CN113516270A - 业务数据监控方法、装置 - Google Patents
业务数据监控方法、装置 Download PDFInfo
- Publication number
- CN113516270A CN113516270A CN202011189075.0A CN202011189075A CN113516270A CN 113516270 A CN113516270 A CN 113516270A CN 202011189075 A CN202011189075 A CN 202011189075A CN 113516270 A CN113516270 A CN 113516270A
- Authority
- CN
- China
- Prior art keywords
- service
- value
- sub
- monitored
- time node
- 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 55
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000001932 seasonal effect Effects 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 6
- 241001123248 Arma Species 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请的实施例提供了一种业务数据监控方法、装置。该方法包括:获取目标业务在待监控时间节点之前的历史业务值;基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值;获取所述目标业务在所述待监控时间节点的实际业务值;通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。本申请实施例的技术方案可以提高对业务数据进行监控的准确性。
Description
技术领域
本申请涉及人工智能及数据处理技术领域,具体而言,涉及一种业务数据监控方法、装置。
背景技术
在对业务数据进行智能监控的场景中,比如在监控订单数量、消息数量等业务值的场景,现有技术通常是通过对业务数据进行周同比、日环比等策略,基于规则来监控业务数据是否异动。然而,通过周同比、日环比等策略对业务数据进行监控并不准确,基于此,如何提高对业务数据进行监控的准确性是亟待解决的技术问题。
发明内容
本申请的实施例提供了一种业务数据监控方法、装置、计算机可读介质及电子设备,进而至少在一定程度上可以提高对业务数据进行监控的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种业务数据监控方法,所述方法包括:获取目标业务在待监控时间节点之前的历史业务值;基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值;获取所述目标业务在所述待监控时间节点的实际业务值;通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。
根据本申请实施例的一个方面,提供了一种业务数据监控装置,所述装置包括:第一获取单元,被用于获取目标业务在待监控时间节点之前的历史业务值;预测单元,被用于基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值;第二获取单元,被用于获取所述目标业务在所述待监控时间节点的实际业务值;监控单元,被用于通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。
在本申请的一些实施例中,基于前述方案,所述预测单元配置为:基于在待监控时间节点之前的各个历史时间节点,以及所述目标业务在各个历史时间节点的历史业务值,构建训练数据;通过所述训练数据,对初始化的时间序列模型进行训练,得到时间序列预测模型;基于所述时间序列预测模型,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值。
在本申请的一些实施例中,基于前述方案,所述时间序列模型包括Prophet模型,AR模型,ARIMA模型,ARMA模型,VAR模型,TAR模型,ARCH模型,以及机器学习模型中的任意一种。
在本申请的一些实施例中,基于前述方案,所述时间序列预测模型包括趋势函数,周期性变化函数,季节性变化函数,节假日变化函数以及随机函数,所述预测单元配置为:通过所述趋势函数预测所述目标业务在待监控时间节点的第一业务值,所述趋势函数用于拟合业务值的非周期性变化;通过所述周期性变化函数预测所述目标业务在待监控时间节点的第二业务值,所述周期性变化函数用于拟合业务值的周期性变化;通过所述季节性变化函数预测所述目标业务在待监控时间节点的第三业务值,所述季节性变化函数用于拟合业务值的季节性变化;通过所述节假日变化函数预测所述目标业务在待监控时间节点的第四业务值,所述节假日变化函数用于拟合业务值的节假日变化;通过所述随机函数预测所述目标业务在待监控时间节点的第五业务值,所述随机函数用于拟合业务值的随机变化;对所述第一业务值、第二业务值、第三业务值、第四业务值以及第五业务值进行求和,得到所述目标业务在待监控时间节点的预测业务值。
在本申请的一些实施例中,基于前述方案,所述预测业务值包括预测业务值上界和预测业务值下界,所述监控单元配置为:在所述实际业务值大于所述预测业务值下界,且小于所述预测业务值上界时,确定所述实际业务值正常;在所述实际业务值大于所述预测业务值上界,或小于所述预测业务值下界时,确定所述实际业务值异常。
在本申请的一些实施例中,基于前述方案,所述目标业务包括至少一个子业务,所述监控单元配置为:在通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控之后,在确定所述实际业务值异常时,分别获取各个子业务在所述待监控时间节点之前的历史子业务值;基于各个子业务的历史子业务值,分别预测各个子业务在所述待监控时间节点的子业务值,得到各个子业务在所述待监控时间节点的预测子业务值;分别获取各个子业务在所述待监控时间节点的实际子业务值;通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位。
在本申请的一些实施例中,基于前述方案,所述预测子业务值包括预测子业务值上界和预测子业务值下界,所述监控单元配置为:针对每一个子业务,在所述实际子业务值大于所述预测子业务值下界,且小于所述预测子业务值上界时,确定所述子业务为正常子业务;针对每一个子业务,在所述实际子业务值大于所述预测子业务值上界,或小于所述预测子业务值下界时,确定所述子业务为异常子业务。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如上述实施例中所述的业务数据监控方法。
根据本申请实施例的一个方面,提供了一种计算机可读介质,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如上述实施例中所述的业务数据监控方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的业务数据监控方法。
在本申请的一些实施例所提供的技术方案中,通过目标业务在待监控时间节点之前的历史业务值,预测得到所述目标业务在所述待监控时间节点的预测业务值,并通过所述目标业务在所述待监控时间节点的实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。由于通过历史业务值预测得到的预测业务值能综合考虑历史上影响业务数据波动的各种因素,故该预测业务值能够在一定程度上反映目标业务在正常情况下,在所述待监控时间节点的业务估计值,因此,通过所述实际业务值与所述预测业务值之间的对比,能够提高对业务数据进行监控的准确性。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示出了根据本申请的一个实施例的业务数据监控方法的流程图;
图3示出了根据本申请的一个实施例的基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值的细节流程图;
图4示出了根据本申请的一个实施例的基于所述时间序列预测模型,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值的细节流程图;
图5示出了根据本申请的一个实施例的通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控的细节流程图;
图6示出了根据本申请的一个实施例的目标业务与各子业务之间关系的示例图;
图7示出了根据本申请的一个实施例的在通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控之后的方法流程图;
图8示出了根据本申请的一个实施例的通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位的细节流程图;
图9示出了根据本申请的一个实施例的对在至少一个子业务中存在异常的子业务进行定位的示例图;
图10示出了根据本申请的一个实施例的业务数据监控装置的框图;
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
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申请将更加全面和完整,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。
此外,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例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
需要注意的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线通信链路、无线通信链路等等。
在本申请的一个实施例中,可以是由服务器105在终端设备获取目标业务在待监控时间节点之前的历史业务值,然后,服务器105基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值,最后,服务器105在终端设备获取所述目标业务在所述待监控时间节点的实际业务值,并通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。
需要说明的是,本申请实施例所提供的业务数据监控方法一般由服务器105执行,相应地,业务数据监控装置一般设置于服务器105中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的业务数据监控方案。
还需要说明的是,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此,本申请在此不做限制。
需要解释的是,如上所述的云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展。通过建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的业务数据监控方法的流程图,该业务数据监控方法可以由具有计算处理功能的设备来执行,比如可以由图1中所示的服务器105来执行。参照图2所示,该业务数据监控方法至少包括步骤210至步骤270,详细介绍如下:
在步骤210中,获取目标业务在待监控时间节点之前的历史业务值。
在本申请中,目标业务可以是指消息,例如,所有微信用户通过微信发送的消息,也可以是指业务订单,例如,通过微信支付功能支付的业务订单。
在本申请中,业务值可以是消息数量,也可以是业务订单数量。
在本申请中,待监控时间节点可以是指某一个具体时间段,例如2020年10月15日12时00分-2020年10月15日12时59分,例如也可以是指某一天,例如2020年10月15日,还例如“今天”。
可以理解的是,历史业务值是指目标业务在待监控时间节点之前的其它各个历史时间节点的业务值。
在步骤230中,基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值。
在本申请的一个实施例中,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值,可以是按照如图3所示的步骤执行。
参见图3,示出了根据本申请的一个实施例的基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值的细节流程图。具体包括步骤231至233:
在步骤231中,基于在待监控时间节点之前的各个历史时间节点,以及所述目标业务在各个历史时间节点的历史业务值,构建训练数据。
在本申请中,训练数据包括三个部分,一是历史时间节点的时间数据,二是历史时间节点的时间属性数据,三是历史时间节点的业务值数据,其中,历史时间节点的时间属性数据是指历史时间节点是否属于特殊时间。
具体的,为了使本领域技术人员更好的理解该训练数据,下面将通过表1进行解释:
表1
如表1所示,为一个历史时间节点对应的训练数据,即为1条训练数据,其中,“2020年10月1日”为该条训练数据的时间数据,“星期:4、所属季节:3、是否属于节假日:1”为该条训练数据的时间属性数据,“订单数量:2828”为该条训练数据的业务值数据。
需要说明的是,各个历史时间节点对应的训练数据,包括有多条如表1所示的训练数据。
还需要说明的是,在训练数据的属性数据中,“星期”属性的数据可以包括7种值,即1、2、3、4、5、6、7,具体对应星期一、星期二、星期三、星期四、星期五、星期六、星期日。
还需要说明的是,在训练数据的属性数据中,“所属季节”属性的数据可以包括4种值,即1、2、3、4,具体对应春季、夏季、秋季、冬季。
还需要说明的是,在训练数据的属性数据中,“是否属于节假日”属性的数据可以包括2种值,即0、1,具体对应否、是。
继续参照图3,步骤232中,通过所述训练数据,对初始化的时间序列模型进行训练,得到时间序列预测模型。
在本实施例的一个具体实现中,所述时间序列模型可以是Prophet模型。
在本实施例的一个具体实现中,所述时间序列模型也可以是AR模型。
在本实施例的一个具体实现中,所述时间序列模型还可以是ARIMA模型。
在本实施例的一个具体实现中,所述时间序列模型还可以是ARMA模型。
在本实施例的一个具体实现中,所述时间序列模型还可以是VAR模型。
在本实施例的一个具体实现中,所述时间序列模型还可以是ARCH模型。
在本实施例的一个具体实现中,所述时间序列模型还可以是机器学习模型。
需要说明的是,在如上所示例的各个时间序列模型中,其模型的功能在于:可以通过历史数据来预测当前或者未来的发展趋势。
通过所述训练数据,对初始化的时间序列模型进行训练,实际上是将各个历史时间节点对应的训练数据输入至上述时间序列模型中,使得时间序列模型学习时间规律、季节因素、节假日对业务值的影响,从而得到时间序列预测模型,对目标业务在当前或者未来的业务值进行预测。
例如,当目标业务为业务订单时,时间序列模型还可以进一步学习时间规律、季节因素、商业周期、运营活动、节假日对业务订单数量的影响,从而得到时间序列预测模型,对业务订单在当前或者未来的订单数量进行预测。
继续参照图3,步骤233中,基于所述时间序列预测模型,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值。
在本申请中,所述时间序列预测模型能够对所述目标业务在待监控时间节点的业务值进行预测,例如,在待监控时间节点为2020年10月2日时,则将时间节点“2020年10月2日”输入至所述时间序列预测模型中,由所述时间序列预测模型输出所述目标业务在待监控时间节点2020年10月2日的预测业务值。
在本申请的一个实施例中,所述时间序列预测模型可以包括趋势函数g(t),周期性变化函数p(t),季节性变化函数s(t),节假日变化函数h(t)以及随机函数ε(t)。
在本实施例中,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值可以按照如图4所示的步骤执行。
参见图4,示出了根据本申请的一个实施例的基于所述时间序列预测模型,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值的细节流程图。具体包括步骤2331至步骤2336:
在步骤2331中,通过所述趋势函数预测所述目标业务在待监控时间节点的第一业务值,所述趋势函数用于拟合业务值的非周期性变化。
在步骤2332中,通过所述周期性变化函数预测所述目标业务在待监控时间节点的第二业务值,所述周期性变化函数用于拟合业务值的周期性变化。
在步骤2333中,通过所述季节性变化函数预测所述目标业务在待监控时间节点的第三业务值,所述季节性变化函数用于拟合业务值的季节性变化。
在步骤2334中,通过所述节假日变化函数预测所述目标业务在待监控时间节点的第四业务值,所述节假日变化函数用于拟合业务值的节假日变化。
在步骤2335中,通过所述随机函数预测所述目标业务在待监控时间节点的第五业务值,所述随机函数用于拟合业务值的随机变化。
在步骤2336中,对所述第一业务值、第二业务值、第三业务值、第四业务值以及第五业务值进行求和,得到所述目标业务在待监控时间节点的预测业务值。
在本申请中,通过时间序列预测模型中的趋势函数g(t),周期性变化函数p(t),季节性变化函数s(t),节假日变化函数h(t)以及随机函数ε(t),可以综合考虑季节因素、商业周期、运营活动、节假日等数据波动因素的影响,能够提高对目标业务在待监控时间节点的业务值进行预测的准确性。
继续参照图2,在步骤250中,获取所述目标业务在所述待监控时间节点的实际业务值。
在本申请中,实际业务值是指目标业务在待监控时间节点的实际值,可以直接获得。
例如,待监控时间节点为2020年10月2日时,业务订单的实际数量为3000,那么,“3000”则为业务点单(目标业务)在所述待监控时间节点的实际业务值。
继续参照图2,在步骤270中,通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。
在本申请的一个实施例中,所述预测业务值可以包括预测业务值上界和预测业务值下界,
例如,如果目标业务为业务订单,在待监控时间节点的预测的业务订单数为2800~2900,那么,“2800”则为该业务订单的预测业务值下界,“2900”则为该业务订单的预测业务值上界。
在本实施中,通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控,可以按照如图5所示的步骤执行。
参见图5,示出了根据本申请的一个实施例的通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控的细节流程图。具体包括步骤271至272:
在步骤271中,在所述实际业务值大于所述预测业务值下界,且小于所述预测业务值上界时,确定所述实际业务值正常。
在步骤272中,在所述实际业务值大于所述预测业务值上界,或小于所述预测业务值下界时,确定所述实际业务值异常。
例如,如果目标业务为业务订单,在待监控时间节点的预测的业务订单数为2800~2900,当实际的业务订单数为2700时,则该实际的业务订单数异常,当实际的业务订单数为2828时,则该实际的业务订单数正常。
在本申请中,在监控到目标业务的实际业务值存在异常时,还可以基于该目标业务进行告警,通过下钻分析、定位出导致该目标业务的实际业务值出现异常的具体原因。
在本申请中,通过判断实际业务值与预测业务值的偏离程度,可以达到对实际业务值自动化监控的效果。
在本申请中,所述目标业务可以包括至少一个子业务。
例如,参照图6,示出了根据本申请的一个实施例的目标业务与各子业务之间关系的示例图。
具体的,如图所示,当目标业务为总业务时,总业务包括来自智能手机的业务和来自PC端的业务共两个子业务,当目标业务为来自智能手机的业务时,来自智能手机的业务包括来自安卓系统的业务和来自IOS系统的业务共两个子业务,当目标业务为来自安卓系统的业务时,来自安卓系统的业务包括来自小学生的业务、来自初中生的业务、来自高中生的业务和来自大学生的业务共四个子业务。
在本申请的一个实施例中,在通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控之后,还可以执行如图7所示的步骤。
参见图7,示出了根据本申请的一个实施例的在通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控之后的方法流程图。具体包括步骤281至284:
在步骤281中,在确定所述实际业务值异常时,分别获取各个子业务在所述待监控时间节点之前的历史子业务值。
在步骤282中,基于各个子业务的历史子业务值,分别预测各个子业务在所述待监控时间节点的子业务值,得到各个子业务在所述待监控时间节点的预测子业务值。
在步骤283中,分别获取各个子业务在所述待监控时间节点的实际子业务值。
在步骤284中,通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位。
应该理解的是,在本实施例中,目标业务的实际业务值等于其各个子业务的实际子业务值之和。在每一个历史节点,目标业务的历史业务值等于其各个子业务的历史子业务值之和。
在本实施例的一个具体实现中,所述预测子业务值包括预测子业务值上界和预测子业务值下界。
进一步的,通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位,可以按照如图8所示的步骤执行。
参见图8,示出了根据本申请的一个实施例的通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位的细节流程图。具体包括步骤2841至步骤2842:
在步骤2841中,针对每一个子业务,在所述实际子业务值大于所述预测子业务值下界,且小于所述预测子业务值上界时,确定所述子业务为正常子业务。
在步骤2842中,针对每一个子业务,在所述实际子业务值大于所述预测子业务值上界,或小于所述预测子业务值下界时,确定所述子业务为异常子业务。
为了使本领域技术人员更好的理解本实施例中对存在异常的子业务进行定位的过程,下面将结合图9对本实施进行说明:
参见图9,示出了根据本申请的一个实施例的对在至少一个子业务中存在异常的子业务进行定位的示例图。
如图9所示,例如,待监控的实际业务值为业务订单数量。
进一步的,在监控到总的业务订单数量异常时,可以通过本实施的方法分别对来自智能手机的业务订单数量和来自PC端的业务订单数量进行监控。
在定位到来自智能手机的业务订单数量异常时,可以通过本实施的方法分别对来自安卓系统的业务订单数量和来自IOS系统的业务订单数量进行监控。
在定位到来自安卓系统的业务订单数量异常时,可以通过本实施的方法分别对来自小学生的业务订单数量、来自初中生的业务订单数量、来自高中生的业务订单数量、来自大学生的业务订单数量进行监控。
如图9所示,最终定位到来自高中生的业务订单数量存在异常。
在本实施例中,在监控目标业务的实际业务值出现异常时,通过对目标业务的各个子业务的实际子业务值进行监控,可以快速精准的定位出存在异常的子业务值,分析实际业务值出现异常的原因。
在本申请的一些实施例所提供的技术方案中,由于通过历史业务值预测得到的预测业务值能综合考虑历史上影响业务数据波动的各种因素,故该预测业务值能够在一定程度上反映目标业务在正常情况下,在所述待监控时间节点的业务估计值,因此,通过所述实际业务值与所述预测业务值之间的对比,能够提高对业务数据进行监控的准确性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的业务数据监控方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的业务数据监控方法的实施例。
图10示出了根据本申请的一个实施例的业务数据监控装置的框图。
参照图10所示,根据本申请的一个实施例的业务数据监控装置1000,包括:第一获取单元1001、预测单元1002、第二获取单元1003和监控单元1004。
其中,第一获取单元1001,被用于获取目标业务在待监控时间节点之前的历史业务值;预测单元1002,被用于基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值;第二获取单元1003,被用于获取所述目标业务在所述待监控时间节点的实际业务值;监控单元1004,被用于通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。
在本申请的一些实施例中,基于前述方案,所述预测单元1002配置为:基于在待监控时间节点之前的各个历史时间节点,以及所述目标业务在各个历史时间节点的历史业务值,构建训练数据;通过所述训练数据,对初始化的时间序列模型进行训练,得到时间序列预测模型;基于所述时间序列预测模型,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值。
在本申请的一些实施例中,基于前述方案,所述时间序列模型包括Prophet模型,AR模型,ARIMA模型,ARMA模型,VAR模型,TAR模型,ARCH模型,以及机器学习模型中的任意一种。
在本申请的一些实施例中,基于前述方案,所述时间序列预测模型包括趋势函数,周期性变化函数,季节性变化函数,节假日变化函数以及随机函数,所述预测单元1002配置为:通过所述趋势函数预测所述目标业务在待监控时间节点的第一业务值,所述趋势函数用于拟合业务值的非周期性变化;通过所述周期性变化函数预测所述目标业务在待监控时间节点的第二业务值,所述周期性变化函数用于拟合业务值的周期性变化;通过所述季节性变化函数预测所述目标业务在待监控时间节点的第三业务值,所述季节性变化函数用于拟合业务值的季节性变化;通过所述节假日变化函数预测所述目标业务在待监控时间节点的第四业务值,所述节假日变化函数用于拟合业务值的节假日变化;通过所述随机函数预测所述目标业务在待监控时间节点的第五业务值,所述随机函数用于拟合业务值的随机变化;对所述第一业务值、第二业务值、第三业务值、第四业务值以及第五业务值进行求和,得到所述目标业务在待监控时间节点的预测业务值。
在本申请的一些实施例中,基于前述方案,所述预测业务值包括预测业务值上界和预测业务值下界,所述监控单元1004配置为:在所述实际业务值大于所述预测业务值下界,且小于所述预测业务值上界时,确定所述实际业务值正常;在所述实际业务值大于所述预测业务值上界,或小于所述预测业务值下界时,确定所述实际业务值异常。
在本申请的一些实施例中,基于前述方案,所述目标业务包括至少一个子业务,所述监控单元1004配置为:在通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控之后,在确定所述实际业务值异常时,分别获取各个子业务在所述待监控时间节点之前的历史子业务值;基于各个子业务的历史子业务值,分别预测各个子业务在所述待监控时间节点的子业务值,得到各个子业务在所述待监控时间节点的预测子业务值;分别获取各个子业务在所述待监控时间节点的实际子业务值;通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位。
在本申请的一些实施例中,基于前述方案,所述预测子业务值包括预测子业务值上界和预测子业务值下界,所述监控单元1004配置为:针对每一个子业务,在所述实际子业务值大于所述预测子业务值下界,且小于所述预测子业务值上界时,确定所述子业务为正常子业务;针对每一个子业务,在所述实际子业务值大于所述预测子业务值上界,或小于所述预测子业务值下界时,确定所述子业务为异常子业务。
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图11示出的电子设备的计算机系统1100仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示,计算机系统1100包括中央处理单元(Central Processing Unit,CPU)1101,其可以根据存储在只读存储器(Read-Only Memory,ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(Random Access Memory,RAM)1103中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1103中,还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output,I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1107;包括硬盘等的储存部分1108;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入储存部分1108。
特别地,根据本申请的实施例,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,本申请的实施例包括一种计算机程序产品,其包括承载在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部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示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(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,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。而在本申请中,计算机可读的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。计算机可读的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:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如上述实施例中所述的业务数据监控方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的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一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
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,根据本申请的实施方式,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。
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,根据本申请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、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请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。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种业务数据监控方法,其特征在于,所述方法包括:
获取目标业务在待监控时间节点之前的历史业务值;
基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值;
获取所述目标业务在所述待监控时间节点的实际业务值;
通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值,包括:
基于在待监控时间节点之前的各个历史时间节点,以及所述目标业务在各个历史时间节点的历史业务值,构建训练数据;
通过所述训练数据,对初始化的时间序列模型进行训练,得到时间序列预测模型;
基于所述时间序列预测模型,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值。
3.根据权利要求2所述的方法,其特征在于,所述时间序列模型包括Prophet模型,AR模型,ARIMA模型,ARMA模型,VAR模型,TAR模型,ARCH模型,以及机器学习模型中的任意一种。
4.根据权利要求2所述的方法,其特征在于,所述时间序列预测模型包括趋势函数,周期性变化函数,季节性变化函数,节假日变化函数以及随机函数,所述基于所述时间序列预测模型,对所述目标业务在待监控时间节点的业务值进行预测,得到所述目标业务在待监控时间节点的预测业务值,包括:
通过所述趋势函数预测所述目标业务在待监控时间节点的第一业务值,所述趋势函数用于拟合业务值的非周期性变化;
通过所述周期性变化函数预测所述目标业务在待监控时间节点的第二业务值,所述周期性变化函数用于拟合业务值的周期性变化;
通过所述季节性变化函数预测所述目标业务在待监控时间节点的第三业务值,所述季节性变化函数用于拟合业务值的季节性变化;
通过所述节假日变化函数预测所述目标业务在待监控时间节点的第四业务值,所述节假日变化函数用于拟合业务值的节假日变化;
通过所述随机函数预测所述目标业务在待监控时间节点的第五业务值,所述随机函数用于拟合业务值的随机变化;
对所述第一业务值、第二业务值、第三业务值、第四业务值以及第五业务值进行求和,得到所述目标业务在待监控时间节点的预测业务值。
5.根据权利要求1所述的方法,其特征在于,所述预测业务值包括预测业务值上界和预测业务值下界,所述通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控,包括:
在所述实际业务值大于所述预测业务值下界,且小于所述预测业务值上界时,确定所述实际业务值正常;
在所述实际业务值大于所述预测业务值上界,或小于所述预测业务值下界时,确定所述实际业务值异常。
6.根据权利要求1所述的方法,其特征在于,所述目标业务包括至少一个子业务,在通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控之后,所述方法还包括:
在确定所述实际业务值异常时,分别获取各个子业务在所述待监控时间节点之前的历史子业务值;
基于各个子业务的历史子业务值,分别预测各个子业务在所述待监控时间节点的子业务值,得到各个子业务在所述待监控时间节点的预测子业务值;
分别获取各个子业务在所述待监控时间节点的实际子业务值;
通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位。
7.根据权利要求6所述的方法,其特征在于,所述预测子业务值包括预测子业务值上界和预测子业务值下界,所述通过对每一个子业务的实际子业务值与其对应的预测子业务值之间的对比,对在所述至少一个子业务中存在异常的子业务进行定位,包括:
针对每一个子业务,在所述实际子业务值大于所述预测子业务值下界,且小于所述预测子业务值上界时,确定所述子业务为正常子业务;
针对每一个子业务,在所述实际子业务值大于所述预测子业务值上界,或小于所述预测子业务值下界时,确定所述子业务为异常子业务。
8.一种业务数据监控装置,其特征在于,所述装置包括:
第一获取单元,被用于获取目标业务在待监控时间节点之前的历史业务值;
预测单元,被用于基于所述历史业务值,预测所述目标业务在所述待监控时间节点的业务值,得到所述目标业务在所述待监控时间节点的预测业务值;
第二获取单元,被用于获取所述目标业务在所述待监控时间节点的实际业务值;
监控单元,被用于通过所述实际业务值与所述预测业务值之间的对比,对所述目标业务在所述待监控时间节点的实际业务值进行监控。
9.一种计算机可读存储介质,其上存储有计算机程序,该计算机程序包括可执行指令,当该可执行指令被处理器执行时,实施如权利要求1至7中任一项所述的方法。
10.一种电子设备,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,所述处理器被设置为执行所述可执行指令以实施如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189075.0A CN113516270A (zh) | 2020-10-30 | 2020-10-30 | 业务数据监控方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189075.0A CN113516270A (zh) | 2020-10-30 | 2020-10-30 | 业务数据监控方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516270A true CN113516270A (zh) | 2021-10-19 |
Family
ID=78060899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011189075.0A Pending CN113516270A (zh) | 2020-10-30 | 2020-10-30 | 业务数据监控方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516270A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114760221A (zh) * | 2022-03-31 | 2022-07-15 | 深信服科技股份有限公司 | 一种业务监控方法、系统和存储介质 |
CN114862436A (zh) * | 2022-03-14 | 2022-08-05 | 山东浪潮通软信息科技有限公司 | 一种数据预测分析方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
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 |
CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务系统的监控方法及装置 |
CN111611517A (zh) * | 2020-05-13 | 2020-09-01 | 咪咕文化科技有限公司 | 指标监控方法、装置、电子设备及存储介质 |
-
2020
- 2020-10-30 CN CN202011189075.0A patent/CN113516270A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务系统的监控方法及装置 |
CN111611517A (zh) * | 2020-05-13 | 2020-09-01 | 咪咕文化科技有限公司 | 指标监控方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862436A (zh) * | 2022-03-14 | 2022-08-05 | 山东浪潮通软信息科技有限公司 | 一种数据预测分析方法、装置、设备及介质 |
CN114760221A (zh) * | 2022-03-31 | 2022-07-15 | 深信服科技股份有限公司 | 一种业务监控方法、系统和存储介质 |
CN114760221B (zh) * | 2022-03-31 | 2024-02-23 | 深信服科技股份有限公司 | 一种业务监控方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10901791B2 (en) | Providing configurable workflow capabilities | |
Zheng et al. | Research on the design of analytical communication and information model for teaching resources with cloud‐sharing platform | |
Srinivasan et al. | Mobileminer: Mining your frequent patterns on your phone | |
CN111367187B (zh) | 用于改进对分布式网络中的传感器流数据的处理的方法 | |
CN109344170B (zh) | 流数据处理方法、系统、电子设备及可读存储介质 | |
Izzah et al. | Mobile app for stock prediction using Improved Multiple Linear Regression | |
US20200410386A1 (en) | Automatic and continuous monitoring and remediation of api integrations | |
CN105074664A (zh) | 成本最小化的任务调度程序 | |
US20170270419A1 (en) | Escalation prediction based on timed state machines | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN113516270A (zh) | 业务数据监控方法、装置 | |
US10372572B1 (en) | Prediction model testing framework | |
US20200067776A1 (en) | Persona/individual based actions based on community specific trigger | |
Neto et al. | MULTS: A multi-cloud fault-tolerant architecture to manage transient servers in cloud computing | |
US20220255989A1 (en) | Systems and methods for hybrid burst optimized regulated workload orchestration for infrastructure as a service | |
CN107819745A (zh) | 异常流量的防御方法和装置 | |
CN113216790B (zh) | 开关门控制方法、装置、终端设备和计算机介质 | |
US11651271B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using likelihood ratios | |
CN113159453B (zh) | 资源数据预测方法、装置、设备及存储介质 | |
CN114187095A (zh) | 对账数据处理方法、装置、设备及存储介质 | |
Altalhi et al. | Developing a framework and algorithm for scalability to evaluate the performance and throughput of CRM systems | |
US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
CN115983902A (zh) | 基于用户实时事件的信息推送方法及系统 | |
US20180341521A1 (en) | Managing job schedules | |
CN111967806B (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 |
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 |