KR20160130209A - 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치 - Google Patents
칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치 Download PDFInfo
- Publication number
- KR20160130209A KR20160130209A KR1020167011244A KR20167011244A KR20160130209A KR 20160130209 A KR20160130209 A KR 20160130209A KR 1020167011244 A KR1020167011244 A KR 1020167011244A KR 20167011244 A KR20167011244 A KR 20167011244A KR 20160130209 A KR20160130209 A KR 20160130209A
- Authority
- KR
- South Korea
- Prior art keywords
- capacity
- time sequence
- kalman filter
- model
- acceleration
- Prior art date
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
- 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
본 발명의 실시예는 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치를 제공하며, 상기 방법은, 예측 대상의 용량 시간 서열을 획득하는 단계와, 상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하는 단계와, 상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하는 단계와, 상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계와, 상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하는 단계를 포함한다. 본 발명의 기술적 방안은 용량 증가에 대한 정확한 예측을 실현하여 정비원으로 하여금 합리한 용량 확장 방안을 용이하게 제정하게 한다.
Description
본 발명은 2015년 04월 03일 중국 특허청에 제출한 발명명칭이 “칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치”인 출원번호가 201510158699.9인 중국 특허출원의 우선권을 주장하며, 상기 중국 특허출원의 모든 내용은 본 출원에 원용된다.
본 발명은 통신 기술분야에 관한 것으로, 특히는 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치에 관한 것이다.
인터넷 및 정보 업계가 쾌속 발전함에 따라 대량의 데이터가 생성되었다. 정비원들은 부단히 증가하는 데이터를 효과적으로 저장하도록 제때에 저장장치를 구매하여야 한다. 그러나 구매예산이 정확하지 않으므로 구매한 장치의 수량이 너무 많아 방치되는 현상이 자주 발생하게 되며, 이는 회사 및 기업에 대한 인력 낭비 및 재력 낭비를 초래하게 된다. 따라서, 용량 시간 서열의 역사 데이터를 이용하여 그들의 기본적 변화 추세를 분석하고 용량의 미래추세를 정확히 예측하며 구매계획을 지능적으로 정제하는 목적을 실현하여 회사를 위해 구매비용을 절약하고 낭비를 피하기 위하여, 기업 내의 기술자들은 데이터 분석 및 데이터 가시성 연구 항목들을 적극적으로 진행하여 왔다.
선행 기술에 있어서, 용량 시간 서열의 역사 데이터를 이용하여 용량의 미래추세를 예측하는 방법은, (1)인위적으로 관측하므로 경험이 풍부한 전문가라 하여도 용량 시간 서열 데이터의 추세에 대해 정확한 판단을 내리기 어려워 예측 오차가 비교적 크고, (2)예측 경보 방법은 관련된 정비원에게 구매를 진행하도록 제때에 알려줄 수 있으나, 구매량에 대한 합리적인 정보를 제공할 수 없으므로 용량 확장이 용이하게 지나치게 되고 낭비를 초래하게 된다.
본 발명의 실시예는 용량 증가에 대한 정확한 예측을 실현하여 정비원으로 하여금 합리한 용량 확장 방안을 용이하게 제정하도록 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치를 제공한다.
상기 목적을 실현하기 위하여, 본 발명의 실시예는 칼만 필터를 기반으로 하는 용량 예측 방법을 제공하며, 상기 방법은,
예측 대상의 용량 시간 서열을 획득하는 단계와,
상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하는 단계와,
상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하는 단계와,
상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계와,
상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하는 단계를 포함한다.
본 발명의 실시예는 칼만 필터를 기반으로 하는 용량 예측 시스템을 제공하며, 상기 시스템은,
예측 대상의 용량 시간 서열을 획득하기 위한 획득 모듈과,
상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하기 위한 건립 추출 모듈과,
상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하기 위한 추측 생성 모듈과,
상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하기 위한 분절 모듈과,
상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하기 위한 예측 모듈을 포함한다.
본 발명의 실시예는 컴퓨터 장치를 제공하며, 상기 컴퓨터 장치는, 하나 또는 다수의 프로세서와, 메모리 장치와, 상기 메모리 장치에 저장되는 하나 또는 다수의 프로그램을 포함하되, 상기 하나 또는 다수의 프로그램은 상기 하나 또는 다수의 프로세서로 상기 하나 또는 다수의 프로그램에 포함되는 칼만 필터를 기반으로 하는 용량 예측 방법을 실행하기 위한 명령을 실행하도록 구성되며, 상기 칼만 필터를 기반으로 하는 용량 예측 방법은, 예측 대상의 용량 시간 서열을 획득하는 단계와, 상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하는 단계와, 상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하는 단계와, 상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계와, 상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하는 단계를 포함한다.
본 발명의 실시예가 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치에 있어서, 획득한 용량 시간 서열에 대해 동력학적 모델을 건립하고, 칼만 필터를 이용하여 동력학적 모델에서의 용량 시간 서열에 대해 필터링 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하고, 생성된 상태 특징 신호를 분절하고 분절 포인트에 의거하여 미래시간에서의 용량을 예측함으로써 예측의 정확성을 향상시킨다.
도 1은 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법의 일 실시예의 방법 흐름도이다.
도 2는 본 발명이 제공하는 용량 시간 서열의 예시적 샘플 개략도이다.
도 3은 본 발명이 제공하는 칼만 필터를 기반으로 필터링한 후의 용량 시간 서열의 상태 특징 신호의 개략도이다.
도 4는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법의 다른 일 실시예의 방법 흐름도이다.
도 5는 본 발명이 제공하는 용량 시간 서열에 대해 중앙값 필터링 및 이동평균 필터링 처리를 진행한 후의 신호 개략도이다.
도 6은 본 발명이 제공하는 상태 특징 신호에 근거하여 분절 포인트를 확정하는 방법 흐름도이다.
도 7은 본 발명이 제공하는 용량 시간 서열의 속도에 대해 분산 분석을 진행하여 검측된 분절 의심 포인트의 예시적 샘플도이다.
도 8은 본 발명이 제공하는 용량 시간 서열의 가속도에 대해 분산 분석을 진행하여 검측된 분절 의심 포인트의 예시적 샘플도이다.
도 9는 본 발명이 제공하는 용량 시간 서열의 가속도 미분계수에 대해 분산 분석을 진행하여 검측된 분절 의심 포인트의 예시적 샘플도이다.
도 10은 도 8의 가속도 신호에 대해 분산 분석을 진행하여 분절된 용량 시간 서열 중 4개 단계의 신호의 예시적 샘플도이다.
도 11은 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 일 실시예의 구조 개략도이다.
도 12는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 다른 일 실시예의 구조 개략도이다.
도 13은 도 12의 분절 모듈의 구조 개략도이다.
도 14는 도 12의 예측 모듈의 구조 개략도이다.
도 15는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 또 다른 일 실시예의 구조 개략도이다.
도 16은 본 발명이 제공하는 컴퓨터 장치의 일 실시예의 구조 개략도이다.
도 2는 본 발명이 제공하는 용량 시간 서열의 예시적 샘플 개략도이다.
도 3은 본 발명이 제공하는 칼만 필터를 기반으로 필터링한 후의 용량 시간 서열의 상태 특징 신호의 개략도이다.
도 4는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법의 다른 일 실시예의 방법 흐름도이다.
도 5는 본 발명이 제공하는 용량 시간 서열에 대해 중앙값 필터링 및 이동평균 필터링 처리를 진행한 후의 신호 개략도이다.
도 6은 본 발명이 제공하는 상태 특징 신호에 근거하여 분절 포인트를 확정하는 방법 흐름도이다.
도 7은 본 발명이 제공하는 용량 시간 서열의 속도에 대해 분산 분석을 진행하여 검측된 분절 의심 포인트의 예시적 샘플도이다.
도 8은 본 발명이 제공하는 용량 시간 서열의 가속도에 대해 분산 분석을 진행하여 검측된 분절 의심 포인트의 예시적 샘플도이다.
도 9는 본 발명이 제공하는 용량 시간 서열의 가속도 미분계수에 대해 분산 분석을 진행하여 검측된 분절 의심 포인트의 예시적 샘플도이다.
도 10은 도 8의 가속도 신호에 대해 분산 분석을 진행하여 분절된 용량 시간 서열 중 4개 단계의 신호의 예시적 샘플도이다.
도 11은 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 일 실시예의 구조 개략도이다.
도 12는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 다른 일 실시예의 구조 개략도이다.
도 13은 도 12의 분절 모듈의 구조 개략도이다.
도 14는 도 12의 예측 모듈의 구조 개략도이다.
도 15는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 또 다른 일 실시예의 구조 개략도이다.
도 16은 본 발명이 제공하는 컴퓨터 장치의 일 실시예의 구조 개략도이다.
본 발명이 제공하는 기술적 방안은 칼만 필터를 기반으로 용량 시간 서열에 대해 필터링을 진행하여 상태 특징 신호를 생성하고, 상태 특징 신호를 분절하여 분절 포인트 및 각 분절내의 신호의 증가추세를 확정하고, 확정된 분절 포인트를 이용하여 미래시간에서의 용량을 예측한다. 본 발명의 실시예의 기술적 방안은 각종 칼만 필터를 기반으로 하는 용량 예측 시스템에 적용될 수 있다.
실시예 1
도 1은 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법의 일 실시예의 방법 흐름도이다.
도 1을 참조하면, 단계 S110에서, 예측 대상의 용량 시간 서열을 획득한다.
상기 예측 대상은 정보 업계 또는 인터넷에서 부단히 증가하고 있는 정보 데이터일 수 있다. 통상적으로, 정보의 용량크기가 시간에 따라 변화하여 형성된 서열을 용량 시간 서열이라고 한다. 용량 시간 서열에서, 각 시간 포인트는 하나의 정보 용량의 용량값에 대응된다.
온라인 또는 오프라인으로 예측 대상의 역사 용량 데이터를 획득함으로써 상기 용량 시간 서열을 형성할 수 있다.
단계 S120에서, 용량 시간 서열을 위해 동력학적 모델을 건립하고 동력학적 모델의 상태 전이 파라미터 및 과정 잡음 파라미터를 추출한다.
이동 목표물의 동력학적 모델에 대한 연구한 역사는 유구하고 그 효과 또한 양호하다. 현재, 양호한 효과를 취득하고 광범위하게 이용되는 동력학적 모델은 주요하게 등속(Constant velocity, CV) 모델, 등가속(Constant acceleration, CA) 모델, Singer 모델, “현재” 통계 모델, Jerk 모델 등이 존재한다. 각종 부동한 형식의 이동 목표물의 동력학적 모델은 목표물의 속도 및 가속도의 고계도 상태 특징 신호가 부동한 통계 특성을 만족한다고 가정하여 형성된 것으로, 일종의 수학적 관계이다. 선택된 동력학적 모델과 실제 목표물의 운동 상태 특징이 일치한 정도가 높을수록 이러한 동력학적 모델을 이용하여 진행하는 목표물 상태 추측으로 획득한 추적 성능이 더욱 양호함을 표명한다. 즉, 글로벌 분산이 작다고 여길 수 있다.
본 실시예에서, 기존의 동력학적 모델의 연구를 상기 용량 시간 서열의 증가추세에 대한 분석에 적용하여 용량 시간 서열에 대한 동력학적 모델을 건립한다.
용량 시간 서열에 대한 동력학적 모델을 건립함에 있어서, 예를 들어 선형 신호에 대하여, 그의 이상적인 가속도 값이 0이라 가정하고 CA모델을 건립하여 속도에 대한 추측을 실현할 수 있다. 이차함수의 비선형 신호에 대하여, 그의 이상적인 가속도가 0이 아니나 그의 가속도 미분 계수가 0이라 가정하고 Jerk 모델을 건립하여 가속도에 대한 추측을 실현할 수 있다. 주기적 신호에 대하여, 삼각 함수의 추세 모델을 건립할 수 있다. 이러한 사상을 기반으로, 용량 시간 서열의 변화 정황에 근거하여 수학적 연산을 통해 상응한 동력학적 모델을 선택하고 건립할 수 있다.
통상적으로, 하나의 고정된 동력학적 모델에는 목표물 상태 특징을 설명하는 2개의 파라미터가 존재하며, 이러한 파라미터는 각각 목표물이 현재 상태에서 다음 상태로 전이되는 것에 대응되는 상태 전이 파라미터와 과정 잡음 파라미터이다. 예를 들어 Jerk 모델에 있어서, 이에 대응되는 시스템 상태 방정식은 아래와 같이 표시될 수 있다.
여기서, X(k)는 시스템이 제 k 상태에서 대응되는 시스템 상태량이고, U(k)는 제 k 상태에서의 제어량이며, A는 해당 시스템 상태 방정식에 대응되는 상태 전이 행렬이며 상술한 상태 전이 파라미터에 대응된다. A의 표시식은 아래와 같다.
W(k)는 해당 시스템 상태 방정식에 대응되는 과정 잡음항이고, 이에 대응되는 과정 잡음 분산 행렬 Q는 Jerk 모델에서의 과정 잡음 파라미터일 수 있으며, Q의 표시식은 아래와 같다.
여기서, T0은 샘플링 시간 간격이고, α는 작동 빈도이며, σ2 j는 Jerk 모델의 순간 분산이다.
Jerk 모델에서의 상태 전이 파라미터와 과정 잡음 파라미터의 선별을 참조하면, 유사하게 기타 동력학적 모델에서 상응한 파라미터를 추출할 수 있다. 상기 용량 시간 서열에 대한 Jerk 모델에서의 상태 전이 파라미터와 과정 잡음 파라미터를 포함하나 이에 한정되지 않는 파라미터를 기반으로, 현재 측정되는 용량 시간 서열의 기본적 증가추세 특징을 초보적으로 확인할 수 있다.
단계 S130에서, 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성한다.
여기서, 칼만 필터는 일종의 최적화된 자회귀 데이터 처리 연산법으로, 잡음을 완전히 포함하지 않은 일련의 측정 데이터로부터 동적 시스템의 상태를 추측할 수 있다. 통상적으로, 칼만 필터로 하나의 계통과정에 대한 추측을 진행하기 전에, 해당 계통과정에 대해 사전에 모형화하여 계통과정의 변화 규칙과 가능하도록 일치한 동력학적 모델을 생성하여야 한다. 또한, 생성된 동력학적 모델에 대해 상응한 시스템 상태 방정식 중의 2개의 파라미터를 추출하며, 이러한 2개의 파라미터는 각각 상술한 상태 전이 파라미터와 과정 잡음 파라미터에 대응된다. 칼만 필터는 이러한 2개의 파라미터와 최초의 계통과정 데이터를 이용하여 시간에 따른 최초의 계통과정 데이터의 변화추세를 비교적 정확하게 추측할 수 있다.
본 실시예에서, 칼만 필터를 이용하여 동력학적 모델에서의 용량 시간 서열에 대해 추측을 진행하여 용량이 시간 서열 중의 각 시간 포인트에 대응되는 예를 들어 위치, 속도, 가속도 및 가속도 미분계수를 포함하는 적어도 하나의 상태 특징 신호의 추측값을 온라인으로 획득할 수 있으며, 그 다음, 이러한 추측값을 통해 용량 시간 서열의 변화 규칙을 분석하여 획득할 수 있다.
단계 S140에서, 적어도 하나의 상태 특징 신호에 근거하여 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정한다.
통상적으로, 용량 시간 서열에 대한 동력학적 모델을 생성하기 전에, 연구할 데이터 서열을 기본추세와 잡음성분의 합으로 가정한다. 즉, 관측하여 획득한 용량 시간 서열을 아래와 같이 가정한다.
여기서, Zt는 관측하여 획득한 용량 시간 서열을 표시하고, μt는 기본추세를 표시하며, Nt는 잡음을 독립시키는 과정을 표시한다. 도 2에 도시한 바와 같이, 이러한 Zt는 잡음을 구비하고 있고, "돌변 포인트"를 구비하고 있으며, 데이터의 기본추세 Zt는 상변화가 발생하여 다수의 선형 변화를 형성하는 작은 단계들을 구비하는 특징들을 구비한다.
상기 용량 시간 서열과 생성된 동력학적 모델이 일치하다고 가정할 경우, 변화가 비교적 안정적인 선형 단계(pattern) 내에서 칼만 필터 추측을 이용하여 최적화된 추측 결과를 획득할 수 있다. 그러나 인접한 2개의 부동한 pattern 사이에서 변화가 발생하는 전이부분 내에서, 용량 시간 서열은 가우스 백색 잡음의 특점에 부합되지 않고 모델 추측값과 실제 데이터가 일치하지 않으며, 이는 칼만 필터의 예측값과 교정값의 상차가 매우 커지는 현상을 초래한다. 이러한 경우, 칼만 필터는 속도, 가속도 및 가속도 미분 계수를 자동적으로 조절하고 추적 추측 학습을 천천히 진행하므로, 이러한 구간에는 "파동"이 나타나게 된다. 도 3에 도시한 바와 같이, 용량 시간 서열에 대해 칼만 필터 필터링한 후, 용량 시간 서열의 속도, 가속도 및 가속도 미분 계수의 상태 특징 신호 도형을 획득한다.
도 3으로부터 알 수 있는 바, 현재 연구되고 있는 용량 시간 서열은 3개의 pattern이 존재하고, "파동"신호는 각각 시간 서열 중의 400 및 1200 근처의 위치에서 발생한다.
도 3의 속도, 가속도 및 가속도 미분 계수 중의 적어도 하나의 상태 특징 신호의 "파동"신호부분이 발생하는 위치 및 수량을 통하여 연구하는 용량 시간 서열을 분절하고 (예를 들면, 본 실시예에서 pattern이 발생하는 수량에 따라 분절 부분의 수량을 분배할 수 있다), 상응한 적어도 하나의 분절 포인트를 확정하며, 각 분절 포인트는 각각 하나의 파동 신호부분에 위치할 수 있다.
단계 S150에서, 용량 시간 서열에서 확정된 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측한다.
용량 시간 서열에서 확정된 적어도 하나의 분절 포인트에 근거하여 인접한 분절 포인트 (각 pattern 부분)내의 용량 시간 서열의 변화 규칙을 파악할 수 있으며, 나아가 전체 용량 시간 서열의 변화 규칙을 파악하여 미래시간에서의 용량에 대한 예측을 진행한다. 단일한 비분절 예측에 비해, 분절 예측은 용량 시간 서열의 증가 변화추세를 더욱 정확하게 파악할 수 있으므로 예측 결과가 더욱 정확하다. 예측 과정에서, 실제적 수요에 근거하여 전체 pattern 또는 부분적 pattern 내의 용량 시간 서열의 변화 규칙을 선택하여 용량 예측을 진행할 수 있다.
본 발명의 실시예가 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법에 있어서, 획득한 용량 시간 서열에 대해 동력학적 모델을 생성하고, 칼만 필터를 이용하여 동력학적 모델에서의 용량 시간 서열에 대해 필터링 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하고, 생성된 상태 특징 신호를 분절하고 분절 포인트에 의거하여 미래시간에서의 용량을 예측함으로써 예측의 정확성을 향상시킨다.
실시예 2
도 4는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법의 다른 일 실시예의 방법 흐름도이며, 도 1에 도시한 실시예의 일종의 구체적 구현 방식으로 볼 수 있다. 본 실시예에서, Jerk 모델을 용량 시간 서열이 생성하는 동력학적 모델로 간주하고, Jerk 모델에서의 상태 전이 행렬 A 및 과정 잡음 분산 행렬 Q를 각각 상술한 상태 전이 파라미터와 과정 잡음 파라미터로 간주하여 용량 시간 서열의 칼만 필터 추측을 진행한다.
도 4를 참조하면, 단계 S410에서, 예측 대상의 용량 시간 서열을 획득한다. 단계 S410의 처리는 상기 단계 S110의 처리와 동일하다.
단계 S430에서, 용량 시간 서열을 위해 동력학적 모델을 건립하고 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출한다. 단계 S430의 처리는 단계 S120의 처리와 동일하다.
구체적으로, 본 실시예는 Jerk 모델에서의 동력학을 기반으로 하는 시스템 상태 방정식을 연구되는 용량 시간 서열을 위해 건립하는 동력학적 모델로 간주하고, 시스템 상태 방정식에 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 상술한 상태 전이 파라미터와 과정 잡음 파라미터로 추출하여 용량 시간 서열의 칼만 필터 추측을 진행한다. 여기서, A와 Q의 구체적 획득 공식은 단계 S120에 도시되어 있으므로 중복된 설명은 생략하기로 한다.
단계 S430 전에, 획득한 예측할 대상의 용량 시간 서열 데이터에 있어서, 도 2에 도시한 바와 같이, 통상적으로 잡음을 포함하고, 기본추세로부터 편차가 큰 돌변 포인트 집합이 존재하며, 기본추세가 단계적인 변화를 나타내는 특점을 구비한다. 정확한 예측을 실현하기 위하여, 이러한 잡음과 돌변 포인트를 제거하여야 한다. 따라서, 본 실시예에서, 단계 S430 전에 용량 시간 서열에 대해 데이터 정제를 진행하도록 단계 S420을 실행할 수 있다.
단계 S420에서, 중앙값 필터링 및/또는 이동평균 필터링을 이용하여 용량 시간 서열에 대해 필터링 처리를 진행하여 필터링된 용량 시간 서열을 생성한다.
구체적으로, 중앙값 필터링은 데이터 서열 중의 돌변 포인트를 효과적으로 제거할 수 있고, 이동평균 필터링은 데이터 서열 중의 잡음을 효과적으로 제거할 수 있다. 용량 시간 서열에 현저한 돌변 포인트가 존재하지 않을 경우, 처리 과정을 간소화하도록 중앙값 필터링 없이 이동평균 필터링 방법만 이용하여 필터링 처리를 진행할 수 있다.
바람직하게, 본 실시예에서, 중앙값 필터링, 이동평균 필터링을 이용하여 용량 시간 서열에 대해 순차적으로 필터링 처리를 진행하여 용량 시간 서열의 기본추세를 획득한다. 도 5는 용량 시간 서열에 대해 중앙값 필터링 및 이동평균 필터링 처리를 진행한 후의 신호 개략도이다.
단계 S440에서, 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하며, 단계 S440의 처리는 상술한 단계 S130의 처리와 유사하다.
구체적으로, 본 실시예에 있어서, Jerk 모델에서의 시스템 상태 방정식이 용량 시간 서열을 예측하여 건립한 동력학적 모델로 이용되므로, 시스템 상태 방정식에 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 각각 상태 전이 파라미터와 과정 잡음 파라미터로 직접 간주하여 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 속도, 가속도 및 가속도 미분계수와 같은 적어도 하나의 상태 특징 신호를 생성할 수 있다.
아래에, 용량 시간 서열이 Jerk 모델에서의 시스템 상태 방정식을 예로 들어 칼만 필터의 필터링 과정에 대해 설명하도록 한다. 통상적으로, 칼만 필터의 필터링 과정은 주요하게 상태 예측과 교정과 같은 2단계를 포함한다.
(1) 상태 예측
용량 시간 서열이 Jerk 모델에서의 상태 전이 행렬 A를 이용하여 용량 질점의 다음 상태를 예측한다. 현재의 시스템 상태를 k로 가정할 경우, 상태 전이 행렬 A에 근거하여 시스템의 이전의 상태를 기반으로 현재 상태를 예측할 수 있다.
등식 (7)에 있어서, X(k│k-1)은 이전의 상태를 이용하여 예측한 결과이고, X(k-1│k-1)은 이전의 상태의 최적화된 결과이고, U(k)는 현재 상태의 제어량이며, 용량 서열 중에 제어량이 존재하지 않으므로 U(k)=0 이다.
등식 (7)에 있어서, X(k-1│k-1)의 결과를 업데이트하였으나 X(k│k-1)에 대응되는 분산은 아직 업데이트하지 않았으므로 P로 분산을 표시하면 아래와 같다.
여기서, P(k│k-1)는 X(k│k-1)에 대응되는 분산이고, P(k-1│k-1)는 X(k-1│k-1)에 대응되는 분산이며, AT는 A의 전치행렬이고, Q는 시스템의 과정 잡음 분산 행렬이다. 등식 (6), (7)을 이용하여 시스템에 대한 상태 예측을 완성한다.
(2) 교정
현재 상태의 예측 결과가 존재하고, 나아가 현재 상태의 측정 서열 Z(k)에 의하면 아래와 같은 현재 상태 k의 최적화된 예측값 X(k│k)을 획득할 수 있다.
계통과정이 끝날때까지 칼만 필터를 계속하여 운행시키기 위하여, k 상태에서의 X(k│k)의 분산을 업데이트하여야 한다.
여기서 I는 단위 행렬이고, 시스템이 k+1 상태에 진입할 경우, P(k│k)는 등식 (7)의 P(k-1│k-1)에 해당된다. 이러한 경우, 전체 연산법은 자회귀적으로 운행될 수 있다.
등식 (7) 내지 (11)을 통하여, 전체 칼만 필터 추측을 완성할 수 있고 용량 시간 서열의 위치, 속도, 가속도 및 가속도 미분 계수 등 상태 특징 신호를 추측하고 추출할 수 있다. 이러한 상태 특징 신호는 비교적 안정적인 신호이고, 용량 시간 서열의 변화추세를 더욱 잘 반영할 수 있는 주요한 특징이다.
단계 S450에서, 적어도 하나의 상태 특징 신호에 근거하여 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정한다. 단계 S450의 처리는 상술한 단계 S140의 처리와 유사하다.
구체적으로, 본 실시예에 있어서, Jerk 모델에서의 시스템 상태 방정식이 용량 시간 서열을 예측하여 건립한 동력학적 모델로 이용되므로, Jerk 모델에서의 용량 시간 서열에 대한 칼만 필터 추측을 통해 생성된 속도, 가속도 및 가속도 미분계수 중 하나의 신호를 포함하는 상태 특징 신호에 근거하여 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정할 수 있다.
상태 특징 신호에 근거하여 용량 시간 서열을 분절하는 과정에 있어서, 본 실시예는 도 6에 도시한 방법 단계를 포함하는 하나의 구체적인 분절 방법을 제공한다.
도 6은 본 발명이 제공하는 상태 특징 신호에 근거하여 분절 포인트를 확정하는 방법 흐름도이다.
단계 S610에서, 용량 시간 서열에 대한 칼만 필터 추측을 통하여 획득한 속도, 가속도, 가속도 미분계수의 신호 중의 적어도 하나의 신호에 대하여, 그 중에 적어도 하나의 상변화 신호 영역이 존재하는지 확인한다.
용량 시간 서열에서 인접한 두 개의 pattern 사이의 전이 단계 (즉, 분절 포인트 근처)에서 칼만 필터의 추측값과 용량 시간 서열 데이터가 매칭되지 않으므로, 칼만 필터는 자체의 상태 파라미터를 조절하여 매칭 추측을 실현하게 되는데, 이는 분절 포인트 근처의 영역과 인접한 pattern 내의 시스템 상태의 상태 특징 신호에 명확한 차이를 초래하게 된다. 여기서, 이러한 상태 특징 신호에 명확한 차이가 존재하는 신호를 상변화 포인트 또는 분절 의심 포인트로 지칭하고, 이러한 상변화 포인트 또는 분절 의심 포인트들로 구성된 영역을 상변화 신호 영역으로 지칭한다.
상변화 신호 영역내의 신호와 인접한 pattern 내의 신호에 명확히 부동한 특징 (예를 들면, "파동"특징)이 존재하므로 신호에 대한 수학적 분석을 통하여 적어도 하나의 상변화 신호 영역을 확정할 수 있다.
본 실시예는 칼만 필터로 추출된 시스템 상태의 속도, 가속도 및 가속도 미분계수 등 고계도 상태 특징 신호에 대해 유의미성 분석을 진행하여 확률의 각도에서 분절 의심 포인트를 검측하고, 획득한 분절 의심 포인트를 이용하여 상변화 신호 영역을 획득하는 통계학적 분석을 이용하는 방법을 제공한다.
구체적으로, 해당 통계학적 분석 방법은 아래와 같은 단계들을 포함한다.
단계 1, 용량 시간 서열에 대한 칼만 필터 추측을 통하여 획득한 속도, 가속도, 가속도 미분계수의 신호 중의 적어도 하나의 신호에 대해 두 개의 연속되고 길이가 동일한 슬라이딩 윈도우를 이용하여 시간 포인트의 순서에 따라 각 두 개의 슬라이딩 윈도우 내의 신호의 분산 및 평균값을 산출한다.
두 개의 슬라이딩 윈도우의 폭이 모두 24일 경우, 시간 포인트의 순서에 따라 산출된 제 1쌍의 슬라이딩 윈도우는 각각 1~24와 25~48이고, 이러한 두 개의 윈도우 내의 상응한 용량 시간 서열 중의 모든 용량의 분산 또는 평균값을 산출한다. 산출한 후, 두 개의 슬라이딩 윈도우를 시간 포인트의 순서에 따라 마지막 시간 포인트까지 순차적으로 뒤로 이동시키면서 (예를 들면, 제 2쌍의 슬라이딩 윈도우는 각각 2~25와 26~49이고, 마지막 시간 포인트까지 순차적으로 뒤로 이동시키면서) 각 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값을 산출한다.
단계 2, 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값이 부동한 확률이 기정의 상응한 확률 역치보다 클 경우, 두 개의 연속된 슬라이딩 윈도우의 중간 포인트를 하나의 분절 의심 포인트로 표기한다.
여기서, 하나의 분절 의심 포인트를 확정하는 원리는 획득한 매 쌍의 윈도우 내의 두 개의 분산 또는 평균값 사이의 부동한 정도에 의거하여 확정하는 것이며, 통계학에 있어서, 분산이 부동함에 대한 검측은 통상적으로 F 검측을 사용하고, 평균값이 부동함에 대한 검측은 통상적으로 T 검측 또는 치환 검측을 사용한다. 아래에, 두가지 파라미터에 대한 검측에 대해 설명을 진행하기로 한다.
1. 분산이 부동함에 대한 검측
매번 선택한 한 쌍의 윈도우 Y1, Y2가 모두 정규 분포에 따르고 분산이 동일한 샘플을 구비한다고 가정하고, Matlab 중의 vartest2 함수와 같은 수학적 분석을 통해 Y1, Y2의 벡터 분산이 동일한 확률을 산출할 수 있으며, 나아가 Y1, Y2 두 개의 샘플의 분산이 부동한 확률을 산출할 수 있다. 두 개의 분산이 부동한 확률이 기정의 상응한 확률 역치보다 크면, 예를 들어 0.99이면, 이러한 두 개의 슬라이딩 윈도우 내의 데이터의 분산이 부동하다고 시인하고 두 개의 연속된 슬라이딩 윈도우의 중간 포인트를 하나의 분절 의심 포인트로 확정한다. 예를 들면, 슬라이딩 윈도우에 있어서, 길이가 24인 제 1쌍의 슬라이딩 윈도우의 중간 포인트는 24와 25 중의 임의의 하나의 포인트일 수 있다.
2. 평균값이 부동함에 대한 검측
분산이 부동함에 대한 검측과 유사하게, 먼저, 길이가 동일한 두 개의 슬라이딩 윈도우를 설정하되, 각 윈도우 Y1, Y2는 모두 정규 분포에 따르고 평균값이 동일한 샘플을 구비한다. 다음, 통계학 중의 T 검측 또는 치환 검측을 통해 Y1, Y2의 벡터 평균값이 동일한 확률을 산출하며, 나아가 Y1, Y2 두 개의 샘플 평균값이 부동한 확률을 산출할 수 있다. 두 개의 평균값이 부동한 확률이 기정의 상응한 확률 역치보다 크면, 예를 들어 0.99이면, 이러한 두 개의 슬라이딩 윈도우 내의 데이터의 평균값이 부동하다고 시인하고 두 개의 연속된 슬라이딩 윈도우의 중간 포인트를 하나의 분절 의심 포인트로 확정한다. 예를 들면, 슬라이딩 윈도우에 있어서, 길이가 24인 제1 쌍의 슬라이딩 윈도우의 중간 포인트는 24와 25 중의 임의의 하나의 포인트일 수 있다.
상술한 분산이 부동함에 대한 검측 및 평균값이 부동함에 대한 검측은 모두 용량 시간 서열에서의 적어도 하나의 분절 의심 포인트를 확정할 수 있다. 도 7, 도 8 및 도 9는 각각 용량 시간 서열의 속도, 가속도 및 가속도 미분계수에 대해 분산 분석을 진행하여 검측된 분절 의심 포인트를 도시하였고, 도면으로부터 알 수 있는 바, 분절 의심 포인트가 전체 용량 시간 서열에서의 분포가 균일하나 전이 부분의 "파동" 신호 영역에 집중되어 있다.
단계 3, 다수의 연속된 분절 의심 포인트로 구성된 신호 영역을 용량 시간 서열의 하나의 상변화 신호 영역으로 확정한다.
실질적으로 상변화가 발생한 신호는 전체 용량 시간 서열에 분포될 수 있으므로, 더욱이는 인접한 두 개의 pattern 사이의 전이 단계 내에 유난히 집중되어 있으므로, 검측된 다수의 연속된 분절 의심 포인트를 선택하고 이러한 분절 의심 포인트로 구성된 신호 영역을 용량 시간 서열의 하나의 상변화 신호 영역으로 간주하는 것이 더욱 합리적이다. 구체적으로, 하나의 상변화 신호 영역을 확정함에 필요한 연속된 분절 의심 포인트의 개수 및 두 개 부분의 연속된 분절 의심 포인트 영역 사이의 간격 조건을 설정하여 상변화 신호 영역의 확정 위치를 확정할 수 있다.
단계 S620에서, 확정된 적어도 하나의 상변화 신호 영역에 근거하여 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정한다.
용량 시간 서열 중의 상변화 신호 영역을 확정한 후, 해당 영역 중의 임의의 하나의 포인트를 분절 포인트로 선택할 수 있다.
구체적으로, 각 상변화 신호 영역에서 대응되는 상술한 두 개의 슬라이딩 윈도우 내의 신호의 분산들의 차이값 중 최대값 또는 평균값들의 차이값 중 최대값에 대응되는 분절 의심 포인트를 하나의 분절 포인트로 확정할 수 있다. 이러한 분절 포인트에서 신호의 변화 "파동"이 제일 큰 것으로 묵인하거나, 각 상변화 신호 영역에서의 중간 포인트를 하나의 분절 포인트로 확정할 수 있다. 여기서, 분절 포인트에 대한 확정의 규칙은 한정된 것이 아니다.
이로써, 용량 시간 서열 중 분절 포인트의 확정을 완성하였다. 그러나, 상술한 분절 포인트의 확정 과정에는 한가지 문제가 더 존재한다. 즉, 분절 포인트를 연구하고 확정할 대상이 용량 시간 서열의 상태 특징 신호로서, 속도, 가속도 및 가속도 미분계수 신호를 포함한다. 그러면, 어느 신호로 확정한 분절 포인트가 더욱 정확한지에 대한 문제가 존재한다. 이에 대하여, 본 실시예에서는 정확율(precision ratio)과 재현율(recall ratio)의 개념을 도입하였다. 분산 분석으로 상변화 포인트 (분절 의심 포인트)를 획득하는 것을 예로 들면 아래와 같다.
여기서, 분산 분석으로 검측된 실제 상변화 포인트의 총수는 최종 확정한 용량 시간 서열의 분절 포인트 총수이고, 분산 분석으로 검측된 총수는 분절 의심 포인트의 총수이며, 검측하고자 하는 상변화 포인트의 총수는 샘플의 기본추세를 관찰하여 인위적으로 규정한 것으로써, 검측하고자 하는 상변화 포인트의 총수는 상수이다. 정확율이 클수록 검측된 실제 상변화 포인트가 많고, 재현율이 클수록 분산 분석을 이용하여 검측할 수 있는 상변화 포인트의 수량이 많음을 표명한다.
도 7, 도 8 및 도 9에 도시한 용량 시간 서열의 속도, 가속도 및 가속도 미분계수에 대한 분산 분석을 진행하여 검측된 분절 의심 포인트에 대해 정확율과 재현율 산출 분석을 진행하여 하기 표 1과 같은 결과를 획득하였다.
신호 | 정확율 | 재현율 |
속도 | 71.4 | 100 |
가속도 | 71.4 | 100 |
가속도 미분 계수 | 100 | 100 |
표 1로부터 알 수 있는바, 가속도 미분 계수 신호가 매우 높은 정확율과 재현율을 구비하고 있으므로 실질적으로 용량 시간 서열에 대해 분절 포인트의 확정을 진행할 경우, 가속도 미분계수 신호를 이용하여 진행한 분산 분석의 검측 결과를 분절함으로써, 나중에 형성된 용량 예측 모델이 더욱 정확하도록 확보할 수 있다. 여기서, 속도, 가속도 및 가속도 미분 계수 신호 모두가 분산 분석을 통하여 분절 포인트를 검측할 수 있으나, 부동한 신호의 검측 결과에 있어서 우열이 구분되며, 대량의 데이터 샘플에 대한 테스트를 통하여 일반적으로 가속도 또는 가속도 미분 계수 신호에 대해 분산 분석을 진행할 때의 검측 결과가 비교적 양호함을 발견하였다. 따라서, 본 실시예에 있어서, 바람직하게 가속도 또는 가속도 미분 계수 신호를 분절한 기초하에 용량 예측을 진행하는 것을 고려한다.
다음, 단계 S480에서, 용량 시간 서열에서 확정한 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측한다. 단계 S480의 처리는 상술한 단계 S150의 처리와 유사하다.
이를 기반으로, 본 실시예는 미래시간에서의 용량을 예측하는 구체적 구현 방식을 예시한다. 즉, 상기 구체적 구현 방식은 아래와 같은 단계 S481 내지 단계 S482를 포함한다.
단계 S481에서, 용량 시간 서열 중의 마지막 하나의 분절 포인트를 시작 포인트로 그 뒤의 용량 시간 서열의 데이터에 대해 선형 또는 비선형 적합을 진행하여 용량 예측 모델을 생성하고, 단계 S482에서, 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측한다. 실제 예측함에 있어서, 칼만 필터 필터링과 상응한 위치의 용량 시간 서열에 대해 적합을 진행하여 용량 예측 모델을 생성한다.
생성된 용량 예측 모델이 용량 시간 서열의 실제 변화 규칙에 근접하는 것을 만족하는 정황하에 미래시간에서의 용량을 예측하기 위하여, 본 실시예에서, 단계 S482이전에, 단계 S491 내지 단계 S492를 더 진행하여 생성된 용량 예측 모델의 합리성 및 정확성에 대해 판정할 수 있다.
단계 S491에서, 생성된 용량 예측 모델에 대해 적합도 평가를 진행한다.
통상적으로, 적합 모델의 우열을 평가하기 위하여, 적합도를 이용하여 평가를 진행하며, 도 10에 도시한 바와 같이, R2를 평가 표준으로 이용하여 나타낸 선형 회귀 방법으로 상술한 도 8 중의 가속도 신호에 대해 분산 분석을 진행하여 분절된 용량 서열 중의 4개 단계에 대해 적합을 진행하며, 적합도 및 상응한 단계 번호는 표 2에 나타낸 바와 같다.
단계 번호 | 적합도 |
1 | R2=0.999293 |
2 | R2=0.997479 |
3 | R2=0.991105 |
4 | R2=0.997525 |
표 2로부터 알 수 있는 바, 본 실시예에서 선택한 용량 예측 모델은 그의 4개 단계의 적합도는 모두 0.9보다 크고, 특히 0.99보다 크다. 이는 본 실시예에서 이용하는 용량 시간 서열의 분절 방법이 비교적 합리함을 간접적으로 설명한다.
단계 S492에서, 적합도 평가를 통하여 획득한 평가값이 기정의 적합도 역치보다 클 경우, 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하는 처리조작을 촉발한다.
여기서, 기정의 적합도 역치는 0.99일 수 있다. 도 10을 참조하여, 본 실시예는 마지막 하나의 단계(단계 4)의 용량 시간 서열을 이용하여 용량 예측 모델을 생성하는 것을 설명하기로 한다. 용량 시간의 변화 과정에서, 머지않은 미래시간 내에 용량이 더욱 큰 확률로 안정하게 변화하는 마지막 하나의 단계의 증가추세에 따라 변화함을 묵인한다. 따라서, 용량 시간 서열 중의 마지막 분절 포인트를 시작 포인트로 그 뒤의 데이터에 대해 곡선 또는 직선 적합을 진행하여 머지않은 미래의 용량 데이터에 대해 더욱 합리하고 정확한 예측을 진행할 수 있다.
표3은 도 10에 도시한 용량 시간 서열 중의 마지막 하나의 단계 데이터로 생성한 용량 예측 모델에 근거하여 마지막 하나의 단계 내의 데이터를 예측하여 획득한 예측값과 해당 단계의 실제값의 통계 결과를 나타낸다.
예측 포인트 | 실제값 | 예측값 | 오차 | 상대 오차 (%) |
1501 | 19405616 | 19626584 | 220967.71 | 1.14 |
1502 | 19402632 | 19646480 | 243847.92 | 1.26 |
1503 | 19401049 | 19666376 | 265327.13 | 1.37 |
1504 | 19399736 | 19686272 | 286536.34 | 1.48 |
1505 | 19396443 | 19706169 | 309725.55 | 1.60 |
1506 | 19394328 | 19726065 | 331736.76 | 1.71 |
여기서, 해당 용량 예측 모델은 y=19896x-10237629.1031976이다. x는 예측 포인트의 위치(시간 절점에 대응)이고, y는 용량값이다. 오차는 예측값과 실제값의 차이값이고, 상대 오차=오차/실제값이다. 표 3으로부터 알 수 있는 바, 모든 상대 오차는 모두 2% 이하이다. 그러나, 아무리 경험이 풍부한 전문가라 하여도 인위적인 방법으로 예측할 경우 그 상대 오차는 5% 좌우에 달하게 된다. 따라서, 본 실시예가 생성하는 용량 예측 모델은 매우 양호한 예측 효과를 구비한다.
본 발명의 실시예가 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법에 있어서, 도 1에 도시한 방법 실시예를 기반으로, Jerk 모델에서의 시스템 상태 방정식을 예로 들어 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 추출하여 용량 시간 서열에 대한 칼만 필터 추측을 실현하고, 칼만 필터 추측으로 획득한 속도, 가속도 및 가속도 미분 계수와 같은 고계도 상태 특징에 의거하여 용량 시간 서열을 분절하며, 마지막으로, 마지막 하나의 분절 포인트를 시작 포인트로 그 뒤의 용량 시간 서열에 대해 적합을 진행하여 용량 예측 모델을 생성하고 미래시간 내의 용량을 예측함으로써, 예측의 정확성을 향상시킨다.
이상의 설명은 오직 본 발명의 구체적 실시예일 뿐, 본 발명의 보호 범위는 이에 한정되지 않는다. 해당 기술분야에서 통상의 지식을 가진 자가 본 발명에 개시한 기술적 범위로부터 용이하게 생각해 낼 수 있는 변화 및 교체는 모두 본 발명의 보호 범위 내에 포함되어야 한다. 따라서, 본 발명의 보호 범위는 본 발명의 청구 범위로 정의하여야 한다.
실시예 3
도 11은 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 일 실시예의 구조 개략도이며, 도 1에 도시한 실시예의 방법 단계를 실행할 수 있다.
도 11을 참조하면, 해당 칼만 필터를 기반으로 하는 용량 예측 시스템은, 구체적으로, 획득 모듈(111), 건립 추출 모듈(112), 추측 생성 모듈(113), 분절 모듈(114) 및 예측 모듈(115)을 포함한다.
획득 모듈(111)은 예측 대상의 용량 시간 서열을 획득한다.
건립 추출 모듈(112)은 용량 시간 서열을 위해 동력학적 모델을 건립하고 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출한다.
추측 생성 모듈(113)은 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성한다.
분절 모듈(114)은 적어도 하나의 상태 특징 신호에 근거하여 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정한다.
예측 모듈(115)은 용량 시간 서열에서 확정한 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측한다.
본 발명의 실시예가 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템에 있어서, 획득한 용량 시간 서열에 대해 동력학적 모델을 건립하고, 칼만 필터를 이용하여 동력학적 모델에서의 용량 시간 서열에 대해 필터링 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하고, 생성된 상태 특징 신호를 분절하고 분절 포인트를 의거하여 미래시간에서의 용량을 예측함으로써 예측의 정확성을 향상시킨다.
실시예 4
도 12는 본 발명이 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템의 다른 일 실시예의 구조 개략도이며, 도 11에 도시한 실시예의 구체적 구현 구조로 간주할 수 있으며, 도 4에 도시한 실시예의 방법 단계를 실행할 수 있다.
도 12를 참조하면, 해당 칼만 필터를 기반으로 하는 용량 예측 시스템은 획득 모듈(111), 건립 추출 모듈(112), 추측 생성 모듈(113), 분절 모듈(114) 및 예측 모듈(115)을 포함하며, 이러한 모듈들은 도11 중의 상응한 모듈들과 동일하다.
이를 기반으로, 도 12에 도시한 칼만 필터를 기반으로 하는 용량 예측 시스템은 중앙값 필터링 및/또는 이동평균 필터링을 이용하여 용량 시간 서열에 대해 필터링 처리를 진행하여 필터링된 용량 시간 서열을 생성하기 위한 전처리 모듈(116)을 더 포함할 수 있다.
또한, 상기 동력학적 모델은 등속(CV) 모델, 등가속(CA) 모델, Singer 모델, “현재” 통계 모델 및 Jerk 모델 중의 적어도 하나를 포함할 수 있다.
또한, 상기 건립 추출 모듈(112)은, 용량 시간 서열이 Jerk 모델에서의 시스템 상태 방정식을 건립하고 시스템 상태 방정식에 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 추출하도록 더 사용될 수 있다.
또한, 상기 추측 생성 모듈(113)은, 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 이용하여 용량 시간 서열에 대해 칼만 필터 추측을 진행하고 속도, 가속도 및 가속도 미분계수과 같은 상태 특징 신호 중의 적어도 하나의 상태 특징 신호를 생성하도록 더 사용된다.
또한, 상기 분절 모듈(114)은, 용량 시간 서열에 대한 칼만 필터 추측을 통하여 획득한 상기 속도, 가속도 및 가속도 미분계수 중의 적어도 하나의 상태 특징 신호에 근거하여 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하도록 더 사용된다.
또한, 도 13은 상기 분절 모듈(114)의 구체적 구조 개략도를 도시한다. 해당 분절 모듈(114)은, 용량 시간 서열에 대한 칼만 필터 추측을 통하여 획득한 속도, 가속도 및 가속도 미분계수의 신호 중의 적어도 하나의 신호에 대하여, 그가 존재하는 적어도 하나의 상변화 신호 영역을 확정하기 위한 확정 유닛(1141)과, 확정한 적어도 하나의 상변화 신호 영역에 근거하여 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하기 위한 분절 유닛(1142)을 포함할 수 있다.
또한, 상기 확정 유닛(1141)은, 용량 시간 서열에 대한 칼만 필터 추측을 통하여 획득한 속도, 가속도 및 가속도 미분계수의 신호 중의 적어도 하나의 신호에 대하여, 두 개의 연속되고 길이가 동일한 슬라이딩 윈도우를 이용하여 시간 포인트의 순서에 따라 각 두 개의 슬라이딩 윈도우 내의 신호의 분산 및 평균값을 산출하고, 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값이 부동한 확률이 기정의 상응한 기정의 상응한 확률 역치보다 클 경우, 두 개의 연속된 슬라이딩 윈도우의 중간 포인트를 하나의 분절 의심 포인트로 표기하며, 다수의 연속된 분절 의심 포인트로 구성된 신호 영역을 용량 시간 서열의 하나의 상변화 신호 영역으로 확정하도록 더 사용된다.
또한, 상기 분절 유닛(1142)은, 각 상변화 신호 영역에서 대응되는 두 개의 슬라이딩 윈도우 내의 신호의 분산들의 차이값 중 최대값 또는 평균값들의 차이값 중 최대값에 대응되는 분절 의심 포인트를 하나의 분절 포인트로 확정하도록 더 사용된다.
또한, 상기 분절 유닛(1142)은, 각 상변화 신호 영역에서의 중간 포인트를 하나의 분절 포인트로 확정하도록 더 사용된다.
또한, 도 14는 상기 예측 모듈(115)의 구체적 구조 개략도이며, 도 14에 도시한 바와 같이, 해당 예측 모듈(115)은, 용량 시간 서열 중의 마지막 하나의 분절 포인트를 시작 포인트로 그 뒤의 용량 시간 서열의 데이터에 대해 선형 또는 비선형 적합을 진행하여 용량 예측 모델을 생성하기 위한 예측 모델 생성 유닛(1151)과, 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하기 위한 예측 유닛(1152)을 더 포함할 수 있다.
또한, 도 15에 도시한 바와 같이, 도 12에 도시한 칼만 필터를 기반으로 하는 용량 예측 시스템을 기초로, 생성된 용량 예측 모델에 대해 적합도 평가를 진행하기 위한 적합도 평가 모듈(117)과, 적합도 평가를 통해 획득한 평가값이 기정의 적합도 역치보다 클 경우, 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하는 처리조작을 진행하도록 예측 유닛을 촉발하기 위한 촉발 모듈(118)을 더 포함할 수 있다.
상기 도 4, 도 5 및 도 6에 도시하는 방법 실시예의 방법 단계는 도 11 내지 도 15 중의 상응한 기능 모듈로 완성할 수 있으며, 이러한 단계들의 원리에 대한 중복된 설명을 생략하기로 한다.
본 발명의 실시예가 제공하는 칼만 필터를 기반으로 하는 용량 예측 시스템에 있어서, 도 11에 도시하는 시스템 실시예를 기초로, Jerk 모델에서의 시스템 상태 방정식을 예로 들어 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 추출하여 용량 시간 서열에 대한 칼만 필터 추측을 실현하고, 칼만 필터 추측으로 획득한 속도, 가속도 및 가속도 미분 계수와 같은 고계도 상태 특징 신호에 의거하여 용량 시간 서열을 분절하며, 마지막으로, 마지막 하나의 분절 포인트를 시작 포인트로 그 뒤의 용량 시간 서열에 대해 적합을 진행하여 용량 예측 모델을 형성하고 미래시간 내의 용량을 예측하므로써 예측의 정확성을 향상시킨다.
도 16은 본 발명이 제공하는 컴퓨터 장치의 일 실시예의 구조 개략도이다.
도 16을 참조하면, 컴퓨터 장치는 상기 실시예에서 제공하는 칼만 필터를 기반으로 하는 용량 예측 방법을 구현할 수 있다.
구체적으로, 컴퓨터 장치는 구성 또는 성능이 부동함에 따라 비교적 큰 차이가 존재할 수 있으며, 하나 또는 다수의 프로세서 (710)(예를 들면, Central Processing Units,CPU)와 메모리 장치(720)를 포함할 수 있다. 여기서, 메모리 장치(720)는 일시적 저장 또는 영구적 저장을 진행할 수 있다. 메모리 장치(720)에는 하나 또는 다수의 프로그램을 포함할 수 있으며, 각 프로그램은 컴퓨터 장치 중의 일련의 명령 조작이 포함될 수 있다. 또한, 프로세서(710)는 메모리 장치(720)와 통신을 진행할 수 있으며, 컴퓨터 장치에서 메모리 장치(720) 중의 일련의 명령 조작을 실행한다. 특히, 메모리 장치(720)에는 하나 또는 다수의 체계 시스템의 데이터, 예를 들어 Windows ServerTM, Mac OS XTM, UnixTM, LinuxTM, FreeBSDTM 등이 더 포함된다. 컴퓨터 장치는 하나 또는 다수의 전원(730), 하나 또는 다수의 유선 또는 무선 네트워크 인터페이스(740), 및 하나 또는 다수의 입력/출력 인터페이스(750) 등을 포함할 수 있다.
구체적으로, 본 실시예에 있어서, 컴퓨터 장치는 하나 또는 다수의 프로세서(710), 메모리 장치(720) 및 하나 또는 다수의 프로그램을 포함하되, 하나 또는 다수의 프로그램은 메모리 장치(720)에 저장되고, 하나 또는 다수의 프로그램은 하나 또는 다수의 프로세서(710)로 하나 또는 다수의 프로그램에 포함되는 칼만 필터를 기반으로 하는 용량 예측 방법을 실행하기 위한 명령을 실행하도록 구성되며, 칼만 필터를 기반으로 하는 용량 예측 방법은, 예측 대상의 용량 시간 서열을 획득하고, 상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하고, 상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하고, 상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하고, 상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측한다.
또한, 메모리 장치(720)에는, 중앙값 필터링 및/또는 이동평균 필터링을 이용하여 상기 용량 시간 서열에 대해 필터링 처리를 진행하고 필터링된 상기 용량 시간 서열을 생성하는 처리를 실행하기 위한 명령이 더 포함된다.
선택적으로, 상기 동력학적 모델은 등속(CV) 모델, 등가속(CA) 모델, Singer 모델, “현재” 통계 모델 및 Jerk 모델 중의 적어도 하나를 포함한다.
또한, 메모리 장치(720)에는, 용량 시간 서열이 Jerk 모델에서의 시스템 상태 방정식을 건립하고 상기 시스템 상태 방정식에 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 추출하는 처리를 실행하기 위한 명령이 더 포함된다.
또한, 메모리 장치(720)에는, 상기 상태 전이 행렬 A와 상기 과정 잡음 분산 행렬 Q를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하고 속도, 가속도 및 가속도 미분계수와 같은 적어도 하나의 상태 특징 신호를 생성하는 처리를 실행하기 위한 명령이 더 포함된다.
또한, 메모리 장치(720)에는, 용량 시간 서열에 대한 상기 칼만 필터 추측을 통하여 획득한 상기 속도, 가속도 및 가속도 미분계수 중의 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하여 상응한 적어도 하나의 분절 포인트를 획득하는 처리를 실행하기 위한 명령이 더 포함된다.
바람직하게, 메모리 장치(720)에는, 상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통하여 획득한 속도, 가속도, 가속도 미분계수의 신호 중의 적어도 하나의 신호에 대하여, 그가 존재하는 적어도 하나의 상변화 신호 영역을 확정하고, 확정된 상기 적어도 하나의 상변화 신호 영역에 근거하여 상기 용량 시간 서열을 분절하여 상응한 적어도 하나의 분절 포인트를 확정하는 처리를 실행하기 위한 명령이 더 포함된다.
또한, 메모리 장치(720)에는, 상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도, 가속도 미분계수의 신호 중의 적어도 하나의 신호에 대하여, 두 개의 연속되고 길이가 동일한 슬라이딩 윈도우를 이용하여 시간 포인트의 순서에 따라 각 상기 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값을 산출하고, 상기 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값이 부동한 확률이 기정의 상응한 확률 역치보다 클 경우, 상기 두 개의 연속된 슬라이딩 윈도우의 중간 포인트를 하나의 분절 의심 포인트로 표기하고, 다수의 연속된 상기 분절 의심 포인트로 구성된 신호 영역을 상기 용량 시간 서열의 상기 하나의 상변화 신호 영역으로 확정하는 처리를 실행하기 위한 명령이 더 포함된다.
또한, 메모리 장치(720)에는, 각 상기 상변화 신호 영역에서 대응되는 상기 두개의 슬라이딩 윈도우 내의 신호의 분산들의 차이값 중 최대값 또는 평균값들의 차이값 중 최대값에 대응되는 상기 분절 의심 포인트를 하나의 분절 포인트로 확정하는 처리를 실행하기 위한 명령이 더 포함된다.
바람직하게, 메모리 장치(720)에는, 각 상기 상변화 신호 영역에서의 중간 포인트를 하나의 분절 포인트로 확정하는 처리를 실행하기 위한 명령이 더 포함된다.
또한, 메모리 장치(720)에는, 상기 용량 시간 서열 중의 마지막 하나의 상기 분절 포인트를 시작 포인트로 그 뒤의 용량 시간 서열의 데이터에 대해 선형 또는 비선형 적합을 진행하여 용량 예측 모델을 생성하고, 상기 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하는 처리를 실행하기 위한 명령이 더 포함된다.
또한, 메모리 장치(720)에는, 생성된 상기 용량 예측 모델에 대해 적합도 평가를 진행하고, 상기 적합도 평가를 통해 획득한 평가값이 기정의 적합도 역치보다 클 경우 상기 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하는 처리를 실행하기 위한 명령이 더 포함된다.
본 발명이 제공하는 컴퓨터 장치에 있어서, 획득한 용량 시간 서열에 대해 동력학적 모델을 생성하고, 칼만 필터를 이용하여 동력학적 모델에서의 용량 시간 서열에 대해 필터링 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하고, 생성된 상태 특징 신호를 분절하고 분절 포인트에 의거하여 미래시간에서의 용량을 예측함으로써 예측의 정확성을 향상시킨다.
또한, 본 발명은 Jerk 모델에서의 시스템 상태 방정식을 예로 들어 상응한 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 추출하여 용량 시간 서열에 대한 칼만 필터 추측을 실현하고, 칼만 필터 추측으로 획득한 고계도 상태 특징 신호, 예를 들어 속도, 가속도 및 가속도 미분 계수에 의거하여 용량 시간 서열을 분절하며, 마지막으로, 마지막 하나의 분절 포인트을 시작 포인트로 그 뒤의 용량 시간 서열에 대해 적합을 진행하여 용량 예측 모델을 생성하고 미래시간 내의 용량을 예측함으로써, 예측의 정확성을 향상시킨다.
상술한 본 발명에 따른 방법 및 장치는 하드웨어, 펌웨어에서 구현되거나, 기록 매체 (예를 들면, CD ROM, RAM, 플로피 디스크, 하드 디스크, 광자기 디스크)에 저장 가능한 소프트웨어 또는 컴퓨터 코드로 구현되거나, 네트워크를 통하여 다운로드하는 원초에 원격 기록 매체 또는 비 일시적인 기계 판독 가능한 매체에 저장되고 나중에 로컬 기록 매체에 저장되는 컴퓨터 코드로 구현될 수 있다. 따라서, 여기서 설명된 방법은 범용 컴퓨터, 전용 프로세서 또는 프로그래밍이 가능하거나 전용의 하드웨어 (예를 들면, ASIC 또는 FPGA)의 기록 매체에 저장된 이러한 소프트웨어로 처리할 수 있다. 컴퓨터, 프로세서, 마이크로 프로세서 제어 장치 또는 프로그래밍 가능한 하드웨어는 소프트웨어 또는 컴퓨터 코드를 저장하거나 수신할 수 있는 저장 부재(예를 들면, RAM, ROM, 플래시 메모리 등)를 포함할 수 있으며, 컴퓨터, 프로세서 또는 하드웨어로 상기 소프트웨어 또는 컴퓨터 코드를 접속하고 실행할 경우, 본문에 설명된 처리 방법이 실현된다. 여기서, 범용 컴퓨터로 본문에 예시된 처리를 실현하기 위한 코드에 접속할 경우, 코드의 실행은 범용 컴퓨터를 본문에 예시된 처리를 실행하기 위한 전용 컴퓨터로 전환시킨다.
이상의 설명은 오직 본 발명의 구체적 실시예일 뿐, 본 발명의 보호 범위는 이에 한정되지 않는다. 해당 기술분야에서 통상의 지식을 가진 자가 본 발명에 개시한 기술적 범위로부터 용이하게 생각해 낼 수 있는 변화 및 교체는 모두 본 발명의 보호 범위내에 포함되어야 한다. 따라서, 본 발명의 보호 범위는 본 발명의 청구 범위로 정의하여야 한다.
111: 획득 모듈
112 : 건립 추출 모듈
113 : 추측 생성 모듈
114 : 분절 모듈
115 : 예측 모듈
116 : 전처리 모듈
117 : 적합도 평가 모듈
118 : 촉발 모듈
710 : 프로세서
720 : 메모리 장치
730 : 전원
740 : 유선 또는 무선 네트워크 인터페이스
750 : 입력/출력 인터페이스
1141 : 확정 유닛
1142 : 분절 유닛
1151 : 예측 모델 생성 유닛
1152 : 예측 유닛
112 : 건립 추출 모듈
113 : 추측 생성 모듈
114 : 분절 모듈
115 : 예측 모듈
116 : 전처리 모듈
117 : 적합도 평가 모듈
118 : 촉발 모듈
710 : 프로세서
720 : 메모리 장치
730 : 전원
740 : 유선 또는 무선 네트워크 인터페이스
750 : 입력/출력 인터페이스
1141 : 확정 유닛
1142 : 분절 유닛
1151 : 예측 모델 생성 유닛
1152 : 예측 유닛
Claims (25)
- 예측 대상의 용량 시간 서열을 획득하는 단계와,
상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하는 단계와,
상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하는 단계와,
상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계와,
상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제1항에 있어서,
중앙값 필터링 및/또는 이동평균 필터링을 이용하여 상기 용량 시간 서열에 대해 필터링 처리를 진행하여 필터링된 상기 용량 시간 서열 생성하는 단계를 더 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제1항에 있어서,
상기 동력학적 모델은,
등속(CV) 모델, 등가속(CA) 모델, Singer 모델, “현재” 통계 모델 및 Jerk 모델 중 적어도 하나를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제3항에 있어서,
상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하는 단계는,
상기 용량 시간 서열이 Jerk 모델에서의 시스템 상태 방정식을 건립하고 상기 시스템 상태 방정식에 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 추출하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제4항에 있어서,
상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하는 단계는,
상기 상태 전이 행렬 A와 상기 과정 잡음 분산 행렬 Q를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하고 속도, 가속도 및 가속도 미분계수 중 적어도 하나의 상태 특징 신호를 생성하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제5항에 있어서,
상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계는,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수 중 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제6항에 있어서,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수 중 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계는,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수의 신호 중 적어도 하나의 신호에 대하여, 그가 존재하는 적어도 하나의 상변화 신호 영역을 확정하는 단계와,
확정된 상기 적어도 하나의 상변화 신호 영역에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제7항에 있어서,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수의 신호 중 적어도 하나의 신호에 대하여, 그가 존재하는 적어도 하나의 상변화 신호 영역을 확정하는 단계는,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수의 신호 중 적어도 하나의 신호에 대하여, 두 개의 연속되고 길이가 동일한 슬라이딩 윈도우를 이용하여 시간 포인트의 순서에 따라 각 상기 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값을 산출하는 단계와,
상기 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값이 부동한 확률이 기정의 상응한 확률 역치보다 클 경우, 상기 두 개의 연속된 슬라이딩 윈도우의 중간 포인트를 하나의 분절 의심 포인트로 표기하는 단계와,
다수의 연속된 상기 분절 의심 포인트로 구성된 신호 영역을 상기 용량 시간 서열의 하나의 상기 상변화 신호 영역으로 확정하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제8항에 있어서,
확정된 상기 적어도 하나의 상변화 신호 영역에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계는,
각 상기 상변화 신호 영역에서 대응되는 상기 두 개의 슬라이딩 윈도우 내의 신호의 분산들의 차이값 중 최대값 또는 평균값들의 차이값 중 최대값에 대응되는 분절 의심 포인트를 하나의 분절 포인트로 확정하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제8항에 있어서,
확정된 상기 적어도 하나의 상변화 신호 영역에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계는,
각 상기 상변화 신호 영역 중의 중간 포인트를 하나의 분절 포인트로 확정하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제9항 또는 제10항에 있어서,
상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하는 단계는,
상기 용량 시간 서열 중의 마지막 하나의 상기 분절 포인트를 시작 포인트로 그 뒤의 용량 시간 서열의 데이터에 대해 선형 또는 비선형 적합을 진행하여 용량 예측 모델을 생성하는 단계와,
상기 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하는 단계를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 제11항에 있어서,
생성된 상기 용량 예측 모델에 대해 적합도 평가를 진행하는 단계와,
상기 적합도 평가를 통해 획득한 평가값이 기정의 적합도 역치보다 클 경우, 상기 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하는 단계를 촉발하는 단계를 더 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 방법. - 예측 대상의 용량 시간 서열을 획득하기 위한 획득 모듈과,
상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하기 위한 건립 추출 모듈과,
상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하기 위한 추측 생성 모듈과,
상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하기 위한 분절 모듈과,
상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하기 위한 예측 모듈을 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제13항에 있어서,
중앙값 필터링 및/또는 이동평균 필터링을 이용하여 상기 용량 시간 서열에 대해 필터링 처리를 진행하여 필터링된 상기 용량 시간 서열을 생성하기 위한 전처리 모듈을 더 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제13항에 있어서,
상기 동력학적 모델은,
등속(CV) 모델, 등가속(CA) 모델, Singer 모델, “현재” 통계 모델 및 Jerk 모델 중 적어도 하나를 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제15항에 있어서,
상기 건립 추출 모듈은,
상기 용량 시간 서열이 Jerk 모델에서의 시스템 상태 방정식을 건립하고 상기 시스템 상태 방정식에 대응되는 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 추출하도록 사용되는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제16항에 있어서,
상기 추측 생성 모듈은,
상기 상태 전이 행렬 A와 과정 잡음 분산 행렬 Q를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하고 속도, 가속도 및 가속도 미분계수 중 적어도 하나의 상태 특징 신호를 생성하도록 사용되는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제17항에 있어서,
상기 분절 모듈은,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수 중 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하도록 사용되는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제18항에 있어서,
상기 분절 모듈은,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수의 신호 중 적어도 하나의 신호에 대하여, 그가 존재하는 적어도 하나의 상변화 신호 영역을 확정하기 위한 확정 유닛과,
확정된 상기 적어도 하나의 상변화 신호 영역에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하기 위한 분절 유닛을 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제19항에 있어서,
상기 확정 유닛은,
상기 용량 시간 서열에 대한 상기 칼만 필터 추측을 통해 획득한 속도, 가속도 및 가속도 미분계수의 신호 중 적어도 하나의 신호에 대하여, 두 개의 연속되고 길이가 동일한 슬라이딩 윈도우를 이용하여 시간 포인트의 순서에 따라 각 상기 두개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값을 산출하고,
상기 두 개의 슬라이딩 윈도우 내의 신호의 분산 또는 평균값이 부동한 확률이 기정의 상응한 확률 역치보다 클 경우, 상기 두 개의 연속된 슬라이딩 윈도우의 중간 포인트를 하나의 분절 의심 포인트로 표기하며,
다수의 연속된 상기 분절 의심 포인트로 구성된 신호 영역을 상기 용량 시간 서열의 하나의 상기 상변화 신호 영역으로 확정하도록 더 사용되는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제20항에 있어서,
상기 분절 유닛은
각 상기 상변화 신호 영역에서 대응되는 상기 두 개의 슬라이딩 윈도우 내의 신호의 분산들의 차이값 중 최대값 또는 평균값들의 차이값 중 최대값에 대응되는 분절 의심 포인트를 하나의 분절 포인트로 확정하도록 더 사용되는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제20항에 있어서,
상기 분절 유닛은,
각 상기 상변화 신호 영역 중의 중간 포인트를 하나의 분절 포인트로 확정하도록 더 사용되는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제21항 또는 제22항에 있어서,
상기 예측 모듈은,
상기 용량 시간 서열 중의 마지막 하나의 상기 분절 포인트를 시작 포인트로 그 뒤의 용량 시간 서열의 데이터에 대해 선형 또는 비선형 적합을 진행하여 용량 예측 모델을 생성하기 위한 예측 모델 생성 유닛과,
상기 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하기 위한 예측 유닛을 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 제23항에 있어서,
상기 시스템은,
생성된 상기 용량 예측 모델에 대해 적합도 평가를 진행하기 위한 적합도 평가 모듈과,
상기 적합도 평가를 통해 획득한 평가값이 기정의 적합도 역치보다 클 경우, 상기 용량 예측 모델에 근거하여 미래시간에서의 용량을 예측하는 단계를 촉발하기 위한 촉발 모듈을 더 포함하는 것을 특징으로 하는,
칼만 필터를 기반으로 하는 용량 예측 시스템. - 하나 또는 다수의 프로세서와,
메모리 장치와,
상기 메모리 장치에 저장되는 하나 또는 다수의 프로그램을 포함하되, 상기 하나 또는 다수의 프로그램은 상기 하나 또는 다수의 프로세서로 상기 하나 또는 다수의 프로그램에 포함되는 칼만 필터를 기반으로 하는 용량 예측 방법을 실행하기 위한 명령을 실행하도록 구성되며, 상기 칼만 필터를 기반으로 하는 용량 예측 방법은,
예측 대상의 용량 시간 서열을 획득하는 단계와,
상기 용량 시간 서열을 위해 동력학적 모델을 건립하고 상기 동력학적 모델의 상태 전이 파라미터와 과정 잡음 파라미터를 추출하는 단계와,
상기 상태 전이 파라미터와 과정 잡음 파라미터를 이용하여 상기 용량 시간 서열에 대해 칼만 필터 추측을 진행하여 적어도 하나의 상태 특징 신호를 생성하는 단계와,
상기 적어도 하나의 상태 특징 신호에 근거하여 상기 용량 시간 서열을 분절하고 상응한 적어도 하나의 분절 포인트를 확정하는 단계와,
상기 용량 시간 서열에서 확정된 상기 적어도 하나의 분절 포인트에 근거하여 미래시간에서의 용량을 예측하는 단계를 포함하는 것을 특징으로 하는,
컴퓨터 장치.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
CN201510158699.9 | 2015-04-03 | ||
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 |
---|---|
KR20160130209A true KR20160130209A (ko) | 2016-11-10 |
KR101829560B1 KR101829560B1 (ko) | 2018-02-14 |
Family
ID=53694149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020167011244A KR101829560B1 (ko) | 2015-04-03 | 2015-09-07 | 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10437942B2 (ko) |
EP (1) | EP3279819B1 (ko) |
JP (1) | JP6343001B2 (ko) |
KR (1) | KR101829560B1 (ko) |
CN (1) | CN104809333B (ko) |
WO (1) | WO2016155241A1 (ko) |
Families Citing this family (22)
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 |
CN110720096B (zh) * | 2019-07-03 | 2022-07-08 | 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 |
Family Cites Families (22)
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 |
JP4083997B2 (ja) * | 2001-04-16 | 2008-04-30 | 株式会社日立製作所 | 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 |
US7043899B2 (en) * | 2004-05-26 | 2006-05-16 | Daimlerchrysler Corporation | On-line catalyst monitoring using a Kalman filter |
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 |
DE102005050563A1 (de) | 2005-10-21 | 2007-04-26 | Robert Bosch Gmbh | Verfahren zur Vorhersage der Leistungsfähigkeit elektrischer Energiespeicher |
US20070198328A1 (en) * | 2006-02-09 | 2007-08-23 | Fuller William T | Storage Capacity Planning |
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 |
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 |
JP2011005039A (ja) * | 2009-06-26 | 2011-01-13 | Toshiba Corp | 医用画像診断装置 |
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 |
CN102934036B (zh) * | 2010-02-15 | 2016-04-27 | 开利公司 | 用于估计温度受控空间内的参数和状态的基于模型的系统和方法 |
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 |
-
2015
- 2015-04-03 CN CN201510158699.9A patent/CN104809333B/zh active Active
- 2015-09-07 WO PCT/CN2015/089025 patent/WO2016155241A1/zh active Application Filing
- 2015-09-07 US US15/033,604 patent/US10437942B2/en active Active
- 2015-09-07 JP JP2016526273A patent/JP6343001B2/ja active Active
- 2015-09-07 EP EP15849818.8A patent/EP3279819B1/en active Active
- 2015-09-07 KR KR1020167011244A patent/KR101829560B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR101829560B1 (ko) | 2018-02-14 |
EP3279819A4 (en) | 2018-12-26 |
CN104809333B (zh) | 2017-08-29 |
US20180196891A1 (en) | 2018-07-12 |
EP3279819B1 (en) | 2024-04-24 |
US10437942B2 (en) | 2019-10-08 |
JP6343001B2 (ja) | 2018-06-13 |
EP3279819A1 (en) | 2018-02-07 |
CN104809333A (zh) | 2015-07-29 |
WO2016155241A1 (zh) | 2016-10-06 |
JP2017520029A (ja) | 2017-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101829560B1 (ko) | 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치 | |
US10496515B2 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
JP6312630B2 (ja) | 時系列データ内の異常を検出する方法 | |
KR101912195B1 (ko) | 목표의 실시간 위치 측정과 지도 구축 방법 및 장치 | |
CN109416408B (zh) | 震中距估计装置、震中距估计方法以及计算机可读记录介质 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
KR102044354B1 (ko) | 데이터베이스 구축을 위한 자기장 맵을 생성하는 방법 및 장치 | |
US11856549B2 (en) | Fingerprint data pre-process method for improving localization model | |
Yuen et al. | Real‐time substructural identification by boundary force modeling | |
CN110375736B (zh) | 智能设备的路径规划方法、系统、设备及可读存储介质 | |
CN111707294B (zh) | 基于最优区间估计的行人导航零速区间检测方法和装置 | |
JP6184344B2 (ja) | 観測値処理装置 | |
CN106885572B (zh) | 利用时间序列预测的辅助定位方法和系统 | |
CN107273659B (zh) | 一种基于ransac算法改进的用于空间碎片光电跟踪的轨迹预测方法 | |
CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
CN104391325B (zh) | 不连续非均质地质体检测方法和装置 | |
US20210364670A1 (en) | Device, method and computer program product for validating data provided by a rain sensor | |
EP3399472B1 (en) | Endpoint detection in manufacturing process by near infrared spectroscopy and machine learning techniques | |
KR102325629B1 (ko) | 이상 탐지 방법 및 이상 탐지 장치 | |
WO2016098250A1 (ja) | 波形推定装置及び波形推定方法 | |
JP6116398B2 (ja) | 波形推定装置及び波形推定方法 | |
US9473368B1 (en) | Network graph representation of physically connected network | |
CN111865267B (zh) | 测温数据预测方法及装置 | |
Nguyen et al. | Uncertainty quantification for model parameters and hidden state variables in Bayesian dynamic linear models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |