CN113329128A - 话务数据预测方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开提供了一种话务数据预测方法、话务数据预测装置、电子设备及计算机可读存储介质，属于计算机技术领域。该方法包括：获取按照时间粒度所统计的实际话务数据，对处于不同时间段的所述实际话务数据添加所述时间段对应的时间类型标签；在所述时间类型标签中确定待预测时间段对应的目标时间类型标签；对所述目标时间类型标签下的实际话务数据进行时间序列分解，得到所述目标时间类型标签对应的时间序列模型；利用所述时间序列模型确定所述待预测时间段的预测话务数据。本公开可以准确、有效的对话务数据进行预测。

Description

话务数据预测方法及装置、电子设备、存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种话务数据预测方法、话务数据预测装置、电子设备及计算机可读存储介质。

背景技术

随着通信产业的高速发展，通信网络承载的业务量迅猛增长，为了及时掌握通信网络的状态，需要获取用户的话务数据进行分析，例如申告数据，以便于及时对故障问题进行处理。然而，当用户的话务数据量较大或者超过通信网络的正常承载能力时，可能会导致出现网络故障或者不能及时、有效的获取用户的申告数据，以对网络故障进行维护的情况。

现有技术，常常采用固定的告警阈值对用户的话务数据进行异常判断。但是，在实际应用中，用户的话务数据在不同的时间段内可能具有不同的变化趋势，采用同一固定的告警阈值，难以根据实际话务数据对应的时间段的特性进行准确的告警。因此，如何采用准确、有效的方式，对用户的话务数据进行预测是现有技术亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种话务数据预测方法、话务数据预测装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有技术中无法准确、有效预测用户话务数据的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种话务数据预测方法，包括：获取按照时间粒度所统计的实际话务数据，对处于不同时间段的所述实际话务数据添加所述时间段对应的时间类型标签；在所述时间类型标签中确定待预测时间段对应的目标时间类型标签；对所述目标时间类型标签下的实际话务数据进行时间序列分解，得到所述目标时间类型标签对应的时间序列模型；利用所述时间序列模型确定所述待预测时间段的预测话务数据。

在本公开的一种示例性实施例中，所述方法还包括：利用所述时间序列模型确定话务数据的置信区间；在当前的实际话务数据超出所述置信区间时进行告警。

在本公开的一种示例性实施例中，所述对所述目标时间类型标签下的实际话务数据进行时间序列分解，得到所述目标时间类型标签对应的时间序列模型，包括：对所述目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量；基于所述趋势分量与所述周期分量，建立所述目标时间类型标签对应的时间序列模型。

在本公开的一种示例性实施例中，所述对所述目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量，包括以下第一循环过程：对所述目标时间类型标签下的实际话务数据剔除趋势分量，得到第一中间序列；在所述第一中间序列中，将各周期的偏移时间相同的数据点形成一个子序列；所述偏移时间为所述数据点的绝对时间相对于所述数据点所在周期的基准时间的偏移量；对各所述子序列进行拟合，以更新周期分量；对所述目标时间类型标签下的实际话务数据剔除所述周期分量，得到第二中间序列；对所述第二中间序列进行拟合，以更新所述趋势分量。

在本公开的一种示例性实施例中，所述对各所述子序列进行拟合，以更新周期分量，包括：对各所述子序列进行拟合，得到第一周期分量序列；获取所述第一周期分量序列的滑动平均数据，并对所述滑动平均数据进行拟合，得到第二周期分量序列；根据所述第一周期分量序列与所述第二周期分量序列之差，更新所述周期分量。

在本公开的一种示例性实施例中，所述对各所述子序列进行拟合，以更新周期分量，包括：基于权重调整参数确定所述子序列中各数据点的权重，并通过局部权重回归算法对所述子序列进行拟合，根据各子序列的拟合结果更新所述周期分量；所述对所述第二中间序列进行拟合，以更新所述趋势分量，包括：基于所述权重调整参数确定所述第二中间序列中各数据点的权重，并通过局部权重回归算法对所述第二中间序列进行拟合，根据所述第二中间序列的拟合结果更新所述趋势分量。

在本公开的一种示例性实施例中，所述对所述目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量，还包括以下第二循环过程：对所述目标时间类型标签下的实际话务数据剔除所述趋势分量与所述周期分量，得到余项；根据所述目标时间类型标签下的实际话务数据中每个数据点对应的余项值与所述余项中的基准值之比，确定所述每个数据点的权重调整参数。

根据本公开的第二方面，提供一种话务数据预测装置，包括：话务数据获取模块，用于获取按照时间粒度所统计的实际话务数据，对处于不同时间段的所述实际话务数据添加所述时间段对应的时间类型标签；类型标签确定模块，用于在所述时间类型标签中确定待预测时间段对应的目标时间类型标签；时间序列分解模块，用于对所述目标时间类型标签下的实际话务数据进行时间序列分解，得到所述目标时间类型标签对应的时间序列模型；话务数据预测模块，用于利用所述时间序列模型确定所述待预测时间段的预测话务数据。

在本公开的一种示例性实施例中，话务数据预测装置还可以包括：置信区间确定模块，用于利用所述时间序列模型确定话务数据的置信区间；告警模块，用于在当前的实际话务数据超出所述置信区间时进行告警。

在本公开的一种示例性实施例中，时间序列分解模块包括：分量获得单元，用于对所述目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量；模型建立单元，用于基于所述趋势分量与所述周期分量，建立所述目标时间类型标签对应的时间序列模型。

在本公开的一种示例性实施例中，分量获得单元包括以下第一循环过程：第一序列获取子单元，用于对所述目标时间类型标签下的实际话务数据剔除趋势分量，得到第一中间序列；子序列形成子单元，用于在所述第一中间序列中，将各周期的偏移时间相同的数据点形成一个子序列；所述偏移时间为所述数据点的绝对时间相对于所述数据点所在周期的基准时间的偏移量；周期分量更新子单元，用于对各所述子序列进行拟合，以更新周期分量；第二中间序列获取子单元，用于对所述目标时间类型标签下的实际话务数据剔除所述周期分量，得到第二中间序列；趋势分量更新子单元，用于对所述第二中间序列进行拟合，以更新所述趋势分量。

在本公开的一种示例性实施例中，周期分量更新子单元包括：第一拟合子单元，用于对各所述子序列进行拟合，得到第一周期分量序列；第二拟合子单元，用于获取所述第一周期分量序列的滑动平均数据，并对所述滑动平均数据进行拟合，得到第二周期分量序列；周期分量更新子单元，用于根据所述第一周期分量序列与所述第二周期分量序列之差，更新所述周期分量。

在本公开的一种示例性实施例中，周期分量更新子单元包括：第一权重确定子单元，用于基于权重调整参数确定所述子序列中各数据点的权重，并通过局部权重回归算法对所述子序列进行拟合，根据各子序列的拟合结果更新所述周期分量；趋势分量更新子单元包括：第二权重确定子单元，用于基于所述权重调整参数确定所述第二中间序列中各数据点的权重，并通过局部权重回归算法对所述第二中间序列进行拟合，根据所述第二中间序列的拟合结果更新所述趋势分量。

在本公开的一种示例性实施例中，分量获得单元还包括以下第二循环过程：余项获取子单元，用于对所述目标时间类型标签下的实际话务数据剔除所述趋势分量与所述周期分量，得到余项；权重调整参数确定子单元，用于根据所述目标时间类型标签下的实际话务数据中每个数据点对应的余项值与所述余项中的基准值之比，确定所述每个数据点的权重调整参数。

根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开的示例性实施例具有以下有益效果：

获取按照时间粒度所统计的实际话务数据，对处于不同时间段的实际话务数据添加时间段对应的时间类型标签；在时间类型标签中确定待预测时间段对应的目标时间类型标签；对目标时间类型标签下的实际话务数据进行时间序列分解，得到目标时间类型标签对应的时间序列模型；利用时间序列模型确定待预测时间段的预测话务数据。一方面，本示例性实施例提出一种新的话务数据预测方法，从不同时间段的话务数据具有差异的角度出发，通过不同目标时间类型标签对应的时间序列模型对待预测时间段的话务数据进行预测，使话务数据的预测结果与待预测时间段的特性相关联，能够提高话务数据预测的准确性，以及不同时间段的话务数据预测的针对性；另一方面，本示例性实施例通过对实际的话务数据进行时间序列分解，得到时间序列模型进行话务数据的预测，且对不同待预测时间段的话务数据可以使用不同的时间序列模型进行预测，在不增加操作流程复杂度的同时，还能够保证较高的预测准确度，另外，预测过程能够与实际的时间情况结合，有利于提升话务数据预警任务的鲁棒性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本示例性实施例中一种话务数据预测方法的系统架构图；

图2示意性示出本示例性实施例中一种话务数据预测方法的流程图；

图3示意性示出本示例性实施例中一种话务数据预测方法的子流程图；

图4示意性示出本示例性实施例中另一种话务数据预测方法的子流程图；

图5示意性示出本示例性实施例中再一种话务数据预测方法的子流程图；

图6示意性示出本示例性实施例中更新周期分量的流程图；

图7示意性示出本示例性实施例中再一种话务数据预测方法的子流程图；

图8示意性示出本示例性实施例中一种时间序列模型建立的流程图；

图9示意性示出本示例性实施例中一种话务数据预测方法的架构示意图；

图10示意性示出本示例性实施例中一种话务数据预测装置的结构框图；

图11示意性示出本示例性实施例中一种用于实现上述方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种话务数据预测方法，本实施例方法的应用场景可以是：对话务数据进行预测，根据预测结果进行及时有效的告警。

图1示出了本示例性实施例的运行环境的一种系统架构示意图，参考图1所示，该系统100可以包括用户终端110、网络120以及服务器130。其中，用户终端110可以是用户使用终端，如手机、个人电脑或平板电脑等，服务器130可以通过网络120获取用户终端110的话务数据，并基于获取的话务数据进行预测得到话务数据的预测结果。

应当理解，图1中所示各装置的数据仅为示例性的，根据实际需要，可以设置任意数目的用户终端或服务器。

基于上述说明，本示例性实施例中的方法可以应用于图1所示的服务器120上。

下面结合附图1对本示例性实施例做进一步说明，如图2所示，话务数据预测方法可以包括以下步骤S210～S240：

步骤S210，获取按照时间粒度所统计的实际话务数据，对处于不同时间段的实际话务数据添加时间段对应的时间类型标签。

其中，实际话务数据是指实际的用户发起的话务数据，可以包括多种类型的话务数据，例如申告话务数据等，每一话务数据可以对应发起或持续的时间，例如用户发起申告话务数据的时间，或者该申告话务数据的持续时间等。本示例性实施例可以从一个或多个话务数据源中获取用户的实际话务数据，例如从Kafka(一种数据系统)流式集群中获取多个用户的话务记录等，然后通过预先设置的时间粒度对实际话务数据进行统计。其中，时间粒度即为统计实际话务数据的时间单位，该时间粒度可以根据实际需要进行自定义设置，例如可以是10分钟、30分钟、1小时或者12小时等等。在本示例性实施例中，可以按照时间粒度设置对应的时间窗口，并通过滑动时间窗口对实际话务数据进行滑动窗口统计，以确定每一时间窗口对应的实际话务数据。

本示例性实施例在获取实际话务数据之后，还可以对实际话务数据进行预处理，具体的，可以包括数据对齐处理、异常数据处理或者填补处理中的一种或多种。其中，数据对齐处理是指将获取的数据按照一定的规则在空间上进行排列，通过对话务数据进行对齐处理，能够使得系统访问正确对齐的数据时，具有较高的运行效率；异常值处理是指对获取的实际话务数据中的异常数据，例如偏差较大的数据或者错误的数据等，进行剔除、修改或更新等处理；填补处理是指对获取的实际话务数据中缺失或遗漏的数据进行填补的操作，本示例性实施例可以采用线性插值算法进行填补操作。通过上述对实际话务数据的预处理，能够保证获取的话务数据的准确性，从而提高后续话务数据预测的可信度。

时间类型标签是指能够表征实际话务数据属于哪一类型的时间段的标签数据，本示例性实施例可以从多个维度采用多种方式，对不同的时间段赋予不同的时间类型标签，例如按照工作时间性质划分，时间类型标签可以包括工作日时间类型标签和非工作日时间类型标签，周末时间类型标签和非周末时间类型标签，节假日时间类型标签或非节假日时间类型标签等；或者按照时间特性对话务数据的影响进行划分，时间类型标签可以包括稠密时间类型标签，如一天中早8点到晚23点之间话务数据较多，稀疏时间类型标签，例如晚23点至次日8点之间话务数据较少；再或者按照具体的工作时间进行划分，时间类型标签可以包括工作时间类型标签，例如早8点至晚18点，非工作时间类型标签，例如晚18点至次日8点等。具体的时间类型标签可以通过上述文字标签表示，例如工作时间类型标签，也可以直接通过时间标签表示，例如早8点至晚18点时间类型标签等等，具体的时间类型的标签划分方式还可以包括多种，本公开对此不做具体限定。本示例性实施例在获取实际话务数据之后，可以对处于不同时间段的实际话务数据先添加时间段对应的时间类型标签，即确定实际话务数据中每一实际话务数据的时间段对应应当属于哪一类型的时间段。

步骤S220，在时间类型标签中确定待预测时间段对应的目标时间类型标签。

其中，待预测时间段是指需要进行话务数据预测的时间段，例如若想要预测本周末的话务数据时，则待预测时间段即为本周末的时间段，具体的可以是本周末的某一特定时间段如周六早8点至晚18点之间或周六早9点至午12点之间等等。在确定待预测时间段之后，本示例性实施例可以先已有的多种时间类型标签中确定出，与待预测时间段对应的目标类型标签，例如待预测时间段为周六早8点至晚18点，与周末时间类型标签匹配，则目标时间类型标签可以是周末时间类型标签等。需要说明的是，同一待预测时间段可以对应不同的时间类型标签，例如上述周六早8点至晚18点可以对应周末时间类型标签，也可以对应稠密时间类型标签，则稠密时间类型标签也可以作为目标时间类型标签，具体的，可以结合实际需求确定目标时间类型标签，本公开对此不做具体限定。

步骤S230，对目标时间类型标签下的实际话务数据进行时间序列分解，得到目标时间类型标签对应的时间序列模型。

其中，时间序列分解是指将实际话务数据中不同类型的序列数据进行拆分，得到趋势性、周期性以及残差等部分的数据进行分析的方法。时间序列模型即为对待预测时间段中的话务数据进行预测的预测函数。在本示例性实施例中，不同的目标时间类型标签可以对应不同的时间序列模型，即可以采用不同类型的时间段的实际话务数据确定不同的时间序列模型，是的每一时间类型标签可以对应各自的时间序列模型，以便于预测该时间类型标签的话务数据，例如若目标时间类型标签为周末时间类型标签，则可以通过周末时间类型标签下的实际话务数据进行时间序列分解，得到对应周末时间类型标签的时间序列模型；若目标时间类型标签为稠密时间类型标签，则可以通过稠密时间类型标签下的实际话务数据进行时间序列分解，得到对应稠密时间类型标签的时间序列模型等等。

需要说明的是，在本示例性实施例对上述步骤S220与步骤S230的顺序不做具体限定，即可以先确定待预测时间段对应的目标时间类型标签，再确定目标时间类型标签对应的时间序列模型，也可以先确定多种时间类型标签对应的时间序列模型，再确定目标时间类型标签后，从所有时间类型标签对应的时间序列模型中确定出目标时间类型标签对应的时间序列模型等，本公开对此不做具体限定。

步骤S240，利用时间序列模型确定待预测时间段的预测话务数据。

进一步的，通过时间序列模型对待预测时间段的时间进行处理，即可以得到对应时间的话务数据的预测结果，预测结果可以是话务数据量，例如预测本周周六早8点至晚18点的话务数据量，进一步的，可以根据话务数据的预测结果对当前的状态进行告警或预警等，例如预测的话务数据量即将超过通信承载能力时，进行话务量预警等，以便于及时根据预测状态进行网络状态的调整等。

需要说明的是，当目标时间类型标签对应多种时间序列模型时，可以通过多种预测结果共同确定预测结果，例如待预测时间段为周六早8点至晚18点时，可以确定目标时间类型标签为周末时间类型标签或者稠密时间类型标签，则对应的时间序列模型可以是周末时间类型标签的时间序列模型或者稠密时间类型标签的时间序列模型，进一步，可以基于两种时间序列模型的预测结果共同确定周六早8点至晚18点时间段的话务数据的预测结果等等。

在一示例性实施例中，如图3所示，上述话务数据预测方法还可以包括以下步骤：

步骤S310，利用时间序列模型确定话务数据的置信区间；

步骤S320，在当前的实际话务数据超出置信区间时进行告警。

其中，置信区间是指用于衡量用户话务数据是否处于正常范围的标准，本示例性实施例可以分别设置上置信区间与下置信区间，通过置信区间对当前的实际话务数据进行判断，以确定是否进行告警，例如当话务数据超出上置信区域时，告警用户话务数据具有骤升趋势，当话务数据低于下置信区间时，告警用户话务数据具有骤降趋势等。具体的，置信区间可以通过多种方式确定，例如采用时间序列模型对待预测时间段内的话务数据进行预测时，话务数据量超过A数值时，之后保持持续升高的异常趋势，则可以根据A数值确定上置信区间，则若当前的实际话务数据超过A数值时，可以确定进行告警。

另外，本示例性实施例还可以基于不同区域或不同业务，实现“省地市+业务”的多维联动，将预警结果与判断策略相结合，在不同的区域或不业务下使用不同的告警策略，以告警不同场景的大面积故障。

基于上述说明，在本示例性实施例中，获取按照时间粒度所统计的实际话务数据，对处于不同时间段的实际话务数据添加时间段对应的时间类型标签；在时间类型标签中确定待预测时间段对应的目标时间类型标签；对目标时间类型标签下的实际话务数据进行时间序列分解，得到目标时间类型标签对应的时间序列模型；利用时间序列模型确定待预测时间段的预测话务数据。一方面，本示例性实施例提出一种新的话务数据预测方法，从不同时间段的话务数据具有差异的角度出发，通过不同目标时间类型标签对应的时间序列模型对待预测时间段的话务数据进行预测，使话务数据的预测结果与待预测时间段的特性相关联，能够提高话务数据预测的准确性，以及不同时间段的话务数据预测的针对性；另一方面，本示例性实施例通过对实际的话务数据进行时间序列分解，得到时间序列模型进行话务数据的预测，且对不同待预测时间段的话务数据可以使用不同的时间序列模型进行预测，在不增加操作流程复杂度的同时，还能够保证较高的预测准确度，另外，预测过程能够与实际的时间情况结合，有利于提升话务数据预警任务的鲁棒性。

在一示例性实施例中，如图4所示，上述步骤S230可以包括以下步骤：

步骤S410，对目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量；

步骤S420，基于趋势分量与周期分量，建立目标时间类型标签对应的时间序列模型。

本示例性实施例可以采用时间序列分解算法，对目标时间类型标签下的实际话务数据进行拟合，得到多个部分的分量，如趋势分量与周期分量，其中，趋势分量是指能够反映实际话务数据变化趋势的分量，周期分量是指能够表征实际话务数据周期变化的分量。此外，在实际应用中，对实际话务数据进行拟合时，还可以得到余项。基于趋势分量、周期分量以及余项，可以构成完整的实际话务数据。本示例性实施例可以通过实际话务数据进行内层循环和外层循环的算法拟合，来确定稳定的趋势分量与周期分量，趋势分量可以采用非线性模型进行拟合，周期分量可以采用多重傅里叶级数来近似，余项可以近似为高斯白噪声项，具体可以采用均值为0、方差为1的高斯分布模型来拟合。进一步的，基于分解出的趋势分量与周期分量，可以建立目标时间类型标签对应的时间序列模型。

目标时间类型标签对应的时间序列模型可以通过以下公式来表示：

y(t)＝Trend(t)+Period(t)+noise(t)

其中，Trend(t)为趋势分量，Period(t)为周期分量，noise(t)为余项。

在一示例性实施例中，如图5所示，上述步骤S410可以包括以下第一循环过程：

步骤S510，对目标时间类型标签下的实际话务数据剔除趋势分量，得到第一中间序列；

步骤S520，在第一中间序列中，将各周期的偏移时间相同的数据点形成一个子序列；偏移时间为数据点的绝对时间相对于数据点所在周期的基准时间的偏移量；

步骤S530，对各子序列进行拟合，以更新周期分量；

步骤S540，对目标时间类型标签下的实际话务数据剔除周期分量，得到第二中间序列；

步骤S550，对第二中间序列进行拟合，以更新趋势分量。

其中，上述第一循环过程即为内层循环过程，内层循环过程主要进行了趋势分量的拟合和周期分量的计算，假设Trend^k(t)和Period^k(t)为内层循环中，当前时间t的第k-1次低通量过滤的趋势分量和周期分量，初始时，可以设置Trend^k(t)＝0。每个周期相同位置的样本点可以组成一个子序列，则类似的子序列一共可以确定num(s)个，其中，num(s)为一个周期的样本数，周期可以根据需要进行自定义设置，本公开对此不做具体限定。

在本示例性实施例中，内层循环可以包括以下过程：

首先，对实际话务数据进行去趋势，对目标时间类型标签下的实际话务数据进行趋势分量的剔除，得到第一中间序列，例如在每一轮循环中使用当前时间t的实际值y(t)减去上一轮结果中的趋势分量Trend^k(t)，即得到第一中间序列。

其次，将各周期的偏移时间相同的数据点形成一个子序列，并对各子序列进行拟合，以更新周期分量。具体的，在一示例性实施例中，如图6所示，上述步骤S530可以包括以下步骤：

步骤S610，对各子序列进行拟合，得到第一周期分量序列；

步骤S620，获取第一周期分量序列的滑动平均数据，并对滑动平均数据进行拟合，得到第二周期分量序列；

步骤S630，根据第一周期分量序列与第二周期分量序列之差，更新周期分量。

其中，第一周期分量序列，是指更新周期分量过程中的一个序列，可以视为临时的周期分量序列，本示例性实施例在对各子序列进行拟合时，可以先对周期子序列进行平滑处理，具体的，周期型数据的每个时间戳标注了多个序列标签，每种序列标签使用不同周期、不同参数a_n、b_n的傅里叶级数叠加，表示为：

并向前向后各延展一个周期，使用回归算法对每个子序列做拟合，损失函数可以使用局部加权算法对模型进行迭代优化，通过反向传播过程，调整模型各参数值，不断迭代直至收敛，得到一个临时的时间序列，即第一周期分量序列：

其中，t＝-num(s)+1，……，N+num(s)。

进一步的，对第一周期序列进行低通过滤，具体的，对上述第一周期分量序列Temp^k+1(t)，依次做长度为num(s)、num(s)、3的窗口滑动平均，并采用局部加权回归拟合对模型进行迭代优化，得到第二周期分量序列：R^k+1(t)，其中，t＝1，……，N，相当于提出了周期子序列的低通量。

最后，通过第一周期分量序列与第二周期分量序列之差，剔除平滑周期子序列趋势，得到周期分量，表示为：

Period^k+1(t)＝Trend^k+1(t)-R^k+1(t)

基于上述过程，可以对周期分量进行更新。

在完成周期分量的更新之后，可以使用当前时间t的实际值y(t)减去上一轮结果的周期分量Period^k+1(t)得到第二中间序列，再通过对第二中间序列进行迭代优化，对趋势分量进行更新，具体的，可以表示为：

Trend^k+1(t)＝y(t)-Period^k+1(t)

在一示例性实施例中，如图7所示，上述步骤S530可以包括以下步骤：

步骤S710，基于权重调整参数确定子序列中各数据点的权重，并通过局部权重回归算法对子序列进行拟合，根据各子序列的拟合结果更新周期分量；

进一步的，上述步骤S550可以包括：

步骤S720，基于权重调整参数确定第二中间序列中各数据点的权重，并通过局部权重回归算法对第二中间序列进行拟合，根据第二中间序列的拟合结果更新趋势分量。

在本示例性实施例中，需要基于权重调整参数确定子序列中各个数据点的权重，来更新周期分量，以及基于权重调整参数确定第二中间序列中各数据点的权重，来更新趋势分量。具体的，可以通过局部权重回归算法对子序列和第二中间序列进行拟合。局部权重回归的权重可以通过外层循环过程进行调节。

在一示例性实施例中，上述步骤S410还可以包括以下第二循环过程：

对目标时间类型标签下的实际话务数据剔除趋势分量与周期分量，得到余项；

根据目标时间类型标签下的实际话务数据中每个数据点对应的余项值与余项中的基准值之比，确定每个数据点的权重调整参数。

上述第二循环过程即为外层循环过程，用于对局部权重回归的权重w_t进行调整。假设数据序列中存在离群值，则会出现余项较大的情况，因此，本示例性实施例可以通过计算权重调整参数，对权重进行调整。具体的，可以对目标时间类型标签下的实际话务数据剔除趋势分量与周期分量，得到余项R(t)，并定义：h＝6*median(R(t))，其中，median(R(t))表示数据值的中位值，进而可以根据以下公式计算权重调整参数：

其中，当0≤u＜1时，B(u)＝(1-u²)²，当1≤u时，B(u)＝0。每轮内层循环在确定第一周期分量序列Temp^k+1(t)与趋势分量Trend^k+1(t)的过程中进行局部权重回归计算时，权重需要重新根据以下公式进行调整：

w_t＝w_t*ρ_t

以减少离群值对回归的影响。

图8示出了本示例性实施例中时间序列模型算法的流程图，具体可以包括以下步骤：

步骤S802，对目标时间类型标签下的实际话务数据剔除趋势分量，得到第一中间序列；

步骤S804，在第一中间序列中，将各周期的偏移时间相同的数据点形成一个子序列；偏移时间为数据点的绝对时间相对于数据点所在周期的基准时间的偏移量；

步骤S806，对各子序列进行拟合，得到第一周期分量序列；

步骤S808，获取第一周期分量序列的滑动平均数据，并对滑动平均数据进行拟合，得到第二周期分量序列；

步骤S810根据第一周期分量序列与第二周期分量序列之差，更新周期分量；

步骤S812对目标时间类型标签下的实际话务数据剔除周期分量，得到第二中间序列；

步骤S814，对第二中间序列进行拟合，以更新趋势分量；

步骤S816，判断是否收敛；

若收敛，则执行步骤S818，进行外层循环过程，更新权重调整参数；

若不收敛，则返回执行步骤S802内层循环过程；

步骤S820，确定余项分量；

步骤S822，根据周期分量、趋势分量以及余项分量，建立时间序列模型。

其中，步骤S802为剔除趋势分量Trend^k(t)的过程；步骤S804-S806为对周期序列进行平滑处理，得到临时时间序列Temp^k+1(t)的过程；步骤S808为对周期序列进行低通过滤，得到第二周期分量序列R^k+1(t)的过程；步骤S810为剔除平滑周期序列趋势得到周期分量Period^k+1(t)的过程；步骤S812-S814为对趋势分量进行平滑分到趋势分量Trend^k+1(t)的过程，上述步骤S802-S814均为内层循环过程，当判断计算收敛时，可以执行外层循环过程，更新权重调整参数，通过外层循环过程和内层循环过程拟合更新趋势分量与周期分量，最后根据稳定的趋势分量、周期分量与余项分量(如高斯白噪声项)建立时间序列模型。另外，在步骤S802之前，还可以先对参数进行初始化设置。

图9示出了本示例性实施例中一种话务数据预测方法的架构示意图，具体可以包括：首先，从第一集群(如Kafka流式集群)910中获取多个用户的实际话务数据，添加至第二集群(如Spark集群)920中，通过数据采集清洗模块930、数据持久化模块940以及数据预处理模块950对话务数据进行数据清洗、存储、预处理以及添加时间类型标签等数据处理过程，并根据模型生成模块960确定确定时间序列模型，进一步，采用确定的时间序列模型对数据库(如MySQL数据库)970中的待预测时间段内的话务数据进行预测，最后将预测结果在展示模块980中进行显示。

本公开的示例性实施例还提供了一种话务数据预测装置。参照图10，该装置1000可以包括：话务数据获取模块1010，用于获取按照时间粒度所统计的实际话务数据，对处于不同时间段的实际话务数据添加时间段对应的时间类型标签；类型标签确定模块1020，用于在时间类型标签中确定待预测时间段对应的目标时间类型标签；时间序列分解模块1030，用于对目标时间类型标签下的实际话务数据进行时间序列分解，得到目标时间类型标签对应的时间序列模型；话务数据预测模块1040，用于利用时间序列模型确定待预测时间段的预测话务数据。

在一示例性实施例中，话务数据预测装置还可以包括：置信区间确定模块，用于利用时间序列模型确定话务数据的置信区间；告警模块，用于在当前的实际话务数据超出置信区间时进行告警。

在一示例性实施例中，时间序列分解模块包括：分量获得单元，用于对目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量；模型建立单元，用于基于趋势分量与周期分量，建立目标时间类型标签对应的时间序列模型。

在一示例性实施例中，分量获得单元包括以下第一循环过程：第一序列获取子单元，用于对目标时间类型标签下的实际话务数据剔除趋势分量，得到第一中间序列；子序列形成子单元，用于在第一中间序列中，将各周期的偏移时间相同的数据点形成一个子序列；偏移时间为数据点的绝对时间相对于数据点所在周期的基准时间的偏移量；周期分量更新子单元，用于对各子序列进行拟合，以更新周期分量；第二中间序列获取子单元，用于对目标时间类型标签下的实际话务数据剔除周期分量，得到第二中间序列；趋势分量更新子单元，用于对第二中间序列进行拟合，以更新趋势分量。

在一示例性实施例中，周期分量更新子单元包括：第一拟合子单元，用于对各子序列进行拟合，得到第一周期分量序列；第二拟合子单元，用于获取第一周期分量序列的滑动平均数据，并对滑动平均数据进行拟合，得到第二周期分量序列；周期分量更新子单元，用于根据第一周期分量序列与第二周期分量序列之差，更新周期分量。

在一示例性实施例中，周期分量更新子单元包括：第一权重确定子单元，用于基于权重调整参数确定子序列中各数据点的权重，并通过局部权重回归算法对子序列进行拟合，根据各子序列的拟合结果更新周期分量；趋势分量更新子单元包括：第二权重确定子单元，用于基于权重调整参数确定第二中间序列中各数据点的权重，并通过局部权重回归算法对第二中间序列进行拟合，根据第二中间序列的拟合结果更新趋势分量。

在一示例性实施例中，分量获得单元还包括以下第二循环过程：余项获取子单元，用于对目标时间类型标签下的实际话务数据剔除趋势分量与周期分量，得到余项；权重调整参数确定子单元，用于根据目标时间类型标签下的实际话务数据中每个数据点对应的余项值与余项中的基准值之比，确定每个数据点的权重调整参数。

上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明，未披露的细节内容可以参见方法部分的实施例内容，因此此处不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图11来描述根据本公开的这种示例性实施例的电子设备1100。图11显示的电子设备1100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11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130、显示单元1140。

其中，存储单元存储有程序代码，程序代码可以被处理单元1110执行，使得处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元1110可以执行图2、图3、图4、图5、图6、图7或图8所示的步骤等。

存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1121和/或高速缓存存储单元1122，还可以进一步包括只读存储单元(ROM)1123。

存储单元1120还可以包括具有一组(至少一个)程序模块1125的程序/实用工具1124，这样的程序模块1125包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开的示例性实施例还提供了一种用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。

Claims (10)

1.一种话务数据预测方法，其特征在于，包括：

获取按照时间粒度所统计的实际话务数据，对处于不同时间段的所述实际话务数据添加所述时间段对应的时间类型标签；

在所述时间类型标签中确定待预测时间段对应的目标时间类型标签；

对所述目标时间类型标签下的实际话务数据进行时间序列分解，得到所述目标时间类型标签对应的时间序列模型；

利用所述时间序列模型确定所述待预测时间段的预测话务数据。

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：

利用所述时间序列模型确定话务数据的置信区间；

在当前的实际话务数据超出所述置信区间时进行告警。

3.根据权利要求1所述的方法，其特征在于，所述对所述目标时间类型标签下的实际话务数据进行时间序列分解，得到所述目标时间类型标签对应的时间序列模型，包括：

对所述目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量；

基于所述趋势分量与所述周期分量，建立所述目标时间类型标签对应的时间序列模型。

4.根据权利要求3所述的方法，其特征在于，所述对所述目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量，包括以下第一循环过程：

对所述目标时间类型标签下的实际话务数据剔除趋势分量，得到第一中间序列；

在所述第一中间序列中，将各周期的偏移时间相同的数据点形成一个子序列；所述偏移时间为所述数据点的绝对时间相对于所述数据点所在周期的基准时间的偏移量；

对各所述子序列进行拟合，以更新周期分量；

对所述目标时间类型标签下的实际话务数据剔除所述周期分量，得到第二中间序列；

对所述第二中间序列进行拟合，以更新所述趋势分量。

5.根据权利要求4所述的方法，其特征在于，所述对各所述子序列进行拟合，以更新周期分量，包括：

对各所述子序列进行拟合，得到第一周期分量序列；

获取所述第一周期分量序列的滑动平均数据，并对所述滑动平均数据进行拟合，得到第二周期分量序列；

根据所述第一周期分量序列与所述第二周期分量序列之差，更新所述周期分量。

6.根据权利要求4所述的方法，其特征在于，所述对各所述子序列进行拟合，以更新周期分量，包括：

基于权重调整参数确定所述子序列中各数据点的权重，并通过局部权重回归算法对所述子序列进行拟合，根据各子序列的拟合结果更新所述周期分量；

所述对所述第二中间序列进行拟合，以更新所述趋势分量，包括：

基于所述权重调整参数确定所述第二中间序列中各数据点的权重，并通过局部权重回归算法对所述第二中间序列进行拟合，根据所述第二中间序列的拟合结果更新所述趋势分量。

7.根据权利要求6所述的方法，其特征在于，所述对所述目标时间类型标签下的实际话务数据进行拟合，得到趋势分量与周期分量，还包括以下第二循环过程：

对所述目标时间类型标签下的实际话务数据剔除所述趋势分量与所述周期分量，得到余项；

根据所述目标时间类型标签下的实际话务数据中每个数据点对应的余项值与所述余项中的基准值之比，确定所述每个数据点的权重调整参数。

8.一种话务数据预测装置，其特征在于，包括：

话务数据获取模块，用于获取按照时间粒度所统计的实际话务数据，对处于不同时间段的所述实际话务数据添加所述时间段对应的时间类型标签；

类型标签确定模块，用于在所述时间类型标签中确定待预测时间段对应的目标时间类型标签；

时间序列分解模块，用于对所述目标时间类型标签下的实际话务数据进行时间序列分解，得到所述目标时间类型标签对应的时间序列模型；

话务数据预测模块，用于利用所述时间序列模型确定所述待预测时间段的预测话务数据。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求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，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。

Images