CN115600770B - 基于时序饱和预测的无线信号设备故障预警方法和系统 - Google Patents

基于时序饱和预测的无线信号设备故障预警方法和系统 Download PDF

Info

Publication number
CN115600770B
CN115600770B CN202211575983.2A CN202211575983A CN115600770B CN 115600770 B CN115600770 B CN 115600770B CN 202211575983 A CN202211575983 A CN 202211575983A CN 115600770 B CN115600770 B CN 115600770B
Authority
CN
China
Prior art keywords
model
prediction
time sequence
indexes
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
Application number
CN202211575983.2A
Other languages
English (en)
Other versions
CN115600770A (zh
Inventor
闫志民
刘愚
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.)
Chengdu Ruidiou Technology Co ltd
Original Assignee
Chengdu Ruidiou 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 Chengdu Ruidiou Technology Co ltd filed Critical Chengdu Ruidiou Technology Co ltd
Priority to CN202211575983.2A priority Critical patent/CN115600770B/zh
Publication of CN115600770A publication Critical patent/CN115600770A/zh
Application granted granted Critical
Publication of CN115600770B publication Critical patent/CN115600770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/20—Administration of product repair or maintenance

Abstract

本发明涉及无线设备故障预警技术领域，尤其涉及基于时序饱和预测的无线信号设备故障预警方法和系统，包括时序采集分析模块，用于自动时序采集设备指标的实际运行数据，并进行分析；线性模型预测模块，用于对指标出现以增长方式呈恶化态势时和对指标出现以衰减方式呈恶化态势时，进行预测；模型建立训练模块，用于建立logistic回归模型；数据比对预测模块，用于通过预测趋势与实际数据的对比，选择相应的算法模型，利用相应的算法模型对设备指标的数据进行预测和告警。本发明使用统一预测计算模型，只关注时序数据的变化规律，不需要人工对指标或阈值进行调整。

Description

基于时序饱和预测的无线信号设备故障预警方法和系统
技术领域
本发明涉及无线设备故障预警技术领域，尤其涉及基于时序饱和预测的无线信号设备故障预警方法和系统。
背景技术
在无线信号设备运维的场景中，设备运行指标的变化呈现着一定的规律趋势，但对于故障趋势的预测，一直是运维工作中较难解决问题。
对于设备故障的预判，主要通过三种方式进行。一种是告警方式，通过指标越过设定的阈值实现故障检修通知，该方式不具备故障预测性。另一种方式是在告警的基础上，设定一个预警阈值，提前进行设备状态关注。但也存在故障预测的准确性问题。在很多情况下，一个指标从预警到告警之间，存在着多种因素制约，两个状态位的变化可能要经历很长时间才能达到转换的条件，因此不考虑状态变化的时间趋势，仅根据单纯的预警阈值进行提前干预和检修，可能会带来大量额外无效的检修工作。第三种是根据告警阈值，在一段时间段内判断指标越过或接近阈值的增多次数的趋势，来决定是否进行提前检修。这种方式的预测存在需要根据不同类型设备、不同厂家设备的不同指标，均需要设定判断依据，且要人工对数据长期进行跟踪，不断修正参数。工作量大，效果也不一定明显，目前现有技术存在以下问题，1、按照人工经验难以保障设定预警阈值的准确性及合理性；2、设备指标达到预警阈值后需要一个趋势评估，不易确定合理的检修时间和检修周期；3、人工设定的趋势判断标准，缺乏科学依据，修正的工作量大，效果难以评估。
发明内容
针对上述问题，本发明提出基于时序饱和预测的无线信号设备故障预警方法和系统。
本发明通过以下技术方案实现：
基于时序饱和预测的无线信号设备故障预警方法，包括以下步骤：
S1. 自动时序采集设备指标的实际运行数据，并进行分析，当指标出现以增长方式呈恶化态势时，则执行步骤S2，当指标出现以衰减方式呈恶化态势时，则执行步骤S3；
S2. 使用线性模型进行预测，指定承载能力极限cap，以达到极限值的时间进行饱和预测；
S3. 使用线性模型进行预测，指定最小承受值floor，即告警阈值，以达到极限值的时间进行饱和预测；
S4. 建立logistic回归模型，所述指标数据的增长满足logistic方程；
S5. 利用 Prophet模型算法，加载不同时期的指标历史数据，对logistic进行模型训练；
S6. 通过预测趋势与实际数据的对比，选择相应的算法模型，利用相应的算法模型对设备指标的数据进行预测和告警。
进一步的，所述S4中的logistic回归模型为：
；
其中，表示数值变化极限，能达到的极限，表示初始值，即t=0时刻的数量，表述增长速率，t表示时间戳，表示线性微分方程的通解。
进一步的，所述S5对logistic进行模型训练，训练过程对变点数s、变点范围默认和增长趋势模型的灵活度进行调整，所述变点数s默认为25，所述变点范围默认为0.8，所述增长趋势模型的灵活度默认为0.05。
基于时序饱和预测的无线信号设备故障预警系统，包括：
时序采集分析模块，用于自动时序采集设备指标的实际运行数据，并进行分析；
线性模型预测模块，用于对指标出现以增长方式呈恶化态势时和对指标出现以衰减方式呈恶化态势时，进行预测；
模型建立训练模块，用于建立logistic回归模型，并利用 Prophet模型算法，加载不同时期的指标历史数据，对logistic进行模型训练；
数据比对预测模块，用于通过预测趋势与实际数据的对比，选择相应的算法模型，利用相应的算法模型对设备指标的数据进行预测和告警。
进一步的，所述线性模型预测模块，具体包括：
增长方式饱和预测单元，用于对指标出现以增长方式呈恶化态势时，使用线性模型进行预测，指定承载能力极限cap，以达到极限值的时间进行饱和预测；
衰减方式饱和预测单元，用于对指标出现以衰减方式呈恶化态势时，使用线性模型进行预测，指定最小承受值floor，即告警阈值，以达到极限值的时间进行饱和预测。
本发明的有益效果：
本发明使用统一预测计算模型，只关注时序数据的变化规律，不需要人工对指标或阈值进行调整，解决原有方式需要根据人为经验与设备实际运行状态，不断调整和优化指标阈值，且根据不同设备的不同指标，进行不同的阈值定义的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提出的基于时序饱和预测的无线信号设备故障预警方法的方法结构图；
图2为本发明实施例提出基于时序饱和预测的无线信号设备故障预警的终端设备结构示意图；
图3为本发明实施例提出的基于时序饱和预测的无线信号设备故障预警方法的计算机可读存储介质结构示意图；
图中， 200-终端设备、210-存储器、211-RAM、212-高速缓存存储器、213-ROM、214-程序/实用工具、215-程序模块、220-处理器、230-总线、240-外部设备、250-I/O接口、260-网络适配器、300-程序产品。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1，本实施例提出基于时序饱和预测的无线信号设备故障预警方法，包括以下步骤：
S1. 自动时序采集设备指标的实际运行数据，并进行分析，当指标出现以增长方式呈恶化态势时，则执行步骤S2，当指标出现以衰减方式呈恶化态势时，则执行步骤S3；
S2. 使用线性模型进行预测，指定承载能力极限cap，以达到极限值的时间进行饱和预测；
S3. 使用线性模型进行预测，指定最小承受值floor，即告警阈值，以达到极限值的时间进行饱和预测；
S4. 建立logistic回归模型，所述指标数据的增长满足logistic方程；
S5. 利用 Prophet模型算法，加载不同时期的指标历史数据，对logistic进行模型训练；
S6. 通过预测趋势与实际数据的对比，选择相应的算法模型，利用相应的算法模型对设备指标的数据进行预测和告警，所述S4中的logistic回归模型为：
;
其中，表示数值变化极限，即增长到最后，能达到的极限，表示初始值，即t=0时刻的数量，表述增长速率，t表示时间戳，表示线性微分方程的通解，所述S5对logistic进行模型训练，训练过程对变点数s默认25、变点范围默认0.8和增长趋势模型的灵活度默认0.05进行调整。
实施例2
在实施例1的基础上，本实施例进一步提出一种基于时序饱和预测的无线信号设备故障预警系统，包括：
时序采集分析模块，用于自动时序采集设备指标的实际运行数据，并进行分析；
线性模型预测模块，用于对指标出现以增长方式呈恶化态势时和对指标出现以衰减方式呈恶化态势时，进行预测；
模型建立训练模块，用于建立logistic回归模型，并利用 Prophet模型算法，加载不同时期的指标历史数据，对logistic进行模型训练；
数据比对预测模块，用于通过预测趋势与实际数据的对比，选择相应的算法模型，利用相应的算法模型对设备指标的数据进行预测和告警。
进一步的，所述线性模型预测模块，具体包括：
增长方式饱和预测单元，用于对指标出现以增长方式呈恶化态势时，使用线性模型进行预测，指定承载能力极限cap，以达到极限值的时间进行饱和预测；
衰减方式饱和预测单元，用于对指标出现以衰减方式呈恶化态势时，使用线性模型进行预测，指定最小承受值floor，即告警阈值，以达到极限值的时间进行饱和预测。
实施例3
在实施例1的基础上，本实施例提出一种具体实施方式，包括：
1.对于指标以增长方式呈恶化态势的情况，使用线性模型进行预测，指定承载能力极限（cap），以达到最大极限值的时间进行饱和预测。
2.对于指标以衰减方式呈恶化态势的情况，使用线性模型进行预测，指定最小承受值floor，即告警阈值，以进行达到极限值的时间饱和预测。
3.采用logistic回归模型：
；
为数值变化极限，即增长到最后，能达到的极限。
为初始，就是=0时刻的数量，表示线性微分方程的通解。
r为增长速率， r越大则增长越快，越快逼近值， r越小增长越慢，越慢逼近 K值。
其中，增长速率r可以手工指定，也可以通过算法自动选择变化位置进行走势纠正。如默认为S个变点，设置变点范围是前80%，并且变点的位置是在时间戳。向量, 其中表示变点位置，表示变点数量。
如果一开始的增长率使用来代替的话，那么在时间戳  上的增长率就是 通过一个指示函数, 即在时间戳 上面的增长率就是，表示在时间戳上的增长率的变化量，表示在变点位置的指示函数，为求和公式的参数，表示矩阵的转置。
4. 利用 Prophet模型算法，加载不同时期的指标历史数据，对logistic进行模型训练。训练过程需要调整的内容包括，变点数s（默认25）、变点范围（默认0.8）和增长趋势模型的灵活度，（默认0.05），灵活度值越大，选择的变点越多，从而使模型对历史数据的拟合程度变强，但也增加了过拟合的风险。
5. 通过预测趋势与实际数据的对比，选择适合的算法模型，确认实际数据与预测范围相对吻合。
6. 每周六定时利用算法对设备指标的最近3个月数据进行预测，预测未来达到饱和值的时间在14天内，告警通知检修。
实施例4
如图2，在实施例1的基础上，本实施例提出基于时序饱和预测的无线信号设备故障预警的终端设备，终端设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质，例如RAM211和/或高速缓存存储器212，还可以进一步包括ROM213。
其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中上述任一项一种基于时序饱和预测的无线信号设备故障预警方法，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。存储器210还可以包括具有一组(至少一个)程序模块215的程序/实用工具214，这样的程序模块包括但不限于：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。
相应的，处理器220可以执行上述计算机程序，以及可以执行程序/实用工具214。
总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
终端设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该终端设备200交互的设备通信，和/或与使得该终端设备200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I/O接口250进行。并且，终端设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与终端设备200的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备200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、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
实施例5
如图3，在实施例1的基础上，本实施例提出基于时序饱和预测的无线信号设备故障预警的计算机可读存储介质，所述计算机可读存储介质上存储有指令，该指令被处理器执行时实现上述任一的一种基于时序饱和预测的无线信号设备故障预警方法。其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
图3示出了本实施例提供的用于实现上述方法的程序产品300，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，本发明的程序产品300不限于此，在本实施例中，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300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。
计算机可读存储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。可读存储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。可读存储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发明操作的程序代码，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)。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于时序饱和预测的无线信号设备故障预警方法，其特征在于，包括以下步骤：
S1. 自动时序采集设备指标的实际运行数据，并进行分析，当指标出现以增长方式呈恶化态势时，则执行步骤S2，当指标出现以衰减方式呈恶化态势时，则执行步骤S3；
S2. 使用线性模型进行预测，指定承载能力极限cap，以达到极限值的时间进行饱和预测，执行步骤S4；
S3. 使用线性模型进行预测，指定最小承受值floor，即告警阈值，以达到极限值的时间进行饱和预测，执行步骤S4；
S4. 建立logistic回归模型；
S5. 利用 Prophet模型算法，加载不同时期的指标历史数据，对logistic进行模型训练；
S6. 通过预测趋势与实际数据的对比，选择相应的算法模型，利用相应的算法模型对设备指标的数据进行预测和告警；
所述S4中的logistic回归模型为：
；
其中，表示数值变化极限，能达到的极限，表示初始值，即t=0时刻的数量，表述增长速率，t表示时间戳，表示线性微分方程的通解；
采用代替增长率，则时间戳  上的增长率为  通过一个指示函数, 即在时间戳 上面的增长率就是，表示在时间戳上的增长率的变化量，表示在变点位置的指示函数，为求和公式的参数，表示矩阵的转置。
2.根据权利要求1所述的基于时序饱和预测的无线信号设备故障预警方法，其特征在于，所述S5的对logistic进行模型训练，训练过程对变点数s、变点范围默认和增长趋势模型的灵活度进行调整，所述变点数s默认为25，所述变点范围默认为0.8，所述增长趋势模型的灵活度默认为0.05。
3.基于权利要求1-2任一所述的基于时序饱和预测的无线信号设备故障预警方法的系统，其特征在于，包括：
时序采集分析模块，用于自动时序采集设备指标的实际运行数据，并进行分析；
线性模型预测模块，用于对指标出现以增长方式呈恶化态势时和对指标出现以衰减方式呈恶化态势时，进行预测；
模型建立训练模块，用于建立logistic回归模型，并利用 Prophet模型算法，加载不同时期的指标历史数据，对logistic进行模型训练；
数据比对预测模块，用于通过预测趋势与实际数据的对比，选择相应的算法模型，利用相应的算法模型对设备指标的数据进行预测和告警。
4.根据权利要求3所述的基于时序饱和预测的无线信号设备故障预警方法的系统，其特征在于，所述线性模型预测模块，具体包括：
增长方式饱和预测单元，用于对指标出现以增长方式呈恶化态势时，使用线性模型进行预测，指定承载能力极限cap，以达到极限值的时间进行饱和预测；
衰减方式饱和预测单元，用于对指标出现以衰减方式呈恶化态势时，使用线性模型进行预测，指定最小承受值floor，即告警阈值，以达到极限值的时间进行饱和预测。
5.根据权利要求3所述的基于时序饱和预测的无线信号设备故障预警方法的系统，其特征在于，所述logistic回归模型为：
;
其中，表示数值变化极限，即增长到最后，能达到的极限，表示初始值，即t=0时刻的数量，表述增长速率，t表示时间戳，表示线性微分方程的通解。
6.根据权利要求3所述的基于时序饱和预测的无线信号设备故障预警方法的系统，其特征在于，对logistic进行模型训练，训练过程对变点数s、变点范围默认和增长趋势模型的灵活度进行调整，所述变点数s默认为25，所述变点范围默认为0.8，所述增长趋势模型的灵活度默认为0.05。
CN202211575983.2A 2022-12-09 2022-12-09 基于时序饱和预测的无线信号设备故障预警方法和系统 Active CN115600770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211575983.2A CN115600770B (zh) 2022-12-09 2022-12-09 基于时序饱和预测的无线信号设备故障预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211575983.2A CN115600770B (zh) 2022-12-09 2022-12-09 基于时序饱和预测的无线信号设备故障预警方法和系统

Publications (2)

Publication Number Publication Date
CN115600770A CN115600770A (zh) 2023-01-13
CN115600770B true CN115600770B (zh) 2023-04-07

Family

ID=84852781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211575983.2A Active CN115600770B (zh) 2022-12-09 2022-12-09 基于时序饱和预测的无线信号设备故障预警方法和系统

Country Status (1)

Country Link
CN (1) CN115600770B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862302B (zh) * 2023-02-24 2023-09-08 深圳高速公路集团数字科技有限公司 基于物联网的建筑工程信息查询系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990174A (zh) * 2019-10-25 2020-04-10 苏州浪潮智能科技有限公司 一种基于Prophet模型预测SSD可用时间的方法、设备及介质
CN111078439A (zh) * 2019-10-31 2020-04-28 苏州浪潮智能科技有限公司 一种固态硬盘寿命预测方法和装置
CN111176575A (zh) * 2019-12-28 2020-05-19 苏州浪潮智能科技有限公司 基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质
CN112363890A (zh) * 2020-11-18 2021-02-12 合肥城市云数据中心股份有限公司 基于Prophet模型的数据中心运维系统阈值自适应告警监测方法
CN212628315U (zh) * 2020-09-15 2021-02-26 成都睿的欧科技有限公司 一种便于安装的音频设备
CN112836871A (zh) * 2021-01-27 2021-05-25 广东电网有限责任公司广州供电局 一种配电网可靠性预测方法、装置、设备和介质
CN114169568A (zh) * 2021-11-03 2022-03-11 国网浙江省电力有限公司瑞安市供电公司 基于Prophet模型的配电线路电流预测与重过载预警及系统
CN114756604A (zh) * 2022-06-13 2022-07-15 西南交通大学 一种基于Prophet组合模型的监测时序数据预测方法
WO2022247677A1 (zh) * 2021-05-28 2022-12-01 南京师范大学 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11599895B2 (en) * 2019-07-17 2023-03-07 Dell Products L.P. Gross margin recovery with supervised machine learning technique
US11501190B2 (en) * 2020-07-02 2022-11-15 Juniper Networks, Inc. Machine learning pipeline for predictions regarding a network

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990174A (zh) * 2019-10-25 2020-04-10 苏州浪潮智能科技有限公司 一种基于Prophet模型预测SSD可用时间的方法、设备及介质
CN111078439A (zh) * 2019-10-31 2020-04-28 苏州浪潮智能科技有限公司 一种固态硬盘寿命预测方法和装置
CN111176575A (zh) * 2019-12-28 2020-05-19 苏州浪潮智能科技有限公司 基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质
CN212628315U (zh) * 2020-09-15 2021-02-26 成都睿的欧科技有限公司 一种便于安装的音频设备
CN112363890A (zh) * 2020-11-18 2021-02-12 合肥城市云数据中心股份有限公司 基于Prophet模型的数据中心运维系统阈值自适应告警监测方法
CN112836871A (zh) * 2021-01-27 2021-05-25 广东电网有限责任公司广州供电局 一种配电网可靠性预测方法、装置、设备和介质
WO2022247677A1 (zh) * 2021-05-28 2022-12-01 南京师范大学 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统
CN114169568A (zh) * 2021-11-03 2022-03-11 国网浙江省电力有限公司瑞安市供电公司 基于Prophet模型的配电线路电流预测与重过载预警及系统
CN114756604A (zh) * 2022-06-13 2022-07-15 西南交通大学 一种基于Prophet组合模型的监测时序数据预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冷天培 等.基于Prophet模型的江坪河水电站面板堆石坝变形预测.水力发电.2020,第46卷(第06期),第29-34页. *
王晓 等.基于Prophet算法的铁路客流量预测研究.计算机技术与发展.2020,第30卷(第06期),第130-134页. *

Also Published As

Publication number Publication date
CN115600770A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN110474795B (zh) 服务器容量的处理方法及装置、存储介质及电子设备
CN110852438B (zh) 模型生成方法和装置
CN109471783B (zh) 预测任务运行参数的方法和装置
CN115600770B (zh) 基于时序饱和预测的无线信号设备故障预警方法和系统
CN111191893B (zh) 风控文本处理方法、装置及电子设备
CN113821416A (zh) 监测告警方法、装置、存储介质及电子设备
CN113743726B (zh) 基于边缘计算的输电线路电缆沟作业安全管控方法及系统
CN114301803B (zh) 网络质量检测方法、装置、电子设备及存储介质
CN112148566B (zh) 计算引擎的监控方法、装置、电子设备及存储介质
CN114005297A (zh) 一种基于车联网的车队协调行驶方法
CN117688342A (zh) 一种基于模型的设备状态预测方法、电子设备及存储介质
CN113408070A (zh) 发动机参数的确定方法、装置、设备及存储介质
CN113313304A (zh) 一种基于大数据决策树的电网事故异常分析方法及系统
WO2024016586A1 (zh) 机房温度控制方法及装置、电子设备、存储介质
CN111949498A (zh) 应用服务器异常预测方法及系统
JP2022095895A (ja) 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム
CN112363465B (zh) 一种专家规则集训练方法、训练器和工业设备预警系统
CN110349002B (zh) 一种消费金融全流程监控预警的方法、装置和电子设备
CN114358581A (zh) 性能指标的异常阈值确定方法和装置、设备、存储介质
US10573147B1 (en) Technologies for managing safety at industrial sites
CN114021793A (zh) 洪水预测方法及电子设备
CN113535407B (zh) 一种服务器的优化方法、系统、设备及存储介质
CN117033146B (zh) 指定共识合约执行进程的识别方法、装置、设备及介质
CN111325278B (zh) 一种图像处理方法、装置及存储介质
CN110298742B (zh) 数据处理方法和装置

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