CN113762647A - 一种数据的预测方法、装置及设备 - Google Patents

一种数据的预测方法、装置及设备 Download PDF

Info

Publication number
CN113762647A
CN113762647A CN202111215979.0A CN202111215979A CN113762647A CN 113762647 A CN113762647 A CN 113762647A CN 202111215979 A CN202111215979 A CN 202111215979A CN 113762647 A CN113762647 A CN 113762647A
Authority
CN
China
Prior art keywords
sequence
segmentation
sample
subsequence
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.)
Pending
Application number
CN202111215979.0A
Other languages
English (en)
Inventor
田兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
MIGU Culture Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
MIGU Culture Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, MIGU Culture Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202111215979.0A priority Critical patent/CN113762647A/zh
Publication of CN113762647A publication Critical patent/CN113762647A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种数据的预测方法、装置及设备，该方法包括：获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据。通过上述方式，本发明实现了将边缘区段的样本数据对样本序列整体的预测影响进行减弱，进而提高了整体预测的准确率。

Description

一种数据的预测方法、装置及设备
技术领域
本发明涉及大数据预测技术领域，具体涉及一种数据的预测方法、装置及设备。
背景技术
目前在利用大数据预测领域，通常依据以往数据来预测下一时间的情况，具体通过最近一个时间的以往数据、以往数据的平均值等来预测。但这种预测方法将每时区段内的数据的权重设为相等的，造成了权重较差的区段的数据对整体产生较大影响，从而造成预测准确率偏低。
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数据的预测方法、装置及设备。
根据本发明实施例的一个方面，提供了一种数据的预测方法，所述方法包括：
获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；
采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；
获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；
根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据。
可选的，采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列，包括：
获取所述样本序列的初始分割点位；
根据所述初始分割点位对所述样本序列进行分割，得到第一分割样本序列；
通过聚类算法对所述第一分割样本序列中所有的子序列进行聚类，得到子序列聚类结果；
根据所述子序列聚类结果，得到所述第一分割样本序列中每类子序列的适应值；
根据所述每类子序列的适应值，得到目标分割样本序列。
可选的，根据所述子序列聚类结果，得到所述第一分割样本序列中每类子序列的适应值，包括：
根据所述子序列聚类结果，通过公式
Figure BDA0003310651900000021
以及公式
Figure BDA0003310651900000022
计算得到第h类子序列集合的适应值；其中，h为子序列类别序号，j和g为第h子序列中的段序号，
Figure BDA0003310651900000023
为第h类子序列集合的适应值，
Figure BDA0003310651900000024
为两个不同子序列之间的最小欧氏距离，
Figure BDA0003310651900000025
为子序列聚类结果中类别为h，段序号为j的子序列，q为适应值的标号参数，N为子序列聚类结果中的子序列的总类别数量，1≤h≤N，1≤j≤h，1≤g≤h，j≠g，N为所述第一分割样本序列中子序列的总类数；
根据所述子序列的适应值，通过公式
Figure BDA0003310651900000026
计算得到第一分割样本序列中每类子序列的适应值；其中，
Figure BDA0003310651900000027
为适应值标号为q的第h类子序列集合的适应值，F(Pk)为第一分割样本序列的适应值。
可选的，根据所述每类子序列的适应值，得到目标分割样本序列，包括：
若所述每类子序列的适应值的增量小于预设阈值，则将所述第一分割样本序列作为目标分割样本序列；
若所述每类子序列的适应值的增量大于或等于预设阈值，则通过轮盘赌注选择法生成下一代分割点位，并根据所述下一代分割点位对样本序列通过聚类算法模型进行分割，直至得到满足适应值的增量小于预设阈值的目标分割样本序列。
可选的，获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值，包括：
获取所述目标分割样本序列中的全部样本数据总和以及每个分割子序列段内的样本数据和；
根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，得到每个分割子序列段在目标分割样本序列中的权重值。
可选的，根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，得到每个分割子序列段在目标分割样本序列中的权重值，包括：
根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，通过公式
Figure BDA0003310651900000031
得到每个分割子序列段在目标分割样本序列中的权重值；
其中，Ai为每个分割子序列段在目标分割样本序列中的权重值，
Figure BDA0003310651900000032
为所述全部样本数据总和，
Figure BDA0003310651900000033
为所述每个分割子序列段内的样本数据和。
可选的，根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据，包括：
通过公式
Figure BDA0003310651900000034
得到目标业务的第n+1个时间序列的预测数据；
其中，Q为所述目标业务在第n+1个时间序列的预测数据，Ai为第i段分割子序列段的权重值，
Figure BDA0003310651900000035
为第i段分割子序列段的样本数据均值，k为所述分割子序列段的总数，i为每个分割子序列段的序号。
根据本发明实施例的另一方面，提供了一种数据的预测装置，所述装置包括：
第一获取模块，用于获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；
第一处理模块，用于采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；
第二获取模块，用于获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；
第二处理模块，用于根据所述权重值和每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据。
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，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上述数据的预测方法对应的操作。
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，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上述数据的预测方法对应的操作。
根据本发明上述实施例提供的方案，数据的预测方法可以通过获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据，由此解决了预测准确率较低的问题，取得了将边缘区段的样本数据对样本序列整体的预测影响进行减弱，进而提高了整体预测的准确率的有益效果。
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数据的预测方法的流程图；
图2示出了本发明提供的具体的实施例中连续20个月每个月APP软件的实际使用人数、均值法预测人数以及遗传算法分割序列预测人数的对比示意图；
图3示出了本发明实施例提供的数据的预测装置的结构示意图；
图4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数据的预测方法的流程图。如图1所示，该方法包括以下步骤：
步骤11，获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；
步骤12，采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；
步骤13，获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；
步骤14，根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据。
该实施例中，获取目标业务的样本序列，该样本序列中的若干个样本数据N＝{x1x2 … xn-1 xn}是目标业务按照时间顺序进行排序得到的在n个时间序列的历史数据，对样本序列进行分割，得到目标分割样本序列，将样本序列中的样本数据分割为了若干份，获取分割后的每个分割子序列段在目标分割样本序列中所占的权重值和每个分割子序列段内的样本数据均值，根据权重值和样本数据均值对样本序列中的数据，得到预测数据；本实施例中，将样本序列的边缘区段的样本数据对样本序列整体的预测影响进行减弱，该边缘区段是指权重值与其他区段的权重值相差较多的区段，进而提高了整体预测的准确率；
需要说明的是，该目标业务优选的为目标应用程序的使用人数，当然也可以是目标应用程序的其他观测指标，本申请不以此为限制。
本发明一可选的实施例中，步骤12包括：
步骤121，获取所述样本序列的初始分割点位；
步骤122，根据所述初始分割点位对所述样本序列进行分割，得到第一分割样本序列；
步骤123，通过聚类算法对所述第一分割样本序列中所有的子序列进行聚类，得到子序列聚类结果；
步骤124，根据所述子序列聚类结果，得到所述第一分割样本序列中每类子序列的适应值；
步骤125，根据所述中每类子序列适应值，得到目标分割样本序列。
本实施例中，优选的在获取所述样本序列的初始分割点位之前，设置初始化的分割点Sk＝0，即将第一位的分割点设置在样本序列的起始位置，同时，设置进化代数t＝0，该进化代数t用于记录对样本序列进行分割的迭代数；生成初始分割点位，根据初始分割点位对样本序列进行分割，得到第一分割样本序列，对第一分割样本序列中的所有子序列通过聚类算法进行聚类处理，得到子序列聚类结果，并计算出第一分割样本序列中每类子序列的适应值，根据该适应值得到目标分割样本序列；
其中，初始分割点可通过随机函数进行随机生成得到，也可以根据样本序列的历史分割情况生成，还可以通过预先设置得到，本申请不以此为限制；
若初始分割点位设置为k，则可将样本序列一共分割为(k+1)段子序列，分割后的子序列的跨度优选的可用SPk表示，该跨度指的是子序列中的首位样本数据至末尾样本数据的所有样本数据，k为大于0的正整数；
需要说明的是，对第一分割样本序列中所有的子序列进行聚类，是将子序列中样本数据的均值在一预设范围内的子序列聚类为一类，子序列聚类结果为将第一分割样本序列中的所有子序列聚类为N类，优选的，N类子序列中的第h类子序列集合中包括至少一个子序列，可用Segh表示N类子序列中的第h类子序列集合，1≤h≤N，
Figure BDA0003310651900000071
SPi为第h类子序列集合中的第i个子序列的跨度，第h类子序列集合中的子序列为
Figure BDA0003310651900000072
其中，上标h为该子序列所在的类别信息，下标m为该子序列在第h类的子序列集合中的序号；
因而，子序列聚类结果可为：
Figure BDA0003310651900000073
本发明一可选的实施例中，步骤124包括：
步骤1241，根据所述子序列聚类结果，通过公式
Figure BDA0003310651900000074
以及公式
Figure BDA0003310651900000075
计算得到第h类子序列集合的适应值；
其中，h为子序列类别序号，j和g为第h子序列中的段序号，
Figure BDA0003310651900000076
为第h类子序列集合的适应值，
Figure BDA0003310651900000077
为两个不同子序列之间的最小欧氏距离，
Figure BDA0003310651900000078
为子序列聚类结果中类别为h序号为j的子序列，q为适应值的标号参数，N为子序列聚类结果中的子序列的总类别数量，1≤h≤N，1≤j≤h，1≤g≤h，j≠g，N为所述第一分割样本序列中子序列的总类数；
步骤1242，根据所述子序列的适应值，通过公式
Figure BDA0003310651900000081
计算得到第一分割样本序列中每类子序列的适应值；其中，
Figure BDA0003310651900000082
为适应值标号为q的第h类子序列集合的适应值，F(Pk)为第一分割样本序列的适应值。
本实施例中，根据子序列聚类结果计算第一分割样本序列的适应值，先通过公式
Figure BDA0003310651900000083
以及公式
Figure BDA0003310651900000084
计算得到第h类子序列集合的适应值，并通过
Figure BDA0003310651900000085
对全部类别的子序列集合的适应值进行求和，得到第一分割样本序列的适应值F(Pk)，当第一分割样本序列的适应值越高，可说明第一分割样本序列的适应性越强。
本发明一可选的实施例中，步骤125包括：
步骤1251，若所述适应值的增量小于预设阈值，则将所述第一分割样本序列作为目标分割样本序列；
步骤1252，若所述适应值的增量大于或等于预设阈值，则通过轮盘赌注选择法生成下一代分割点位，并根据所述下一代分割点位对样本序列通过聚类算法模型进行分割，直至得到满足适应值的增量小于预设阈值的目标分割样本序列。
本实施例中，根据适应值的增量与预设阈值之间的关系进行判断，当适应值的增量小于预设阈值，则将第一分割样本序列作为目标分割样本序列，当适应值的增量大于或等于预设阈值，则通过轮盘赌注选择法进行交叉、变异操作，生成下一代分割点位，并根据所述下一代分割点位对样本序列通过聚类算法模型进行分割，直至得到满足适应值的增量小于预设阈值的目标分割样本序列，即找到满足适应值的增量小于预设阈值的第一样本分割序列所对应的分割点位K，通过分割点位K将样本序列进行分割，得到目标分割样本序列；
需要说明的是，每一次通过轮盘赌注选择法生成下一代分割点位后，设置进化代数t需要进行计数，即每一次通过轮盘赌注选择法生成下一代分割点位，下一代的进化代数t＝t+1。
本发明一可选的实施例中，步骤13包括：
步骤131，获取所述目标分割样本序列中的全部样本数据总和以及每个分割子序列段内的样本数据和；
步骤132，根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，得到每个分割子序列段在目标分割样本序列中的权重值。
本发明一可选的实施例中，步骤132包括：
步骤1321，根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，通过公式
Figure BDA0003310651900000091
得到每个分割子序列段在目标分割样本序列中的权重值；
其中，Ai为第i个分割子序列段在目标分割样本序列中的权重值，
Figure BDA0003310651900000092
为所述全部样本数据总和，
Figure BDA0003310651900000093
为所述每个分割子序列段内的样本数据和。
本实施例中，对于样本序列{x1,x2,x3,x4,……,xn}，找到该样本序列的满足适应值的增量小于预设阈值的分割点位k-1，将其分割为k个子序列：
Figure BDA0003310651900000094
通过公式
Figure BDA0003310651900000095
计算第i个分割子序列段内的样本数据在目标分割样本序列中的全部样本数据总和中所占的权重值，其中，s为第i个子序列集合所划分出的样本数据的总数，即s＝a/b/c…/n，Ai为第i段分割子序列段的权重值，xij为第i个子序列集合中的第j个子序列，xn为样本序列中的第n个样本数据。本发明一可选的实施例中，步骤14包括：
步骤141，通过公式
Figure BDA0003310651900000101
得到目标业务的第n+1个时间序列的预测数据；
其中，Q为所述目标业务在第n+1个时间序列的预测数据，Ai为第i段分割子序列段的权重值，
Figure BDA0003310651900000102
为第i段分割子序列段的样本数据均值，k为所述分割子序列段的总数，i为每个分割子序列段的序号。
本实施例中，可通过公式
Figure BDA0003310651900000103
得到第i段分割子序列段内的样本数据均值，其中，
Figure BDA0003310651900000104
为第i段分割子序列段内的样本数据均值，xij为第i个子序列集合中的第j个子序列，s为第i个子序列集合所划分出的样本数据的总数；根据步骤132中计算得到的权重值和样本数据均值，得到预测数据；
通过公式
Figure BDA0003310651900000105
得到目标数据的第n+1个时间序列的预测数据，该预测数据中的权重值，是先通过聚类算法以及轮盘赌注选择法判断选择出目标分割样本序列后求得的每个分割子序列段在目标分割样本序列中所占的权重，而样本数据均值是求得每个分割子序列段中的样本数据的均值；通过上述方法，得到的预测数据，有效地解决了权重值偏差较大的样本数据子序列对样本序列整体的预测数据的影响，提高了预测数据的准确率。
一个具体的实施例中，通常情况下，当一个APP(Application，应用程序)软件使用人数超过预设服务器上限人数时，则可能导致APP软件对应的服务器崩溃，使得APP软件在运行过程中出现卡顿、闪退等问题，影响APP软件用户的正常使用；
为了避免该问题，以一个APP软件使用人数为例，每个使用人数作为一个样本数据x1，连续采集20个月的使用人数，然后以n-1个月作为训练样本序列，来预测第n个月的使用人数，然后根据预测出来的人数采取对应的措施，以避免服务器崩溃等问题；
APP软件连续20个月的使用人数情况如下表所示：
Figure BDA0003310651900000106
Figure BDA0003310651900000111
表1
表1示出了连续20个月每个月APP软件的实际使用人数，获取到连续20个月的使用人数的数据样本之后，可以按照获取的时间顺序对该数据样本进行排序，即样本序列N＝{35216,45213,65412,24365，…，66325,67123,69124}；
基于排序后的数据样本，通过聚类算法模型对样本序列N进行分割，得到分割后的子序列聚类结果，得到满足适应值的增量小于预设阈值的分割点位k-1，将样本序列分割为了k段子序列；
通过公式
Figure BDA0003310651900000112
可预测出该APP软件第21个月的使用人数；若预测第21个月的使用人数Q超过预设的APP软件对应服务器的上限人数，则可以向技术人员发送提示信息，并制定相应的应对措施，以防止该APP软件的服务器在第21个月的使用过程中发生崩溃；
图2示出了本发明提供的具体的实施例中连续20个月每个月APP软件的实际使用人数、均值法预测人数以及遗传算法分割序列预测人数的对比示意图。如图2所示，实际使用人数与遗传算法分割序列预测人数的数据结果相差较小，而实际使用人数与均值法预测人数的数据结果相差较大，其中，遗传算法分割序列预测人数是指通过聚类算法以及轮盘赌注选择法不断迭代，判断并选择出目标分割样本序列，然后求得的每个分割子序列段在目标分割样本序列中所占的权重值，通过该权重值计算出预测人数；均值法预测人数即不对初始的样本序列进行处理得到目标分割样本序列，直接按照权重值相等进行处理得到的均值法预测人数，可见，通过遗传算法分割序列预测人数得到的预测值更加准确。
本发明的实施例通过获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据；实现了将边缘区段的样本数据对样本序列整体的预测影响进行减弱，进而提高了整体预测的准确率。
图3示出了本发明实施例提供的数据的预测装置的结构示意图。如图3所示，该装置30包括：
第一获取模块31，用于获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；
第一处理模块32，用于采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；
第二获取模块33，用于获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；
第二处理模块34，用于根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据。
可选的，第一处理模块32用于：
获取所述样本序列的初始分割点位；
根据所述初始分割点位对所述样本序列进行分割，得到第一分割样本序列；
通过聚类算法对所述第一分割样本序列中所有的子序列进行聚类，得到子序列聚类结果；
根据所述子序列聚类结果，得到所述第一分割样本序列中每类子序列的适应值；
根据所述每类子序列的适应值，得到目标分割样本序列。
可选的，根据所述子序列聚类结果，得到所述第一分割样本序列中每类子序列的适应值，包括：
根据所述子序列聚类结果，通过公式
Figure BDA0003310651900000131
以及公式
Figure BDA0003310651900000132
计算得到第h类子序列集合的适应值；其中，h为子序列类别序号，j和g为第h子序列中的段序号，
Figure BDA0003310651900000133
为第h类子序列集合的适应值，
Figure BDA0003310651900000134
为两个不同子序列之间的最小欧氏距离，
Figure BDA0003310651900000135
为子序列聚类结果中类别为h，段序号为j的子序列，q为适应值的标号参数，N为子序列聚类结果中的子序列的总类别数量，1≤h≤N，1≤j≤h，1≤g≤h，j≠g，N为所述第一分割样本序列中子序列的总类数；
根据所述子序列的适应值，通过公式
Figure BDA0003310651900000136
计算得到第一分割样本序列中每类子序列的适应值；其中，
Figure BDA0003310651900000137
为适应值标号为q的第h类子序列集合的适应值，F(Pk)为第一分割样本序列的适应值。
可选的，根据所述每类子序列的适应值，得到目标分割样本序列，包括：
若所述每类子序列的适应值的增量小于预设阈值，则将所述第一分割样本序列作为目标分割样本序列；
若所述每类子序列的适应值的增量大于或等于预设阈值，则通过轮盘赌注选择法生成下一代分割点位，并根据所述下一代分割点位对样本序列通过聚类算法模型进行分割，直至得到满足适应值的增量小于预设阈值的目标分割样本序列。
可选的，第二获取模块33用于：
获取所述目标分割样本序列中的全部样本数据总和以及每个分割子序列段内的样本数据和；
根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，得到每个分割子序列段在目标分割样本序列中的权重值。
可选的，根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，得到每个分割子序列段在目标分割样本序列中的权重值，包括：
根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，通过公式
Figure BDA0003310651900000141
得到每个分割子序列段在目标分割样本序列中的权重值；
其中，Ai为每个分割子序列段在目标分割样本序列中的权重值，
Figure BDA0003310651900000142
为所述全部样本数据总和，
Figure BDA0003310651900000143
为所述每个分割子序列段内的样本数据和。
可选的，第二处理模块34用于：
通过公式
Figure BDA0003310651900000144
得到目标业务的第n+1个时间序列的预测数据；
其中，Q为所述目标业务在第n+1个时间序列的预测数据，Ai为第i段分割子序列段的权重值，
Figure BDA0003310651900000145
为第i段分割子序列段的样本数据均值，k为所述分割子序列段的总数，i为每个分割子序列段的序号。
需要说明的是，该装置是与上述方法对应的装置30，上述数据的预测方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
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数据的预测方法。
图4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4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数据的预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数据的预测方法。程序中各步骤的具体实现可以参见上述数据的预测方法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)

1.一种数据的预测方法，其特征在于，所述方法包括：
获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；
采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；
获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；
根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据。
2.根据权利要求1所述的数据的预测方法，其特征在于，采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列，包括：
获取所述样本序列的初始分割点位；
根据所述初始分割点位对所述样本序列进行分割，得到第一分割样本序列；
通过聚类算法对所述第一分割样本序列中所有的子序列进行聚类，得到子序列聚类结果；
根据所述子序列聚类结果，得到所述第一分割样本序列中每类子序列的适应值；
根据所述每类子序列的适应值，得到目标分割样本序列。
3.根据权利要求2所述的数据的预测方法，其特征在于，根据所述子序列聚类结果，得到所述第一分割样本序列中每类子序列的适应值，包括：
根据所述子序列聚类结果，通过公式
Figure FDA0003310651890000011
以及公式
Figure FDA0003310651890000012
计算得到第h类子序列集合的适应值；其中，h为子序列类别序号，j和g为第h子序列中的段序号，
Figure FDA0003310651890000013
为第h类子序列集合的适应值，
Figure FDA0003310651890000014
为两个不同子序列之间的最小欧氏距离，
Figure FDA0003310651890000021
为子序列聚类结果中类别为h，段序号为j的子序列，q为适应值的标号参数，N为子序列聚类结果中的子序列的总类别数量，1≤h≤N，1≤j≤h，1≤g≤h，j≠g，N为所述第一分割样本序列中子序列的总类数；
根据所述子序列的适应值，通过公式
Figure FDA0003310651890000022
计算得到第一分割样本序列中每类子序列的适应值；其中，
Figure FDA0003310651890000023
为适应值标号为q的第h类子序列集合的适应值，F(Pk)为第一分割样本序列的适应值。
4.根据权利要求2所述的数据的预测方法，其特征在于，根据所述每类子序列的适应值，得到目标分割样本序列，包括：
若所述每类子序列的适应值的增量小于预设阈值，则将所述第一分割样本序列作为目标分割样本序列；
若所述每类子序列的适应值的增量大于或等于预设阈值，则通过轮盘赌注选择法生成下一代分割点位，并根据所述下一代分割点位对样本序列通过聚类算法模型进行分割，直至得到满足适应值的增量小于预设阈值的目标分割样本序列。
5.根据权利要求1所述的数据的预测方法，其特征在于，获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值，包括：
获取所述目标分割样本序列中的全部样本数据总和以及每个分割子序列段内的样本数据和；
根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，得到每个分割子序列段在目标分割样本序列中的权重值。
6.根据权利要求1所述的数据的预测方法，其特征在于，根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，得到每个分割子序列段在目标分割样本序列中的权重值，包括：
根据所述每个分割子序列段内的样本数据和以及全部样本数据总和，通过公式
Figure FDA0003310651890000031
得到每个分割子序列段在目标分割样本序列中的权重值；
其中，Ai为每个分割子序列段在目标分割样本序列中的权重值，
Figure FDA0003310651890000032
为所述全部样本数据总和，
Figure FDA0003310651890000033
为所述每个分割子序列段内的样本数据和。
7.根据权利要求6所述的数据的预测方法，其特征在于，根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的预测数据，包括：
通过公式
Figure FDA0003310651890000034
得到目标业务的第n+1个时间序列的预测数据；
其中，Q为所述目标业务在第n+1个时间序列的预测数据，Ai为第i段分割子序列段的权重值，
Figure FDA0003310651890000035
为第i段分割子序列段的样本数据均值，k为所述分割子序列段的总数，i为每个分割子序列段的序号。
8.一种数据的预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标业务的样本序列；所述样本序列为所述目标业务在n个时间序列的历史数据，n为正整数；
第一处理模块，用于采用遗传算法对将所述样本序列进行分割，得到目标分割样本序列；
第二获取模块，用于获取所述目标分割样本序列中的每个分割子序列段在所述目标分割样本序列中的权重值和每个分割子序列段内的样本数据均值；
第二处理模块，用于根据所述权重值和所述每个分割子序列段内的样本数据均值，得到所述目标业务在第n+1个时间序列的的第n+1个时间序列进行预测，得到所述目标数据的第n+1个时间序列的预测数据。
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1-7中任一项所述的数据的预测方法对应的操作。
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1-7中任一项所述的数据的预测方法对应的操作。
CN202111215979.0A 2021-10-19 2021-10-19 一种数据的预测方法、装置及设备 Pending CN113762647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111215979.0A CN113762647A (zh) 2021-10-19 2021-10-19 一种数据的预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111215979.0A CN113762647A (zh) 2021-10-19 2021-10-19 一种数据的预测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN113762647A true CN113762647A (zh) 2021-12-07

Family

ID=78784034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111215979.0A Pending CN113762647A (zh) 2021-10-19 2021-10-19 一种数据的预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113762647A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829755A (zh) * 2023-02-07 2023-03-21 支付宝(杭州)信息技术有限公司 交易风险的预测结果的解释方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909990A (zh) * 2017-03-01 2017-06-30 腾讯科技（深圳）有限公司 一种基于历史数据的预测方法及装置
CN107404409A (zh) * 2017-09-01 2017-11-28 广西大学 面向突变负载的容器云弹性供给容器数量预测方法与系统
CN110825579A (zh) * 2019-09-18 2020-02-21 平安科技（深圳）有限公司 服务器性能监控方法、装置、计算机设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909990A (zh) * 2017-03-01 2017-06-30 腾讯科技（深圳）有限公司 一种基于历史数据的预测方法及装置
CN107404409A (zh) * 2017-09-01 2017-11-28 广西大学 面向突变负载的容器云弹性供给容器数量预测方法与系统
CN110825579A (zh) * 2019-09-18 2020-02-21 平安科技（深圳）有限公司 服务器性能监控方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴大华等, 山东大学学报（理学版）/对基于聚类和遗传算法的时间序列分割算法的改进, vol. 45, no. 7, pages 105 - 106 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829755A (zh) * 2023-02-07 2023-03-21 支付宝(杭州)信息技术有限公司 交易风险的预测结果的解释方法和装置

Similar Documents

Publication Publication Date Title
US10467547B1 (en) Normalizing text attributes for machine learning models
CN110188862B (zh) 用于数据处理的模型超参数的搜索方法、装置、系统
CN111597309A (zh) 相似企业推荐方法、装置、电子设备及介质
CN108921587B (zh) 一种数据处理方法、装置及服务器
JP6172317B2 (ja) 混合モデル選択の方法及び装置
CN111159481B (zh) 图数据的边预测方法、装置及终端设备
CN112988840A (zh) 一种时间序列预测方法、装置、设备和存储介质
CN113762647A (zh) 一种数据的预测方法、装置及设备
CN110675250A (zh) 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备
CN111783883A (zh) 一种异常数据的检测方法及装置
CN110198299B (zh) 一种入侵检测方法和装置
CN112508308A (zh) 一种数据处理方法、装置、设备及可读存储介质
CN115829159B (zh) 社交媒体粉丝新增预测方法、装置、设备及存储介质
JP2010272004A (ja) 判別装置及び判別方法、並びにコンピューター・プログラム
CN116503608A (zh) 基于人工智能的数据蒸馏方法及相关设备
WO2020188341A1 (en) Adaptive clinical trials
CN111125543A (zh) 书籍推荐排序模型的训练方法、计算设备及存储介质
CN113656586B (zh) 情感分类方法、装置、电子设备及可读存储介质
CN112470172A (zh) 使用随机序列嵌入的符号序列分析的计算效率
CN114897099A (zh) 基于客群偏差平滑优化的用户分类方法、装置及电子设备
CN113886697A (zh) 基于聚类算法的活动推荐方法、装置、设备及存储介质
CN110175296B (zh) 网络图中的节点推荐方法和服务器以及存储介质
CN113591881A (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN113627513A (zh) 一种训练数据生成方法、系统、电子设备及存储介质
JP5824429B2 (ja) スパムアカウントスコア算出装置、スパムアカウントスコア算出方法、及びプログラム

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