目标预测资源值确定目标资源预测数据。
7.根据权利要求6所述的方法,其特征在于,在所述针对每个未来时刻,获取所述操作结果中与当前未来时刻对应的第二预设数量的中间预测资源值之后,还包括:
计算所述第二预设数量的中间预测资源值的第三预设数量的分位点,根据所述分位点确定所述当前未来时刻对应的目标预测资源值区间;
相应的,所述根据所有未来时刻对应的目标预测资源值确定目标资源预测数据,包括:
根据所有未来时刻对应的目标预测资源值和目标预测资源值区间,确定目标资源预测数据。
8.一种资源数据预测装置,其特征在于,包括:
历史资源数据获取模块,用于获取预设指标对应的历史资源数据,其中,所述历史资源数据包括针对所述预设指标在预设历史时段内进行采样得到的资源数据,所述预设指标为存在资源数据预测需求的业务对应的预测指标;
初始资源预测数据确定模块,用于根据所述历史资源数据生成所述预设指标对应的预设未来时段内的初始资源预测数据;
目标资源预测数据确定模块,用于对所述初始资源预测数据进行取值操作,根据操作结果确定目标资源预测数据;
初始资源预测数据确定模块,具体用于:
将所述历史资源数据输入至所述预设指标对应的初始资源预测模型的预设损失函数中,并根据输出结果确定所述初始资源预测模型中的预设参数对应的目标参数值,得到目标资源预测模型,其中,所述预设损失函数服从折叠正态分布;
根据所述目标资源预测模型确定所述预设指标对应的预设未来时段内的初始资源预测数据;
所述对所述初始资源预测数据进行取值操作,包括:对所述初始资源预测数据进行取绝对值操作。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
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,该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536221.0A CN113159453B (zh) | 2021-05-17 | 2021-05-17 | 资源数据预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536221.0A CN113159453B (zh) | 2021-05-17 | 2021-05-17 | 资源数据预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159453A CN113159453A (zh) | 2021-07-23 |
CN113159453B true CN113159453B (zh) | 2024-04-30 |
Family
ID=76876391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536221.0A Active CN113159453B (zh) | 2021-05-17 | 2021-05-17 | 资源数据预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159453B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662100B (zh) * | 2022-09-27 | 2024-03-15 | 荣耀终端有限公司 | 数据处理方法和电子设备 |
CN117391763B (zh) * | 2023-12-12 | 2024-04-12 | 百融至信(北京)科技有限公司 | 申请信息趋势确定方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875027A (zh) * | 2016-06-06 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 资源请求值的预测方法及装置、交易量的预测方法 |
CN110390425A (zh) * | 2019-06-20 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 预测方法以及装置 |
CN111091095A (zh) * | 2019-12-19 | 2020-05-01 | 华中科技大学 | 一种遥感图像中船只目标的检测方法 |
CN111160614A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 资源转移预测模型的训练方法、装置及计算设备 |
CN111311083A (zh) * | 2020-02-10 | 2020-06-19 | 上海工程技术大学 | 一种基于指数损失函数的隐性质量成本预估方法 |
WO2021012342A1 (en) * | 2019-07-23 | 2021-01-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for traffic prediction |
CN112489224A (zh) * | 2020-11-26 | 2021-03-12 | 北京字跳网络技术有限公司 | 图像绘制方法、装置、可读介质及电子设备 |
WO2021052156A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
CN112631890A (zh) * | 2020-12-31 | 2021-04-09 | 西安理工大学 | 基于lstm-aco模型预测云服务器资源性能的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3408727B2 (ja) * | 1997-08-26 | 2003-05-19 | 株式会社ワカ製作所 | 起振装置及びゲーム機の振動機能付操作装置 |
CN110198244B (zh) * | 2019-06-19 | 2022-02-18 | 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 |
-
2021
- 2021-05-17 CN CN202110536221.0A patent/CN113159453B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875027A (zh) * | 2016-06-06 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 资源请求值的预测方法及装置、交易量的预测方法 |
CN110390425A (zh) * | 2019-06-20 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 预测方法以及装置 |
WO2021012342A1 (en) * | 2019-07-23 | 2021-01-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for traffic prediction |
WO2021052156A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
CN111160614A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 资源转移预测模型的训练方法、装置及计算设备 |
CN111091095A (zh) * | 2019-12-19 | 2020-05-01 | 华中科技大学 | 一种遥感图像中船只目标的检测方法 |
CN111311083A (zh) * | 2020-02-10 | 2020-06-19 | 上海工程技术大学 | 一种基于指数损失函数的隐性质量成本预估方法 |
CN112489224A (zh) * | 2020-11-26 | 2021-03-12 | 北京字跳网络技术有限公司 | 图像绘制方法、装置、可读介质及电子设备 |
CN112631890A (zh) * | 2020-12-31 | 2021-04-09 | 西安理工大学 | 基于lstm-aco模型预测云服务器资源性能的方法 |
Non-Patent Citations (3)
Title |
---|
Prediction of combustion state through a semi-supervised learning model and flame imaging;Zhezhe Han,等;fuel;第289卷;第1-15页 * |
不同损失函数下偏正态分布的 Bayes 估计;孙玉莹,等;吉林大学学报 (理学版);第50卷(第4期);第638-646页 * |
基于改进神经网络的IaaS云资源需求预测方法;陈志佳;朱元昌;邸彦强;冯少冲;;华中科技大学学报(自然科学版)(01);第46-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113159453A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159453B (zh) | 资源数据预测方法、装置、设备及存储介质 | |
CN111861225B (zh) | 一种任务分配方法、装置、电子设备及存储介质 | |
CN110766184A (zh) | 订单量预测方法和装置 | |
CN114004425A (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
CN115357350A (zh) | 任务配置方法、装置、电子设备和计算机可读介质 | |
CN114049072B (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN116757731B (zh) | 航班季节因子的预测方法、装置、电子设备和存储介质 | |
CN112308378A (zh) | 调度设备控制方法、装置、电子设备和计算机可读介质 | |
CN116756616A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112132722B (zh) | 政务热线数量趋势异常确定方法、装置、电子设备及介质 | |
CN113436003A (zh) | 时长确定方法、装置、电子设备、介质和程序产品 | |
CN112906723A (zh) | 一种特征选择的方法和装置 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
CN116757728B (zh) | 一种历史航班的销售数据的处理方法及相关装置 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN115689210B (zh) | 基于用水用电隐私数据的水电调整方法、装置、电子设备 | |
CN116384945B (zh) | 一种项目管理方法和系统 | |
WO2023155425A1 (zh) | 调货方法、装置、电子设备和计算机可读介质 | |
CN117668384A (zh) | 一种历史样本航班数据确定方法及相关装置 | |
Dong et al. | Research on the optimal number of equipment maintenance personnel in enterprises | |
CN115545341A (zh) | 一种事件预测方法、装置、电子设备及存储介质 | |
CN117713048A (zh) | 基于农网用电集成的用电终端供电方法、装置和设备 | |
CN117670409A (zh) | 一种航班订座曲线拟合方法及相关装置 | |
CN116205572A (zh) | 缓冲库存信息生成方法、装置、设备和计算机可读介质 | |
CN117709816A (zh) | 基于物品需求量的物品运输方法、装置、电子设备与介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |