JP2017520029A - カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器 - Google Patents

カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器 Download PDF

Info

Publication number
JP2017520029A
JP2017520029A JP2016526273A JP2016526273A JP2017520029A JP 2017520029 A JP2017520029 A JP 2017520029A JP 2016526273 A JP2016526273 A JP 2016526273A JP 2016526273 A JP2016526273 A JP 2016526273A JP 2017520029 A JP2017520029 A JP 2017520029A
Authority
JP
Japan
Prior art keywords
time series
capacity
capacity time
kalman filter
point
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.)
Granted
Application number
JP2016526273A
Other languages
English (en)
Other versions
JP6343001B2 (ja
Inventor
ベーベー ミャオ
ベーベー ミャオ
ユ チン
ユ チン
シュエボ ジン
シュエボ ジン
シエンピン シュ
シエンピン シュ
シミン タオ
シミン タオ
ジ ザン
ジ ザン
ボ ワン
ボ ワン
Original Assignee
バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド
バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド
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 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド, バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド filed Critical バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド
Publication of JP2017520029A publication Critical patent/JP2017520029A/ja
Application granted granted Critical
Publication of JP6343001B2 publication Critical patent/JP6343001B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G06F16/23—Updating
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0255—Filters based on statistics
    • H03H17/0257—KALMAN filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明の実施例に係るカルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器であって、当該方法は、予測対象の容量時系列を取得するステップと、容量時系列に対して動力学モデルを構築し、且つ動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するステップと、状態遷移パラメータ及びプロセス雑音パラメータを利用して容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するステップと、少なくとも１つの状態特徴信号に基づいて、容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップと、容量時系列において決定された少なくとも１つの区分点に基づいて未来時の容量を予測するステップと、を含む。本発明の技術的解決手段は、容量増加に対しての正確な予測を実現し、更に、保守要員が容易に合理的な拡張プログラムを開発することができる。

Description

優先権主張
本願は、２０１５年０４月０３日に中国特許局に提出され、出願番号が２０１５１０１５８６９９．９であり、発明の名称が「カルマンフィルタに基づく容量予測方法及びシステム」である中国特許出願の優先権を主張し、そのすべての内容を参照として、本願の明細書に援用する。
本発明は通信技術分野に関し、特にカルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器に関する。
インタネット及び情報産業の急速な発展に伴い、大量な情報データが発生する。増加し続けるデータを効果的に記憶するように、保守要員はタイムリーに記憶装置を購入する必要がある。しかしながら、購入予算が正確ではなく過度に購入したので、装置がそのまま放置される場合があり、会社や企業に人的資源の無駄、財務上の損失をもたらす。これに基づいて、当業者は、容量時系列の履歴データを介して、その基本的な変化傾向を分析し、容量の今後の動向を正確に予測し、購入計画をインテリジェント作成する目標を実現し、会社の購入コストを節約し、無駄を避けるように、データ分析及びデータの可視化研究プロジェクトを積極的に行っている。
従来の技術では、容量時系列の履歴データを介して、容量の今後の動向を予測する方法は、下記の欠点を有し、即ち、（１）人による観測法に対して、経験が豊富な専門家が容量時系列データの動向を正確に判断することができるが、その予測誤差が依然として大きく、（２）閾値アラーム法に対して、関連する保守要員が購入するように促すことができるが、購入量に対しての合理的な提案を与えることができず、過度の拡大につながり、無駄をもたらす。
本発明の実施例がカルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器を提供しており、容量増加への正確な予測を実現し、更に、保守要員が容易に合理的な拡張プログラムを開発することができる。
上記目的を達成するために、本発明の実施例は、カルマンフィルタに基づく容量予測方法を提供しており、前記方法は、
予測対象の容量時系列を取得するステップと、
前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するステップと、
前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するステップと、
前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップと、
前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するステップと、を含む。
本発明の実施例はカルマンフィルタに基づく容量予測システムを更に提供しており、前記システムは、
予測対象の容量時系列を取得するための取得モジュールと、
前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するための構築抽出モジュールと、
前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するための推定生成モジュールと、
前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するための区分モジュールと、
前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するための予測モジュールと、を備える。
本発明の実施例は、コンピュータ機器を提供しており、１つ又は複数のプロセッサと、メモリと、１つ又は複数のプログラムと、を備え、前記１つ又は複数のプログラムが前記メモリに記憶され、前記１つ又は複数のプロセッサにより前記１つ又は複数のプログラムに含まれる、カルマンフィルタに基づく容量予測方法を実行するための命令を実行するように設置され、前記容量予測方法が、予測対象の容量時系列を取得することと、前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するステップと、前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するステップと、前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップと、前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するステップと、を含む。
本発明の実施例に係るカルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器は、取得された容量時系列に対して動力学モデルを構築し、その後カルマンフィルタを利用して動力学モデルでの容量時系列に対してフィルタリング推定を行い、少なくとも１つの状態特徴信号を生成し、生成された状態特徴信号を区分し、且つ区分点に基づいて未来時の容量を予測することにより、予測精度を向上させる。
図１は本発明に係るカルマンフィルタに基づく容量予測方法の一実施例の方法のフローチャートである。 図２は本発明に係る容量時系列のサンプル概略図である。 図３は本発明に係るカルマンフィルタでフィルタリングされた後の容量時系列の状態特徴信号の概略図である。 図４は本発明に係るカルマンフィルタに基づく容量予測方法の別の実施例の方法のフローチャートである。 図５は本発明に係る容量時系列に対してメディアンフィルタ処理及び移動平均フィルタ処理を行った後の信号の概略図である。 図６は本発明に係る状態特徴信号に基づいて区分点を決定する方法のフローチャートである。 図７は本発明に係る容量時系列の速度に対して分散分析検定を行って決定された区分疑似点のサンプル図である。 図８は本発明に係る容量時系列の加速度に対して分散分析検定を行って決定された区分疑似点のサンプル図である。 図９は本発明に係る容量時系列の加加速度に対して分散分析検定を行って決定された区分疑似点のサンプル図である。 図１０は図８における加速度信号に対して分散分析区分を行って取得した容量時系列における４つの段階信号のサンプル図である。 図１１は本発明に係るカルマンフィルタに基づく容量予測システムの一実施例の構成概略図である。 図１２は本発明に係るカルマンフィルタに基づく容量予測システムの別の実施例の構成概略図である。 図１３は図１２における区分モジュールの構成概略図である。 図１４は図１２における予測モジュールの構成概略図である。 図１５は本発明に係るカルマンフィルタに基づく容量予測システムの更に別の実施例の構成概略図である。 図１６は本発明に係るコンピュータ機器の一実施例の構成概略図である。
本発明に係る技術的解決手段は、カルマンフィルタに基づいて容量時系列をフィルタリングし、状態特徴信号を生成して、状態特徴信号を区分し、区分点及び各区間内の信号の増加傾向を決定してから、決定された区分点を利用して未来時の容量を予測する。本発明の実施例に係る技術的解決手段は、様々なカルマンフィルタに基づく容量予測システムに適用される。
実施例１
図１は本発明に係るカルマンフィルタに基づく容量予測方法の一実施例の方法のフローチャートである。
図１を参照し、ステップＳ１１０では、予測対象の容量時系列を取得する。
前記予測対象は情報産業やインターネットにおいて増加しつつある情報データであってもよい。通常、情報の容量の大きさが経時的に形成された系列を容量時系列と称する。容量時系列では、それぞれの時点は１つの情報容量の容量値に対応する。
オンライン又はオフラインで予測対象の履歴容量データを取得することにより上記容量時系列を形成することができる。
ステップＳ１２０では、容量時系列に対して動力学モデルを構築し、且つ動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出する。
機動目標の動力学モデルの研究歴史が長く、且つ効果が良好である。現在、良好な効果を遂げて幅広く使用されている動力学モデルは、主に一定速度（Ｃｏｎｓｔａｎｔ ｖｅｌｏｃｉｔｙ、ＣＶ）モデル、等加速度（Ｃｏｎｓｔａｎｔ ａｃｃｅｌｅｒａｔｉｏｎ、ＣＡ）モデル、Ｓｉｎｇｅｒモデル、「現在」統計モデル、Ｊｅｒｋモデル等を含む。様々な、形の異なる機動目標動力学モデルは、目標速度及び加速度の高レベルの状態特徴信号が異なる統計特性を満たすと仮定することにより形成されたのであり、ある数学的関係である。選択された動力学モデルと実際目標運動の状態特徴との一致程度が高ければ高いほど、このような動力学モデルを用いて行った目標状態推定によるトラッキング性能がよいことを表す（全体的な分散がより小さいと考えてもよい）。
本実施例では、既存の動力学モデルに対しての研究を上記した容量時系列の増加傾向の分析に適用することで、容量時系列に対しての動力学モデルを構築する。
容量時系列の動力学モデルを構築し、例えば、線形信号に対して、その理想的な加速度値が０であると仮定し、ＣＡモデルを構築することができ、速度に対する推定を実現し、二次関数の非線形信号に対して、その理想的な加速度が０ではないが、その加加速度が０であり、Ｊｅｒｋモデルを構築することができ、加速度に対する推定を実現し、周期信号に対して、三角関数トレンドモデルを構築することができる。この考えに基づき、容量時系列の変化状況に基づいて、演算により、選択的に対応する動力学モデルを構築することができる。
通常、１つの固定された動力学モデルでは、目標状態特徴を記述するための２つのパラメータが存在し、それぞれ目標が現在の状態から次の状態に変換することに対応する状態遷移パラメータ及びプロセス雑音パラメータである。例えば、Ｊｅｒｋモデルに対して、その対応するシステム状態方程式は次のように表してもよく、
Ｊｅｒｋモデルでの状態遷移パラメータ及びプロセス雑音パラメータの選択を参照し、類似的に他の動力学モデルにおける対応するパラメータを抽出することができる。上記した容量時系列に対してのＪｅｒｋモデルでの状態遷移パラメータ及びプロセス雑音パラメータ（これに限定されず）に基づいて、初歩的に現在の被測定容量時系列の基本的な増加傾向特徴を知ることができる。
ステップＳ１３０では、状態遷移パラメータ及びプロセス雑音パラメータを利用して容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成する。
そのうち、カルマンフィルタは、最適化自己回帰データ処理アルゴリズムであり、雑音を完全に含むわけではない一連の測定データから、動的システムの状態を推定することができる。通常、カルマンフィルタが１つのシステムプロセスを推定する前に、当該システムプロセスに対して予めモデリングしておく必要があり、できるだけシステムプロセスの変化法則と一致する動力学モデルを構築する。その後、構築された動力学モデルに対して、対応するシステム状態方程式における２つのパラメータを抽出し、この２つのパラメータはそれぞれ上記した状態遷移パラメータ及びプロセス雑音パラメータに対応する。カルマンフィルタはこの２つのパラメータ及びオリジナルのシステムプロセスデータを利用してオリジナルのシステムプロセスデータが経時的に変化する傾向を比較的に正確に推定することができる。
本実施例では、カルマンフィルタを利用して動力学モデルでの容量時系列を推定し、容量が時系列での各時点で対応する、位置、速度、加速度及び加加速度の少なくとも１つの状態特徴信号を含む推定値をオンラインで取得することでき、その後、これらの推定値により分析して容量時系列の変化法則を取得することができる。
ステップＳ１４０では、少なくとも１つの状態特徴信号に基づいて、容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定する。
通常、容量時系列に対して動力学モデルを構築する前に、研究対象のデータ行列が基本的な傾向及び雑音成分の和であると仮定し、即ち仮に観測して取得した該容量時系列が、下記のとおりであるとし、
そのうち、Ztは観測して取得された容量時系列を表し、μtは基本的な傾向であり、Ntは独立した雑音プロセスである。図２に示すように、当該 Ztは、雑音を有し、「突然変異点」を有し、データの基本的な傾向 Ztの位相が変化し、複数の線形変化する小段階を形成する特徴を有する。
上記の容量時系列が構築された動力学モデルと一致すると仮定する場合、変化が比較的に安定な線形段階（ｐａｔｔｅｒｎ）において、カルマンフィルタで推定すると、最適化推定結果を取得することができる。しかしながら、隣接する２つの異なるｐａｔｔｅｒｎの間に変化が発生した遷移区間において、容量時系列がガウス白色雑音の特性を満たさず、モデル推定値が実際データと一致しないため、カルマンフィルタの予測値と補正値の差が大きくなる。この場合、カルマンフィルタは速度、加速度及び加加速度を自動的に調整してゆっくり追跡・推定・学習を行い、これによって、この区間が「波動」を呈する。図３は、容量時系列がカルマンフィルタによってフィルタリングされた後に取得された容量時系列の速度、加速度及び加加速度の状態特徴信号パターンである。
図３から分かるように、現在の被研究容量時系列は、３つのｐａｔｔｅｒｎが存在し、且つ「波動」信号はそれぞれ時系列における４００及び１２００付近の位置に発生する。
図３における速度、加速度、加加速度のうちの少なくとも１つの状態特徴信号の「波動」信号区間が発生する位置及び数量を介して、研究される容量時系列を区分（本実施例ではｐａｔｔｅｒｎの出現個数で区間の個数を区分してもよい）して、且つ対応する少なくとも１つの区分点を決定することができ、各区分点はそれぞれ１つの「波動」信号区間に位置してもよい。
ステップＳ１５０では、容量時系列において決定された少なくとも１つの区分点に基づいて未来時の容量を予測する。
容量時系列において決定された少なくとも１つの区分点に基づいて、隣接する区分点内（各ｐａｔｔｅｒｎ区間）の容量時系列の変化法則を把握することができ、更に容量時系列全体の変化法則を把握し、未来時の容量を予測する。区分予測が単一である場合、区分せずに予測することは容量時系列の増加変化の傾向をより正確に把握することができ、予測結果をより正確にする。予測過程では、実際の需要に応じてすべてのｐａｔｔｅｒｎ又は一部のｐａｔｔｅｒｎにおける容量時系列の変化法則を選択して容量予測を行ってもよい。
本発明の実施例に係るカルマンフィルタに基づく容量予測方法は、取得された容量時系列に対して動力学モデルを構築し、その後カルマンフィルタを利用して動力学モデルでの容量時系列に対してフィルタリング推定を行い、少なくとも１つの状態特徴信号を生成し、生成された状態特徴信号を区分し、且つ区分点に基づいて未来時の容量を予測することにより、予測精度を向上させる。
実施例２
図４は本発明に係るカルマンフィルタに基づく容量予測方法の別の実施例の方法のフローチャートであり、図１に示す実施例の具体的な実施形態と見なされてもよい。本実施例では、Ｊｅｒｋモデルを容量時系列に対して構築された動力学モデルとし、且つＪｅｒｋモデルでの状態遷移行列Ａ及びプロセス雑音分散行列Ｑをそれぞれ上記の状態遷移パラメータ及びプロセス雑音パラメータとして容量時系列のカルマンフィルタ推定を行う。
図４を参照し、ステップＳ４１０では、予測対象の容量時系列を取得する。ステップＳ４１０の処理は上記のステップＳ１１０の処理と同じである。
ステップＳ４３０では、容量時系列に対して動力学モデルを構築し、且つ動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出する。ステップＳ４３０の処理は上記のステップＳ１２０の処理と類似する。
具体的には、本実施例はＪｅｒｋモデルに基づく動力学システム状態方程式を研究される容量時系列に対して構築された動力学モデルとし、且つシステム状態方程式に対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出してそれぞれ前記状態遷移パラメータ及びプロセス雑音パラメータとし、容量時系列のカルマンフィルタ推定を行う。そのうち、Ａ及びＱの具体的な取得公式はステップＳ１２０で示され、ここで省略する。
ステップＳ４３０の前に、取得された測定対象物の容量時系列データに対して、図２に示すように、通常、雑音を有し、基本的な傾向からかなり離れる突然変異点セットが存在し、基本的な傾向が段階的に変化する特徴を有する。正確な予測を実現するために、これらの雑音及び突然変異点を除去する必要がある。従って、本実施例において、ステップＳ４３０の前にステップＳ４２０を実行して容量時系列に対してデータクリーニングを行ってもよい。
ステップＳ４２０では、メディアンフィルタリング及び／又は移動平均フィルタリングを用い、容量時系列に対してフィルタリング処理を行い、フィルタリングされた容量時系列を生成する。
具体的には、メディアンフィルタリングはデータ行列における突然変異点を効果的に除去することができ、移動平均フィルタリングはデータ行列における雑音を効果的に除去することができる。容量時系列は明らかな突然変異点がない場合、メディアンフィルタリングを行わずに、移動平均フィルタリングの方法のみを用いフィルタリング処理を行ってもよく、処理プロセスを簡素化させる。
好ましくは、本実施例はメディアンフィルタリング、移動平均フィルタリングを用い、順に容量時系列に対してフィルタリング処理を行い、容量時系列の基本的な傾向を取得する。図５は、容量時系列に対してメディアンフィルタリング及び移動平均フィルタリング処理を行った後の信号の概略図である。
ステップＳ４４０では、状態遷移パラメータ及びプロセス雑音パラメータを利用して容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成する。ステップＳ４４０の処理は上記のステップＳ１３０の処理と類似する。
具体的には、本実施例はＪｅｒｋモデルでのシステム状態方程式を容量時系列予測のために構築された動力学モデルとするため、システム状態方程式に対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを直接に選択して状態遷移パラメータ及びプロセス雑音パラメータとして容量時系列に対してカルマンフィルタ推定を行い、状態特徴信号である速度、加速度及び加加速度のうちの少なくとも１つを生成することができる。
以下、容量時系列のＪｅｒｋモデルでのシステム状態方程式を例としてカルマンフィルタのフィルタリングプロセスを説明する。通常、カルマンフィルタのフィルタリングプロシージャは主に状態予測及び補正の２つのステップを含む。
（１）状態予測
容量時系列がＪｅｒｋモデルで対応する状態遷移行列Ａを利用して、容量質点の次の状態を予測する。現在のシステム状態がｋであると仮定し、状態遷移行列Ａに応じて、システムの１つ前の状態に基づいて現在の状態を予測する。
式（７）〜（１１）により、全体のカルマンフィルタ推定を完了し、且つ容量時系列の位置、速度、加速度及び加加速度等の状態特徴信号を推定し抽出することができる。これらの状態特徴信号は比較的に安定的な信号であり、容量時系列の変化傾向の主な特徴をより確実に反映することができる。
ステップＳ４５０では、少なくとも１つの状態特徴信号に基づいて、容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定する。ステップＳ４５０の処理は上記のステップＳ１４０の処理と類似する。
具体的には、本実施例はＪｅｒｋモデルでのシステム状態方程式を予測容量時系列に対して構築された動力学モデルとするため、Ｊｅｒｋモデルでの容量時系列がカルマンフィルタにより推定されて生成された、速度、加速度及び加加速度のうちの１つの信号を含む状態特徴信号によって、容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定することができる。
状態特徴信号に基づいて容量時系列を区分する過程では、本実施例は具体的な区分方法を提供しており、図６に示す方法のステップを含む。
図６を参照し、本発明に係る状態特徴信号に基づいて区分点を決定する方法のフローチャートであり、
ステップＳ６１０では、容量時系列がカルマンフィルタによって推定された後に取得された速度、加速度、加加速度の信号のうちの少なくとも１つ信号に対して、存在する少なくとも１つの相転移信号領域を決定する。
容量時系列において隣接する２つのｐａｔｔｅｒｎの間の遷移段階、即ち区分点の近くにあるため、カルマンフィルタの推定値が容量時系列データとマッチングしない。この時、カルマンフィルタは、自体の状態パラメータを調整することによりマッチング推定を実現し、これは、区分点の近くにある領域と、隣接するｐａｔｔｅｒｎ内のシステム状態の状態特徴信号が大幅に異なってしまう。ここで、これらの状態特徴信号が大幅に異なる信号を相転移点又は区分疑似点と称し、これらの相転移点又は区分疑似点からなる領域を相転移信号領域と称する。
相転移信号領域内の信号は隣接するｐａｔｔｅｒｎ内の信号に対して明らかに異なる特徴（例えば「波動」特徴）を有するため、信号を介して数理解析を行い、少なくとも１つの相転移信号領域を決定することができる。
本実施例は、統計的解析の方法を採用し、カルマンフィルタに介して抽出されたシステム状態の速度、加速度及び加加速度等の高レベルの状態特徴信号に対して有意性分析を行い、確率の面から区分疑似点を検出してから、取得された区分疑似点で相転移信号領域を決定する。
具体的には、当該統計的解析の方法は、下記のステップを含み、
ステップ１：容量時系列がカルマンフィルタによって推定された後に取得された速度、加速度、加加速度の信号のうちの少なくとも１つ信号に対して、２つの連続して長さが同じであるスライドウィンドウを用い、時点の順に応じて２つのスライドウィンドウごとにおける信号の分散又は平均値を計算する。
２つのスライドウィンドウの幅をいずれも２４に設定すると、時点の順に応じて計算する第１対のスライドウィンドウはそれぞれ１〜２４、２５〜４８であり、この２つのウィンドウ内において対応する容量時系列におけるすべての容量の分散又は平均値を計算する。計算が完了した後で、２つのスライドウィンドウを時点の順に応じて後方に移動し、即ち第２対のスライドウィンドウはそれぞれ２〜２５、２６〜４９、……であり、順次に最後の時点に移動し、２つのスライドウィンドウごとにおける信号の分散又は平均値を計算する。
ステップ２：２つのスライドウィンドウ内の信号の分散又は平均値が同じではない確率は事前設定された対応する確率閾値より大きいと、２つの連続するスライドウィンドウの中間点を１つの区分疑似点としてマークする。
ここで、１つの区分疑似点を決定する原理は、取得された各対ウィンドウ内の２つの分散又は平均値の間の相違程度に応じて決定することであり、統計学では、分散が異なる検定に対して一般的にＦ検定を採用し、平均値が異なる検定に対して一般的にＴ検定又は並べ替え検定を採用する。以下、２種のパラメータの検定をそれぞれ説明する。
１．分散が異なる検定に対して
毎回選択した１対のウィンドウY1、Y2がいずれも正規分布に従い、且つ同じ分散のサンプルを有すると仮定し、数理解析及びＭａｔｌａｂにおけるｖａｒｔｅｓｔ２関数を介してY1、Y2ベクトル分散が同じである確率を求めることができ、更にY1、Y2の２つのサンプル分散が異なる確率を求めることができ、２つの分散が異なる確率は事前設定された対応する確率閾値、例えば０．９９より大きい場合、この２つのスライドウィンドウにおけるデータの分散が異なると認め、且つ２つの連続するスライドウィンドウの中間点を１つの区分疑似点として決定する。例えば、スライドウィンドウの長さが２４である第１対のスライドウィンドウの中間点が２４、２５のいずれか１点であってもよい。
２．平均値が異なる検定に対して
分散が異なる検定に対しての説明と類似し、まず、２つの長さが同じスライドウィンドウを設定し、各ウィンドウY1、Y2がいずれも正規分布に従い、且つ同じ平均値のサンプルを有する。次に、統計学におけるＴ検定又は並べ替え検定によりY1、Y2ベクトル平均値が同じである確率を求めることができ、更にY1、Y2の２つのサンプル平均値が異なる確率を求めることができ、２つの平均値が異なる確率は事前設定された対応する確率閾値、例えば０．９９より大きい場合、この２つのスライドウィンドウにおけるデータの平均値が異なると認め、且つ２つの連続するスライドウィンドウの中間点を１つの区分疑似点として決定する。例えば、スライドウィンドウの長さが２４である第１対のスライドウィンドウの中間点が２４、２５のいずれか１点であってもよい。
以上により、分散が異なる検定及び平均値が異なる検定に対して、いずれも容量時系列での少なくとも１つの区分疑似点を決定することができる。図７、図８及び図９に示すように、それぞれ容量時系列の速度、加速度及び加加速度に対して分散分析検定を行って決定した区分疑似点を示し、図から分かるように、区分疑似点の容量時系列全体での分布が不均一であるが、遷移区間の「波動」信号領域に集中している。
ステップ３：複数の連続する区分疑似点からなる信号領域を容量時系列の１つの相転移信号領域として決定する。
実際に相転移が発生した信号は容量時系列全体に分布する可能性があり、特に隣接する２つのｐａｔｔｅｒｎの間の遷移段階に特に集中しているため、検出して取得した複数の連続する区分疑似点を選択し、これらの区分疑似点からなる信号領域を容量時系列の１つの相転移信号領域とする方がより合理的である。具体的には、更に１つの相転移信号領域を決定することに必要な連続する区分疑似点の個数及び２つの連続する区分疑似点領域の間の間隔条件を設定することにより相転移信号領域の確定位置を絞ることができる。
ステップＳ６２０では、決定された少なくとも１つの相転移信号領域に基づいて容量時系列を区分し、対応する少なくとも１つの区分点を決定する。
容量時系列における相転移信号領域を決定した後、当該領域におけるいずれか１点を区分点として選択することができる。
具体的には、各相転移信号領域において対応する前記２つのスライドウィンドウにおける信号の分散の差値のうちの最大値、又は平均値の差値のうちの最大値に対応する区分疑似点を１つの区分点として決定することができる。これらの区分点で、信号の変更「波動」が最大であるとデフォルトすることができ、又は、各相転移信号領域における中間点を１つの区分点として決定する。ここでは、区分点の決定規則が限定されない。
これで、容量時系列における区分点の決定を完了する。ただし、上記区分点の決定過程には１つの問題が存在し、即ち、区分点の決定が研究される対象は容量時系列の状態特徴信号であり、速度、加速度及び加加速度信号を含み、どの信号で決定された区分点がより正確かを。このために、本実施例は適合率と再現率の概念を導入した。分散分析で取得された相転移点（区分疑似点）を例として、その定義は以下のとおりであり、
そのうち、分散分析で検出された真の相転移点の合計数が最終に決定された容量時系列の区分点の合計数であり、分散分析で検出された点の合計数が区分疑似点の合計数であり、所望の検出される相転移点の合計数がサンプルの基本的な傾向を観察して人為的に規定されたものであり、定数である。適合率が大きければ大きほど、検出された真の相転移点が多いことを表し、再現率が大きければ大きほど、分散分析を用いて検出することができる相転移点の数が多いことを表す。
図７、図８及び図９に示すように、容量時系列の速度、加速度及び加加速度に対して分散分析検定を行って決定した区分疑似点に対して、適合率及び再現率計算分析を行うことにより、表１に示す結果を取得する。
表１から分かるように、加加速度信号は適合率及び再現率が非常に高いため、実際に容量時系列に対して区分点決定を行う場合、加加速度信号を利用して分散分析を行い、検出結果を区分し、更に後期に生成された容量予測モデルがより正確であることを保証する。ただし、速度、加速度及び加加速度信号に対して、いずれも分散分析により区分点を検出することができるが、異なる信号の検出結果によって優劣があり、大量のデータサンプルを試験することにより、一般的に加速度又は加加速度信号を分散分析する場合、検出結果がより良いことを発見した。従って、本実施例では、好ましくは加速度又は加加速度信号を区分した上で容量予測を行う。
その後、ステップＳ４８０では、容量時系列において決定された少なくとも１つの区分点に基づいて未来時の容量を予測する。ステップＳ４８０の処理は上記のステップＳ１５０の処理と類似する。
それ上で、本実施例は未来時の容量を予測する具体的な実施形態を示し、即ち、ステップＳ４８１〜ステップＳ４８２を含み、
ステップＳ４８１：容量時系列における最後の区分点を開始点とし、その後の容量時系列のデータに対して線形又は非線形フィットを行い、容量予測モデルを生成する。ステップＳ４８２：容量予測モデルに基づいて未来時の容量を予測する。実際に予測する場合、カルマンフィルタによりフィルタリングされた後の対応する位置での容量時系列でフィットして、容量予測モデルを生成するようにしてもよい。
生成された容量予測モデルが容量時系列の実際の変化法則に接近することを満たす場合、更に未来時の容量を予測する。本実施例は、生成された容量予測モデルの妥当性と精度を判断するように、ステップＳ４８２の前、ステップＳ４９１〜ステップＳ４９２を更に実行してもよい。
ステップＳ４９１では、生成された容量予測モデルに対して適合度評価を行う。
通常、擬合モデルの優劣を評価するために、一般的に適合度を評価し、図１０に示すように、R2を評価基準とし、線形回帰方法を用い、上記の図８における加速度信号に対して分散分析区分を行って取得した容量時系列における４つの段階でフィットし、適合度及び対応する段階番号は表２に示される。
表２から分かるように、本実施例で選択された容量予測モデルの４つの段階の適合度はいずれも０.９より大きく、ひいては０.９９より大きく、これも本実施例で採用された容量時系列の区分方法が比較的に合理的であることを間接的に示している。
ステップＳ４９２では、適合度評価を行って取得した評価値が事前設定された適合度閾値より大きい場合、容量予測モデルに基づいて未来時の容量を予測する処理操作をトリガーする。
そのうち、事前設定された適合度閾値は０.９９であってもよい。図１０を参照しながら、本実施例で最後の段階（段階４）容量時系列を用い容量予測モデルを生成することを説明する。容量時間の変化過程では、近い未来の期間内に、容量はより大きい確率で最後の１つの変化が安定な段階に近接する増加傾向に従い変化することをデフォルトする。従って、容量時系列における最後の区分点を選択して開始点とし、その後のデータに対して曲線又は直線フィットを行い、近い未来の容量データをより合理的で正確に予測することができる。
表３は、図１０に示す容量時系列における最後の段階データで生成された容量予測モデルに基づいて最後の段階内のデータを予測して取得された予測値及び当該段階の実際の値の統計結果を示す。
そのうち、該容量予測モデルはｙ＝19896ｘ-10237629.1031976である。ｘは予測点の位置（時間ノードに対応する）であり、yは容量値である。誤差は予測値と実際の値との差であり、相対誤差＝誤差／実際の値である。表３から分かるように、すべての相対誤差はいずれも２％未満であり、経験が非常に豊富なエンジニアが人工的な手段のみで予測する場合でも、その相対誤差が５％ほどであるので、本実施例で生成された容量予測モデルは予測效果が高い。
本発明の実施例に係るカルマンフィルタに基づく容量予測方法は、図１に示す方法実施例に基づき、Ｊｅｒｋモデルでのシステム状態方程式を例として、対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出し、容量時系列に対してのカルマンフィルタ推定を実現し、カルマンフィルタ推定により取得された高レベルの状態特徴信号、例えば速度、加速度及び加加速度に基づいて容量時系列を区分し、最後に、最後の区分点を開始点とし、その後の容量時系列をフィットして容量予測モデルを生成し、未来の期間内の容量を予測する。予測精度を向上させる。
以上は、本発明の具体的実施形態に過ぎず、本発明の保護範囲はこれに限定されず、当業者は本発明に開示された技術的範囲内に、変化又は取り替えを容易に想到することができ、本発明の保護範囲の内に属すべきである。従って、本発明の保護範囲は前記特許請求の範囲の保護範囲を基準とする。
実施例３
図１１は本発明に係るカルマンフィルタに基づく容量予測システムの一実施例の構成概略図であり、図１に示す実施例の方法を実行することに用いられる。
図１１を参照し、当該カルマンフィルタに基づく容量予測システムは具体的に取得モジュール１１１、構築抽出モジュール１１２、推定生成モジュール１１３、区分モジュール１１４及び予測モジュール１１５を備え、そのうち、
取得モジュール１１１が、予測対象の容量時系列を取得するように用いられて、
構築抽出モジュール１１２が、容量時系列に対して動力学モデルを構築し、且つ動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するように用いられて、
推定生成モジュール１１３が、状態遷移パラメータ及びプロセス雑音パラメータを利用して容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するように用いられて、
区分モジュール１１４が、少なくとも１つの状態特徴信号に基づいて、容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するように用いられて、
予測モジュール１１５が、容量時系列において決定された少なくとも１つの区分点に基づいて未来時の容量を予測するように用いられている。
本発明の実施例に係るカルマンフィルタに基づく容量予測システムは、取得された容量時系列に対して動力学モデルを構築し、その後カルマンフィルタを利用して動力学モデルでの容量時系列に対してフィルタリング推定を行い、少なくとも１つの状態特徴信号を生成し、生成された状態特徴信号を区分し、且つ区分点に基づいて未来時の容量を予測することにより、予測精度を向上させる。
実施例四
図１２は本発明に係るカルマンフィルタに基づく容量予測システムの別の実施例の構成概略図であり、図１１に示す実施例の具体的な実施構成と見なしてもよく、図４に示す実施例の方法を実行することに用いられる。
図１２を参照し、当該カルマンフィルタに基づく容量予測システムは、取得モジュール１１１、構築抽出モジュール１１２、推定生成モジュール１１３、区分モジュール１１４及び予測モジュール１１５を備え、且つ、図１１における対応するモジュールと同じである。
この上で、図１２に示すカルマンフィルタに基づく容量予測システムは、メディアンフィルタリング及び／又は移動平均フィルタリングを用い、容量時系列に対してフィルタリング処理を行い、フィルタリングされた後の容量時系列を生成するための前処理モジュール１１６を更に備えてもよい。
更に、上記の動力学モデルは、一定速度（ＣＶ）モデル、等加速度（ＣＡ）モデル、Ｓｉｎｇｅｒモデル、「現在」統計モデル、Ｊｅｒｋモデルのうちの少なくとも１つを含んでもよい。
更に、上記構築抽出モジュール１１２は、更に、
容量時系列のＪｅｒｋモデルでのシステム状態方程式を構築し、且つシステム状態方程式に対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出することに用いられてもよい。
更に、上記推定生成モジュール１１３は、更に、
状態遷移行列Ａ及びプロセス雑音分散行列Ｑを利用して容量時系列に対してカルマンフィルタ推定を行い、且つ状態特徴信号である速度、加速度及び加加速度のうちの少なくとも１つを生成することに用いられる。
更に、上記の区分モジュール１１４は、更に、
容量時系列がカルマンフィルタによって推定された後に取得された前記速度、加速度及び加加速度のうちの少なくとも１つの状態特徴信号に基づいて、容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定することに用いられる。
更に、上記の区分モジュール１１４の具体的な構成概略図である図１３に示すように、当該区分モジュール１１４は、
容量時系列がカルマンフィルタによって推定された後に取得された速度、加速度、加加速度の信号のうちの少なくとも１つ信号に対して、存在する少なくとも１つの相転移信号領域を決定するための決定ユニット１１４１と、
決定された少なくとも１つの相転移信号領域に基づいて容量時系列を区分し、対応する少なくとも１つの区分点を決定するための区分ユニット１１４２と、を備えてもよい。
更に、上記の決定ユニット１１４１は、更に、
容量時系列がカルマンフィルタによって推定された後に取得された速度、加速度、加加速度の信号のうちの少なくとも１つ信号に対して、２つの連続して長さあが同じであるスライドウィンドウを用い、時点の順に応じて２つのスライドウィンドウごとにおける信号の分散又は平均値を計算すること、
２つのスライドウィンドウにおける信号の分散又は平均値が同じではない確率は事前設定された対応する確率閾値より大きい場合、２つの連続するスライドウィンドウの中間点を１つの区分疑似点としてマークすること、
複数の連続する区分疑似点からなる信号領域を容量時系列の１つの相転移信号領域として決定することに用いられる。
更に、上記区分ユニット１１４２は、更に、
各相転移信号領域における、対応する２つのスライドウィンドウおける信号の分散の差値のうちの最大値、又は平均値の差値のうちの最大値に対応する区分疑似点を１つの区分点として決定することに用いられる。
更に、上記区分ユニット１１４２は、更に、
各相転移信号領域における中間点を１つの区分点として決定することに用いられる。
更に、図１４は、上記の予測モジュール１１５の具体的な構成概略図であり、図１４に示すように、該予測モジュール１１５は、
容量時系列における最後の区分点を開始点とし、その後の容量時系列のデータに対して線形又は非線形フィットを行い、容量予測モデルを生成するための予測モデル生成ユニット１１５１と、
容量予測モデルに基づいて未来時の容量を予測するための予測ユニット１１５２と、を更に備えてもよい。
更に、図１５に示すように、図１２に示すカルマンフィルタに基づく容量予測システムに基づき、
生成された容量予測モデルに対して適合度評価を行うように用いられる適合度評価モジュール１１７と、
適合度評価を行って取得した評価値が事前設定された適合度閾値より大きい場合、予測ユニットが容量予測モデルに基づいて未来時の容量を予測することを実行する処理操作をトリガーするように用いられるトリガーモジュール１１８と、を更に備えてもよい。
上記図４、図５及び図６に示す方法実施例の方法のステップは、図１１〜図１５における対応する機能モジュールにより実行して完了させてもく、そのステップ原理を省略する。
本発明の実施例に係るカルマンフィルタに基づく容量予測システムは、図１１に示すシステム実施例に基づき、Ｊｅｒｋモデルでのシステム状態方程式を例として、対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出し、容量時系列に対してのカルマンフィルタ推定を実現し、カルマンフィルタ推定により取得された高レベルの状態特徴信号、例えば速度、加速度及び加加速度に基づいて、容量時系列を区分し、最後に、最後の区分点を開始点とし、その後の容量時系列をフィットして容量予測モデルを生成し、未来の期間内の容量を予測する。予測精度を向上させる。
図１６は本発明に係るコンピュータ機器の一実施例の構成概略図である。
図１６を参照し、コンピュータ機器は上記の実施例に係るカルマンフィルタに基づく容量予測方法を実施することに用いられることができる。具体的には、
コンピュータ機器は、構成又は特性によって比較的大きな差があり、１つ又は１つ以上のプロセッサ（例えばＣｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ、ＣＰＵ）７１０及びメモリ７２０を備えてもよい。そのうち、メモリ７２０は一時的または永続的に記憶するものであってもよい。メモリ７２０には１つ又は１つ以上のプログラムが記憶されてもよく、それぞれのプログラムはコンピュータ機器に対しての一連の命令操作を含んでもよい。更に、プロセッサ７１０はメモリ７２０と通信することができ、コンピュータ機器でメモリ７２０における一連の命令操作を実行する。特に、メモリ７２０には１つ又は１つ以上の的操作システムのデータ（例えばＷｉｎｄｏｗｓ ＳｅｒｖｅｒＴＭ、Ｍａｃ ＯＳ ＸＴＭ、ＵｎｉｘＴＭ、ＬｉｎｕｘＴＭ、ＦｒｅｅＢＳＤＴＭ等）が記憶されている。コンピュータ機器は１つ又は１つ以上の電源７３０、１つ又は１つ以上の有線又は無線のネットワークインターフェース７４０、１つ又は１つ以上の入出力インターフェイス７５０等を更に備えてもよい。
具体的には、本実施例では、コンピュータ機器は、１つ又は複数のプロセッサ７１０、メモリ７２０、及び１つ又は複数のプログラムを備え、１つ又は複数のプログラムがメモリ７２０に記憶され、１つ又は複数のプロセッサ７１０により１つ又は複数のプログラムに含むカルマンフィルタに基づく容量予測方法を実行するための命令を実行するように設置され、上記の容量予測方法は、予測対象の容量時系列を取得するステップと、前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するステップと、前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するステップと、前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップと、前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するステップと、を含む。
更に、メモリ７２０には、メディアンフィルタリング及び／又は移動平均フィルタリングを用い前記容量時系列に対してフィルタリング処理を行い、フィルタリング後の前記容量時系列を生成する処理を実行するための命令を更に含む。
前記動力学モデルは、一定速度（ＣＶ）モデル、等加速度（ＣＡ）モデル、Ｓｉｎｇｅｒモデル、「現在」統計モデル、Ｊｅｒｋモデルのうちの少なくとも１つを含んでもよい。
更に、メモリ７２０には、前記容量時系列のＪｅｒｋモデルでのシステム状態方程式を構築し、且つ前記システム状態方程式に対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出する処理を実行するための命令を更に含む。
更に、メモリ７２０には、前記状態遷移行列Ａ及び前記プロセス雑音分散行列Ｑを利用して、前記容量時系列に対してカルマンフィルタ推定を行い、且つ状態特徴信号である速度、加速度及び加加速度のうちの少なくとも１つを生成する処理を実行するための命令を更に含む。
更に、メモリ７２０には、前記容量時系列が前記カルマンフィルタ推定を行った後に取得した前記速度、加速度及び加加速度のうちの少なくとも１つの状態特徴信号に基づいて前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定する処理を実行するための命令を更に含む。
好ましくは、メモリ７２０には、前記容量時系列が前記カルマンフィルタ推定を行った後に取得した速度、加速度、加加速度の信号のうちの少なくとも１つ信号に対して、存在する少なくとも１つの相転移信号領域を決定し、決定された前記少なくとも１つの相転移信号領域に基づいて前記容量時系列を区分し、対応する少なくとも１つの区分点を決定する処理を実行するための命令を更に含む。
更に、メモリ７２０には、前記容量時系列が前記カルマンフィルタ推定を行った後に取得した速度、加速度、加加速度の信号のうちの少なくとも１つ信号に対して、２つの連続して長さが同じであるスライドウィンドウを用い、時点の順に応じて前記２つのスライドウィンドウごとにおける信号の分散又は平均値を計算し、前記２つのスライドウィンドウ内の信号の分散又は平均値が同じではない確率は事前設定された対応する確率閾値より大きい場合、前記２つの連続するスライドウィンドウの中間点を１つの区分疑似点としてマークし、複数の連続する前記区分疑似点からなる信号領域を前記容量時系列の１つの前記相転移信号領域として決定する処理を実行するための命令を更に含む。
更に、メモリ７２０には、各前記相転移信号領域における、対応する前記２つのスライドウィンドウ内の信号の分散の差値のうちの最大値、又は平均値の差値のうちの最大値に対応する前記区分疑似点を１つの区分点として決定する処理を実行するための命令を更に含む。
好ましくは、メモリ７２０には、各前記相転移信号領域における中間点を１つの区分点として決定する処理を実行するための命令を更に含む。
更に、メモリ７２０には、前記容量時系列における最後の前記区分点を開始点とし、その後の容量時系列のデータに対して線形又は非線形フィットを行い、容量予測モデルを生成し、前記容量予測モデルに基づいて未来時の容量を予測する処理を実行するための命令を更に含む。
また、メモリ７２０には、生成された前記容量予測モデルに対して適合度評価を行い、前記適合度評価を行って取得した評価値が事前設定された適合度閾値より大きい場合、前記容量予測モデルに基づいて未来時の容量を予測する処理操作をトリガーする処理を実行するための命令を更に含む。
本発明に係るコンピュータ機器は、取得された容量時系列に対して動力学モデルを構築し、その後カルマンフィルタを利用して動力学モデルでの容量時系列に対してフィルタリング推定を行い、少なくとも１つの状態特徴信号を生成し、生成された状態特徴信号を区分し、且つ区分点に基づいて未来時の容量を予測することにより、予測精度を向上させる。
更に、本発明は、Ｊｅｒｋモデルでのシステム状態方程式を例として、対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出し、容量時系列に対してのカルマンフィルタ推定を実現し、カルマンフィルタ推定により取得された高レベルの状態特徴信号、例えば速度、加速度及び加加速度に基づいて容量時系列を区分し、最後に、最後の区分点を開始点とし、その後の容量時系列をフィットして容量予測モデルを生成し、未来の期間内の容量を予測する。予測精度を向上させる。
上記の本発明に係る方法及び装置がハードウェア、ファームウェアにおいて実現されてもよく、又は記録媒体（例えばＣＤ ＲＯＭ、ＲＡＭ、フロッピーディスク、ハードディスク又は光磁気ディスク）に記憶可能なソフトウェア又はコンピュータコードで実現されてもよく、又はネットワークを介してダウンロードされたオリジナルの、遠隔記録媒体又は非一時的な機械可読媒体に記憶され且つローカル記録媒体に記憶されているコンピュータコードで実現されてもよく、それによって、ここで記述した方法は、汎用コンピュータ、専用プロセッサ又はプログラム可能な又は専用のハードウェア（例えばＡＳＩＣ又はＦＰＧＡ）の記録媒体に記憶されるソフトウェアで処理されることができる。コンピュータ、プロセッサ、マイクロプロセッサ制御器又はプログラマブルハードウェアはソフトウェア又はコンピュータコードを記憶又は受信することができる記憶モジュール（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ等）を含むことが理解可能であり、コンピュータ、プロセッサ又はハードウェアが前記ソフトウェア又はコンピュータコードをアクセスして実行する場合、本明細書に記載される処理方法を実現する。また、コンピュータによりここで示された処理を実現するためのコードをアクセスする場合、コードの実行に対して、汎用コンピュータをここで示された処理を実現するための専用コンピュータに変換する。
以上は、本発明の具体的実施形態に過ぎず、本発明の保護範囲はこれに限定されなく、当業者は本発明に開示された技術的範囲内に、変化又は取り替えを容易に想到することができ、本発明の保護範囲の内に属すべきである。従って、本発明の保護範囲は上記の特許請求の範囲の保護範囲を基準とする。

Claims (25)

  1. 予測対象の容量時系列を取得するステップと、
    前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するステップと、
    前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するステップと、
    前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップと、
    前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するステップと、を含むことを特徴とするカルマンフィルタに基づく容量予測方法。
  2. メディアンフィルタリング及び／又は移動平均フィルタリングを用い前記容量時系列に対してフィルタリング処理を行い、フィルタリング後の前記容量時系列を生成するステップを更に含むことを特徴とする請求項１に記載の方法。
  3. 前記動力学モデルは、一定速度（ＣＶ）モデル、等加速度（ＣＡ）モデル、Ｓｉｎｇｅｒモデル、「現在」統計モデル、Ｊｅｒｋモデルのうちの少なくとも１つを含むことを特徴とする請求項１に記載の方法。
  4. 前記の前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出する処理においては、
    前記容量時系列のＪｅｒｋモデルでのシステム状態方程式を構築し、且つ前記システム状態方程式に対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出するステップを含むことを特徴とする請求項３に記載の方法。
  5. 前記の前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するステップにおいては、
    前記状態遷移行列Ａ及び前記プロセス雑音分散行列Ｑを利用して、前記容量時系列に対してカルマンフィルタ推定を行い、且つ状態特徴信号である速度、加速度及び加加速度のうちの少なくとも１つを生成するステップを含むことを特徴とする請求項４に記載の方法。
  6. 前記の前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップにおいては、
    前記容量時系列が前記カルマンフィルタ推定を行った後に取得した前記速度、加速度及び加加速度のうちの少なくとも１つの状態特徴信号に基づいて前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップを含むことを特徴とする請求項５に記載の方法。
  7. 前記の前記容量時系列が前記カルマンフィルタ推定を行った後に取得した前記速度、加速度及び加加速度のうちの少なくとも１つの状態特徴信号に基づいて前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップにおいては、
    前記容量時系列が前記カルマンフィルタ推定を行った後に取得した速度、加速度、加加速度の信号のうちの少なくとも１つの信号に対して、存在する少なくとも１つの相転移信号領域を決定するステップと、
    決定された前記少なくとも１つの相転移信号領域に基づいて前記容量時系列を区分し、対応する少なくとも１つの区分点を決定するステップと、を含むことを特徴とする請求項６に記載の方法。
  8. 前記の前記容量時系列が前記カルマンフィルタ推定を行った後に取得した速度、加速度、加加速度の信号のうちの少なくとも１つ信号に対して、存在する少なくとも１つの相転移信号領域を決定するステップにおいては、
    前記容量時系列が前記カルマンフィルタ推定を行った後に取得した速度、加速度、加加速度の信号のうちの少なくとも１つの信号に対して、２つの連続して長さが同じであるスライドウィンドウを用い、時点の順に応じて前記２つのスライドウィンドウごとにおける信号の分散又は平均値を計算するステップと、
    前記２つのスライドウィンドウ内の信号の分散又は平均値が同じではない確率は事前設定された対応する確率閾値より大きい場合、前記２つの連続するスライドウィンドウの中間点を１つの区分疑似点としてマークするステップと、
    複数の連続する前記区分疑似点からなる信号領域を前記容量時系列の１つの前記相転移信号領域として決定するステップと、を含むことを特徴とする請求項７に記載の方法。
  9. 前記の決定された前記少なくとも１つの相転移信号領域に基づいて前記容量時系列を区分し、対応する少なくとも１つの区分点を決定するステップにおいては、
    各前記相転移信号領域における対応する前記２つのスライドウィンドウ内の信号の分散の差値のうちの最大値、又は平均値の差値のうちの最大値に対応する前記区分疑似点を１つの区分点として決定するステップを含むことを特徴とする請求項８に記載の方法。
  10. 前記の決定された前記少なくとも１つの相転移信号領域に基づいて前記容量時系列を区分し、対応する少なくとも１つの区分点を決定するステップにおいては、
    各前記相転移信号領域における中間点を１つの区分点として決定するステップを含むことを特徴とする請求項８に記載の方法。
  11. 前記の前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するステップにおいては、
    前記容量時系列における最後の前記区分点を開始点とし、その後の容量時系列のデータに対して線形又は非線形フィットを行い、容量予測モデルを生成するステップと、
    前記容量予測モデルに基づいて未来時の容量を予測するステップと、を含むことを特徴とする請求項９又は１０に記載の方法。
  12. 生成された前記容量予測モデルに対して適合度評価を行うステップと、
    前記適合度評価を行って取得した評価値が事前設定された適合度閾値より大きい場合、前記容量予測モデルに基づいて未来時の容量を予測する処理操作をトリガーするステップと、を更に含むことを特徴とする請求項１１に記載の方法。
  13. 予測対象の容量時系列を取得するための取得モジュールと、
    前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するための構築抽出モジュールと、
    前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するための推定生成モジュールと、
    前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するための区分モジュールと、
    前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するための予測モジュールと、を備えることを特徴とするカルマンフィルタに基づく容量予測システム。
  14. メディアンフィルタリング及び／又は移動平均フィルタリングを用い前記容量時系列に対してフィルタリング処理を行い、フィルタリング後の前記容量時系列を生成するための前処理モジュールを更に備えることを特徴とする請求項１３に記載のシステム。
  15. 前記動力学モデルは、一定速度（ＣＶ）モデル、等加速度（ＣＡ）モデル、Ｓｉｎｇｅｒモデル、「現在」統計モデル、Ｊｅｒｋモデルのうちの少なくとも１つを含むことを特徴とする請求項１３に記載のシステム。
  16. 前記構築抽出モジュールは、
    前記容量時系列のＪｅｒｋモデルでのシステム状態方程式を構築し、且つ前記システム状態方程式に対応する状態遷移行列Ａ及びプロセス雑音分散行列Ｑを抽出することに用いられることを特徴とする請求項１５に記載のシステム。
  17. 前記推定生成モジュールは、
    前記状態遷移行列Ａ及び前記プロセス雑音分散行列Ｑを利用して、前記容量時系列に対してカルマンフィルタ推定を行い、且つ状態特徴信号である速度、加速度及び加加速度のうちの少なくとも１つを生成することに用いられることを特徴とする請求項１６に記載のシステム。
  18. 前記区分モジュールは、
    前記容量時系列が前記カルマンフィルタ推定を行った後に取得した前記速度、加速度及び加加速度のうちの少なくとも１つの状態特徴信号に基づいて前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定することに用いられることを特徴とする請求項１７に記載のシステム。
  19. 前記区分モジュールは、
    前記容量時系列が前記カルマンフィルタ推定を行った後に取得した速度、加速度、加加速度の信号のうちの少なくとも１つの信号に対して、存在する少なくとも１つの相転移信号領域を決定するための決定ユニットと、
    決定された前記少なくとも１つの相転移信号領域に基づいて前記容量時系列を区分し、対応する少なくとも１つの区分点を決定するための区分ユニットと、を備えることを特徴とする請求項１８に記載のシステム。
  20. 前記決定ユニットは、更に
    前記容量時系列が前記カルマンフィルタ推定を行った後に取得した速度、加速度、加加速度の信号のうちの少なくとも１つの信号に対して、２つの連続して長さが同じであるスライドウィンドウを用い、時点の順に応じて前記２つのスライドウィンドウごとにおける信号の分散又は平均値を計算すること、
    前記２つのスライドウィンドウ内の信号の分散又は平均値が同じではない確率は事前設定された対応する確率閾値より大きい場合、前記２つの連続するスライドウィンドウの中間点を１つの区分疑似点としてマークすること、
    複数の連続する前記区分疑似点からなる信号領域を前記容量時系列の１つの前記相転移信号領域として決定することに用いられることを特徴とする請求項１９に記載のシステム。
  21. 前記区分ユニットは、更に、
    各前記相転移信号領域における対応する前記２つのスライドウィンドウ内の信号の分散の差値のうちの最大値、又は平均値の差値のうちの最大値に対応する前記区分疑似点を１つの区分点として決定することに用いられることを特徴とする請求項２０に記載のシステム。
  22. 前記区分ユニットは、更に、
    各前記相転移信号領域における中間点を１つの区分点として決定することに用いられることを特徴とする請求項２０に記載のシステム。
  23. 前記予測モジュールは、
    前記容量時系列における最後の前記区分点を開始点とし、その後の容量時系列のデータに対して線形又は非線形フィットを行い、容量予測モデルを生成するための予測モデル生成ユニットと、
    前記容量予測モデルに基づいて未来時の容量を予測するための予測ユニットと、を備えることを特徴とする請求項２１又は２２に記載のシステム。
  24. 前記システムは、
    生成された前記容量予測モデルに対して適合度評価を行うための適合度評価モジュールと、
    前記適合度評価を行って取得した評価値が事前設定された適合度閾値より大きい場合、前記予測ユニットが前記容量予測モデルに基づいて未来時の容量を予測することを実行する処理操作をトリガーするためのトリガーモジュールと、を更に備えることを特徴とする請求項２３に記載のシステム。
  25. １つ又は複数のプロセッサ、
    メモリ、
    １つ又は複数のプログラムを備え、
    前記１つ又は複数のプログラムが前記メモリに記憶され、前記１つ又は複数のプロセッサにより前記１つ又は複数のプログラムに含むカルマンフィルタに基づく容量予測方法を実行するための命令を実行するように設置され、
    前記容量予測方法が、
    予測対象の容量時系列を取得するステップと、
    前記容量時系列に対して動力学モデルを構築し、且つ前記動力学モデルの状態遷移パラメータ及びプロセス雑音パラメータを抽出するステップと、
    前記状態遷移パラメータ及びプロセス雑音パラメータを利用して前記容量時系列に対してカルマンフィルタ推定を行い、少なくとも１つの状態特徴信号を生成するステップと、
    前記少なくとも１つの状態特徴信号に基づいて、前記容量時系列を区分し、且つ対応する少なくとも１つの区分点を決定するステップと、
    前記容量時系列において決定された前記少なくとも１つの区分点に基づいて未来時の容量を予測するステップと、を含むことを特徴とするコンピュータ機器。
JP2016526273A 2015-04-03 2015-09-07 カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器 Active JP6343001B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510158699.9 2015-04-03
CN201510158699.9A CN104809333B (zh) 2015-04-03 2015-04-03 基于Kalman滤波器的容量预测方法和系统
PCT/CN2015/089025 WO2016155241A1 (zh) 2015-04-03 2015-09-07 基于Kalman滤波器的容量预测方法、系统和计算机设备

Publications (2)

Publication Number Publication Date
JP2017520029A true JP2017520029A (ja) 2017-07-20
JP6343001B2 JP6343001B2 (ja) 2018-06-13

Family

ID=53694149

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016526273A Active JP6343001B2 (ja) 2015-04-03 2015-09-07 カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器

Country Status (6)

Country Link
US (1) US10437942B2 (ja)
EP (1) EP3279819B1 (ja)
JP (1) JP6343001B2 (ja)
KR (1) KR101829560B1 (ja)
CN (1) CN104809333B (ja)
WO (1) WO2016155241A1 (ja)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809333B (zh) * 2015-04-03 2017-08-29 百度在线网络技术（北京）有限公司 基于Kalman滤波器的容量预测方法和系统
CN105094708B (zh) 2015-08-25 2018-06-12 北京百度网讯科技有限公司 一种磁盘容量的预测方法及装置
CN108615017B (zh) * 2018-04-28 2019-04-02 山东科技大学 滑动窗分段直线表示法的总拟合误差阈值估计方法与系统
CN109067381B (zh) * 2018-07-05 2023-05-02 无锡北微传感科技有限公司 一种mems陀螺仪随机噪声的实时滤波系统及方法
CN109408545B (zh) * 2018-09-30 2019-10-25 中科驭数（北京）科技有限公司 目标聚合操作处理方法和装置
CN109545113B (zh) * 2018-09-30 2022-09-06 合肥鑫晟光电科技有限公司 一种异常数据处理方法及装置
CN115114307A (zh) * 2019-07-03 2022-09-27 深圳市速腾聚创科技有限公司 一种多传感器状态估计方法、装置及终端设备
CN110493072A (zh) * 2019-07-11 2019-11-22 网宿科技股份有限公司 基于深度学习的带宽滤波方法、装置、服务器及存储介质
US11005689B2 (en) 2019-07-11 2021-05-11 Wangsu Science & Technology Co., Ltd. Method and apparatus for bandwidth filtering based on deep learning, server and storage medium
CN110649911B (zh) * 2019-07-17 2023-10-27 电子科技大学 一种基于α散度的分布式非线性卡尔曼滤波方法
CN110414442B (zh) * 2019-07-31 2022-04-01 广东省智能机器人研究院 一种压力时序数据分段特征值预测方法
CN110727923B (zh) * 2019-11-01 2023-02-24 江苏省有色金属华东地质勘查局地球化学勘查与海洋地质调查研究院 一种短期潮位预报方法
CN110895727A (zh) * 2019-11-14 2020-03-20 佛山科学技术学院 基于卡尔曼滤波模型的鱼塘水质预测方法及系统
CN111002858B (zh) * 2019-12-18 2023-06-20 中兴新能源汽车有限责任公司 一种无线充电引导定位系统及方法、车载设备
CN111044907B (zh) * 2019-12-24 2022-06-14 苏州正力新能源科技有限公司 一种基于微片段数据和电压滤波的soh统计方法
CN111152795B (zh) * 2020-01-08 2022-12-13 东南大学 一种基于模型和参数动态调整的自适应车辆状态预测系统及预测方法
CN111313985B (zh) * 2020-03-05 2022-05-13 北京振中电子技术有限公司 宽带电力线载波通信模拟噪声生成方法、装置及电子设备
CN111625196A (zh) * 2020-05-26 2020-09-04 北京海益同展信息科技有限公司 区块链节点扩容方法、装置、计算机设备及存储介质
CN112958840B (zh) * 2021-02-10 2022-06-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 精密零件加工削力信号自动分段方法
CN113859236A (zh) * 2021-09-07 2021-12-31 中汽创智科技有限公司 一种跟车控制系统、车辆、方法、装置、设备及存储介质
CN114660638A (zh) * 2022-03-31 2022-06-24 大连海事大学 一种锁频环辅助的矢量相位锁定环路系统
CN115097526B (zh) * 2022-08-22 2022-11-11 江苏益捷思信息科技有限公司 地震采集资料质量评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002312699A (ja) * 2001-04-16 2002-10-25 Hitachi Ltd レンタルストレージのサービス方法、および、レンタルストレージシステム
JP2007087121A (ja) * 2005-09-22 2007-04-05 Nec Corp 全体管理装置、データベースシステム、データベース管理方法、および、データベース管理プログラム
JP2009064354A (ja) * 2007-09-07 2009-03-26 Hitachi Information Systems Ltd データベースの容量監視システム及びデータベースの容量予測方法
JP2011005039A (ja) * 2009-06-26 2011-01-13 Toshiba Corp 医用画像診断装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6993458B1 (en) * 2000-11-07 2006-01-31 International Business Machines Corporation Method and apparatus for preprocessing technique for forecasting in capacity management, software rejuvenation and dynamic resource allocation applications
US7043899B2 (en) * 2004-05-26 2006-05-16 Daimlerchrysler Corporation On-line catalyst monitoring using a Kalman filter
DE102005050563A1 (de) 2005-10-21 2007-04-26 Robert Bosch Gmbh Verfahren zur Vorhersage der Leistungsfähigkeit elektrischer Energiespeicher
WO2007092615A2 (en) * 2006-02-09 2007-08-16 Monosphere Inc. Storage capacity planning
US20090228225A1 (en) 2008-03-04 2009-09-10 Eaton Corporation Battery Service Life Estimation Methods, Apparatus and Computer Program Products Using State Estimation Techniques Initialized Using a Regression Model
CN101629992B (zh) * 2009-05-27 2011-11-16 重庆大学 磷酸铁锂动力电池剩余容量的估算方法
CN101598769B (zh) * 2009-06-29 2011-04-20 杭州电子科技大学 一种基于采样点卡尔曼滤波的电池剩余电量估计方法
WO2011019979A2 (en) * 2009-08-13 2011-02-17 Siemens Corporation System and method for resilient control over wireless networks
EP2537071B1 (en) * 2010-02-15 2018-05-23 Carrier Corporation Model based system and method for estimating parameters and states in temperature controlled spaces
US8751463B1 (en) * 2011-06-30 2014-06-10 Emc Corporation Capacity forecasting for a deduplicating storage system
CN102608631B (zh) * 2011-10-28 2014-09-03 北京航空航天大学 基于模糊逻辑的自适应强跟踪ukf定位滤波算法
KR101271694B1 (ko) 2012-01-09 2013-06-05 전남대학교산학협력단 시계열데이터의 연속적 결측값 대체 시스템 및 그 방법
US9261863B2 (en) 2012-01-23 2016-02-16 Earth Networks, Inc. Optimizing and controlling the energy consumption of a building
US9633359B2 (en) * 2012-08-10 2017-04-25 Itron, Inc. Near-term data filtering, smoothing and load forecasting
KR101430258B1 (ko) 2013-02-27 2014-08-14 부경대학교 산학협력단 디지털 감시 카메라 시스템에서의 자동 장면 전환 검출 방법
KR20140147456A (ko) 2013-06-20 2014-12-30 엘에스산전 주식회사 상수관망의 일일 수요량 예측방법
CN103399496B (zh) * 2013-08-20 2017-03-01 中国能源建设集团广东省电力设计研究院有限公司 智能电网海量实时数据负载仿真测试云平台及其测试方法
CN104809333B (zh) * 2015-04-03 2017-08-29 百度在线网络技术（北京）有限公司 基于Kalman滤波器的容量预测方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002312699A (ja) * 2001-04-16 2002-10-25 Hitachi Ltd レンタルストレージのサービス方法、および、レンタルストレージシステム
JP2007087121A (ja) * 2005-09-22 2007-04-05 Nec Corp 全体管理装置、データベースシステム、データベース管理方法、および、データベース管理プログラム
JP2009064354A (ja) * 2007-09-07 2009-03-26 Hitachi Information Systems Ltd データベースの容量監視システム及びデータベースの容量予測方法
JP2011005039A (ja) * 2009-06-26 2011-01-13 Toshiba Corp 医用画像診断装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
岩佐絵里子: "ネットワーク制御サーバの動的リソース配備手法の一検討", 電子情報通信学会技術研究報告, vol. Ｖｏｌ．１１０ Ｎｏ．４４８, JPN6018002364, 24 February 2011 (2011-02-24), JP *

Also Published As

Publication number Publication date
EP3279819A1 (en) 2018-02-07
US10437942B2 (en) 2019-10-08
WO2016155241A1 (zh) 2016-10-06
US20180196891A1 (en) 2018-07-12
CN104809333A (zh) 2015-07-29
EP3279819B1 (en) 2024-04-24
CN104809333B (zh) 2017-08-29
JP6343001B2 (ja) 2018-06-13
KR101829560B1 (ko) 2018-02-14
KR20160130209A (ko) 2016-11-10
EP3279819A4 (en) 2018-12-26

Similar Documents

Publication Publication Date Title
JP6343001B2 (ja) カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器
CN107145645B (zh) 带不确定冲击的非平稳退化过程剩余寿命预测方法
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
US9779361B2 (en) Method for learning exemplars for anomaly detection
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
CN105094708B (zh) 一种磁盘容量的预测方法及装置
Yu Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework
Zhang et al. Health state assessment of bearing with feature enhancement and prediction error compensation strategy
KR101785547B1 (ko) 주기성 시계열 데이터의 변동 추정 장치 및 방법
CN114802303A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN103885867A (zh) 一种模拟电路性能的在线评价方法
US11668857B2 (en) Device, method and computer program product for validating data provided by a rain sensor
CN113837122B (zh) 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统
CN111126694A (zh) 一种时间序列数据预测方法、系统、介质及设备
CN116952277A (zh) 一种基于人工智能和行为特征的潜在位置估算方法及系统
JP6564756B2 (ja) 流動状況計測装置、方法、及びプログラム
CN106600449B (zh) 一种自动的功率趋势识别方法
JP6116398B2 (ja) 波形推定装置及び波形推定方法
CN117114451B (zh) 人工影响降水效果评估方法、装置、电子设备和存储介质
CN117131465B (zh) 单管塔损伤识别方法、装置、电子设备及可读存储介质
Kosorus et al. On the identification of frequencies and damping ratios for structural health monitoring using autoregressive models
Liu et al. Research on aircraft LY12CZ aluminum alloy corrosion damage prediction based on ARIMA model
Niu Analyzing and Predicting Temperature Data in Baoji: A SARIMA Model Approach
Kenfack et al. Data Improving in Time Series Using ARX and ANN Models
Cao Anomaly Detection on Embedded Sensor Processing Platform

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170718

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20171011

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180130

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180424

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180515

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180517

R150 Certificate of patent or registration of utility model

Ref document number: 6343001

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250