WO2016123967A1 - 数据处理方法及装置 - Google Patents

数据处理方法及装置 Download PDF

Info

Publication number
WO2016123967A1
WO2016123967A1 PCT/CN2015/088135 CN2015088135W WO2016123967A1 WO 2016123967 A1 WO2016123967 A1 WO 2016123967A1 CN 2015088135 W CN2015088135 W CN 2015088135W WO 2016123967 A1 WO2016123967 A1 WO 2016123967A1
Authority
WO
WIPO (PCT)
Prior art keywords
granularity
data
prediction
data set
granular
Prior art date
Application number
PCT/CN2015/088135
Other languages
English (en)
French (fr)
Inventor
刘义俊
田光见
范伟
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Publication of WO2016123967A1 publication Critical patent/WO2016123967A1/zh

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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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

Definitions

  • the present invention relates to computer technology, and in particular to a data processing method and apparatus.
  • the existing outbound service planning system can be divided into two parts: external service demand forecasting and outside line service planning.
  • the forecast of external service demand includes: predicting the model by predicting and planning the data set that needs to be predicted and planned, and then using the predictive model to predict one or more futures in the same cycle as the historical data based on the existing historical data.
  • the outbound service plan includes: calculating the target result data based on the predicted data values and the plan model, and the target result is the final result of the external service plan system output.
  • the external service plan of the area obtained by the above two methods may be inconsistent, so that it is impossible to determine which result should be determined when making a decision, so that the corresponding decision processing cannot be made correctly and timely.
  • the invention provides a data processing method and device, which can make the obtained prediction data of different granularities consistent.
  • a data processing method comprising:
  • the second granularity prediction data is obtained by performing prediction using the second granularity prediction model.
  • the performing the modeling of the second granularity prediction model by using the first granular data set and the second granular data set comprises:
  • Modeling of the second granularity prediction model is performed using the modified MLE model of the second granular data set.
  • the method further includes:
  • Smoothing correction is performed on the second granularity prediction data using the smoothing parameter.
  • the obtaining the smoothing parameter according to the first granular data set includes:
  • the data size of the first granularity included in the at least two first granular data subsets is sequentially expanded, and the data subset having a large data amount is obtained Includes all data included in a subset of data with a small amount of data;
  • a smoothing parameter is obtained according to the at least two step-spacing parameters.
  • the at least two first granular data subsets include a first granularity data subset A, and the first granularity data Subset A corresponds to the first granularity prediction data A;
  • the obtaining, according to the at least two first granularity prediction data, the at least two step-by-step smoothing parameters includes:
  • the step-by-step smoothing parameter corresponding to the first granularity prediction data A is obtained by using the following formula:
  • ⁇ is a step- synchronization parameter corresponding to the first granularity prediction data A
  • S realB is the second granularity data B
  • S forecastA is the second granularity data A.
  • the method further includes:
  • the feedback correction is performed on the second granularity prediction data using the feedback correction parameter.
  • the obtaining the feedback correction parameter according to the third granular data set includes:
  • a feedback correction parameter is obtained based on the at least two step feedback correction parameters.
  • the at least two second granular data subsets include a second granular data subset C, and the second granular data Subset C corresponds to the second granularity prediction data C;
  • the at least two step feedback correction parameters include:
  • the second granularity prediction data C is aggregated into third granularity data C;
  • the step feedback correction parameter corresponding to the second granularity prediction data C is obtained by using the following formula:
  • ⁇ is a step feedback correction parameter corresponding to the second granularity prediction data C
  • S realD is the third granularity data D
  • S forecastC is the third granularity data C.
  • a data processing method including:
  • Smoothing correction is performed on the second granularity prediction data using the smoothing parameter.
  • the obtaining the smoothing parameter according to the first granular data set includes:
  • the data size of the first granularity included in the at least two first granular data subsets is sequentially expanded, and the data subset having a large data amount is obtained Includes all data included in a subset of data with a small amount of data;
  • a smoothing parameter is obtained according to the at least two step-spacing parameters.
  • the at least two first granular data subsets include a first granularity data subset A, and the first granularity data Subset A corresponds to the first granularity prediction data A;
  • the obtaining, according to the at least two first granularity prediction data, the at least two step-by-step smoothing parameters includes:
  • the step-by-step smoothing parameter corresponding to the first granularity prediction data A is obtained by using the following formula:
  • ⁇ is a step- synchronization parameter corresponding to the first granularity prediction data A
  • S realB is the second granularity data B
  • S forecastA is the second granularity data A.
  • the method further includes:
  • the feedback correction is performed on the second granularity prediction data using the feedback correction parameter.
  • the obtaining the feedback correction parameter according to the third granular data set includes:
  • a feedback correction parameter is obtained based on the at least two step feedback correction parameters.
  • the at least two second granular data subsets include a second granular data subset C, and the second granular data Subset C corresponds to the second granularity prediction data C;
  • the at least two step feedback correction parameters include:
  • the second granularity prediction data C is aggregated into third granularity data C;
  • the step feedback correction parameter corresponding to the second granularity prediction data C is obtained by using the following formula:
  • ⁇ is a step feedback correction parameter corresponding to the second granularity prediction data C
  • S realD is the third granularity data D
  • S forecastC is the third granularity data C.
  • the second granularity prediction model is performed using only the second granularity data set Modeling;
  • Modeling of the second granularity prediction model is performed using the first granularity data set and the second granularity data set.
  • a data processing method including:
  • the feedback correction is performed on the first granularity prediction data using the feedback correction parameter.
  • the obtaining the feedback correction parameter according to the second granular data set includes:
  • step feedback correction parameter is in one-to-one correspondence with the first granularity prediction data
  • a feedback correction parameter is obtained based on the at least two step feedback correction parameters.
  • the at least two first granular data subsets include a first granularity data subset A, and the first granularity data Subset A corresponds to the second granularity prediction data A;
  • the obtaining, according to the at least two first granularity prediction data and the second granular data set, the at least two step feedback correction parameters includes:
  • the step-by-step feedback correction parameter corresponding to the first granularity prediction data A is obtained by using the following formula:
  • ⁇ is a step feedback correction parameter corresponding to the first granularity prediction data A
  • S realB is the second granularity data B
  • S forecastA is the second granularity data A.
  • a data processing apparatus including:
  • a historical data acquisition unit for acquiring historical data
  • a data set generating unit configured to generate a first granularity data set according to a first granularity of the historical data acquired by the historical data acquiring unit, and generate a second granularity data set according to the second granularity, the first granularity Thinner than the second granularity;
  • a modeling unit configured to perform modeling of the second granular prediction model according to the first granular data set and the second granular data set generated by the data set generating unit;
  • a prediction unit configured to perform prediction by using the second granular prediction model obtained by the modeling unit to obtain second granularity prediction data.
  • the modeling unit is specifically configured to:
  • Modeling of the second granularity prediction model is performed using the modified MLE model of the second granular data set.
  • the device further includes:
  • a smoothing parameter obtaining unit configured to acquire a smoothing parameter according to the first granular data set generated by the data set generating unit
  • a smoothing correction unit configured to perform smoothing correction on the second granularity prediction data obtained by the prediction unit by using the smoothing parameter acquired by the smoothing parameter acquiring unit.
  • the smoothing parameter acquiring unit is specifically configured to:
  • the data size of the first granularity included in the at least two first granular data subsets is sequentially expanded, and the data subset having a large data amount is obtained Includes all data included in a subset of data with a small amount of data;
  • the first granularity prediction data is in one-to-one correspondence with the first granularity data subset
  • a smoothing parameter is obtained according to the at least two step-spacing parameters.
  • the at least two first granular data subsets include a first granularity data subset A, and the first granularity data Subset A corresponds to the first granularity prediction data A;
  • the smoothing parameter obtaining unit specifically obtains a step-by-step smoothing parameter corresponding to the first granularity prediction data A in the following manner:
  • the smoothing parameter acquiring unit is configured to obtain a stepping smoothing parameter corresponding to the first granularity prediction data A by using a formula :
  • ⁇ is a step- synchronization parameter corresponding to the first granularity prediction data A
  • S realB is the second granularity data B
  • S forecastA is the second granularity data A.
  • the data set generating unit is further configured to generate the third granularity data set by the historical data according to a third granularity, where the third granularity is coarser than the second granularity;
  • the device also includes:
  • a feedback correction parameter obtaining unit configured to acquire a feedback correction parameter according to the third granular data set generated by the data set generating unit
  • a feedback correction unit configured to perform feedback correction on the second granularity prediction data obtained by the prediction unit by using the feedback correction parameter acquired by the feedback correction parameter acquisition unit.
  • the feedback correction parameter acquisition unit specifically obtains the feedback correction parameter as follows:
  • a feedback correction parameter is obtained based on the at least two step feedback correction parameters.
  • the at least two second granular data subsets include a second granular data subset C, and the second granular data Subset C corresponds to the second granularity prediction data C;
  • the feedback correction parameter acquisition unit specifically obtains the step feedback correction parameter corresponding to the second granularity prediction data C in the following manner:
  • the second granularity prediction data C is aggregated into third granularity data C;
  • the feedback correction parameter acquiring unit is configured to obtain a step-by-step feedback corresponding to the second granularity prediction data C by using a formula Correct the parameters:
  • ⁇ is a step feedback correction parameter corresponding to the second granularity prediction data C
  • S realD is the third granularity data D
  • S forecastC is the third granularity data C.
  • a data processing apparatus including:
  • a historical data acquisition unit for acquiring historical data
  • a data set generating unit configured to generate a first granularity data set according to a first granularity of the historical data acquired by the historical data acquiring unit, and generate a second granularity data set according to the second granularity, the first granularity Thinner than the second granularity;
  • a modeling unit configured to perform modeling of the second granular prediction model according to the second granular data set generated by the data set generating unit;
  • a prediction unit configured to obtain a second granularity prediction data by using a second granular prediction model obtained by the modeling unit;
  • a smoothing parameter obtaining unit configured to acquire a smoothing parameter according to the first granular data set generated by the data set generating unit
  • a smoothing correction unit configured to perform smoothing correction on the second granularity prediction data obtained by the prediction unit by using the smoothing parameter acquired by the smoothing parameter acquiring unit.
  • the smoothing parameter acquiring unit is specifically configured to obtain a smoothing parameter by:
  • the data size of the first granularity included in the at least two first granular data subsets is sequentially expanded, and the data subset having a large data amount is obtained Includes all data included in a subset of data with a small amount of data;
  • a smoothing parameter is obtained according to the at least two step-spacing parameters.
  • the at least two first granular data subsets include a first granularity data subset A, and the first granularity data Subset A corresponds to the first granularity prediction data A;
  • the smoothing parameter obtaining unit is specifically configured to obtain a step-by-step smoothing parameter corresponding to the first granularity prediction data A in the following manner:
  • the smoothing parameter obtaining unit is specifically configured to obtain a step-by-step smoothing parameter corresponding to the first granularity prediction data A by using the following formula:
  • ⁇ is a step- synchronization parameter corresponding to the first granularity prediction data A
  • S realB is the second granularity data B
  • S forecastA is the second granularity data A.
  • the data set generating unit is further configured to: The granularity generates a third granularity data set, and the third granularity is coarser than the second granularity;
  • the device also includes:
  • a feedback correction parameter obtaining unit configured to acquire a feedback correction parameter according to the third granular data set generated by the data set generating unit
  • a feedback correction unit configured to perform feedback correction on the second granularity prediction data obtained by the prediction unit by using the feedback correction parameter acquired by the feedback correction parameter acquisition unit.
  • the feedback correction parameter acquiring unit is specifically configured to obtain a feedback correction parameter by:
  • a feedback correction parameter is obtained based on the at least two step feedback correction parameters.
  • the at least two second granular data subsets include a second granular data subset C, and the second granular data Subset C corresponds to the second granularity prediction data C;
  • the feedback correction parameter obtaining unit is specifically configured to obtain a step feedback correction parameter corresponding to the second granularity prediction data C by:
  • the second granularity prediction data C is aggregated into third granularity data C;
  • the feedback correction parameter acquiring unit is specifically configured to obtain a score corresponding to the second granularity prediction data C by using a formula Step feedback correction parameters:
  • ⁇ is a step feedback correction parameter corresponding to the second granularity prediction data C
  • S realD is the third granularity data D
  • S forecastC is the third granularity data C.
  • the modeling unit uses only the second granular data set to perform a second granularity prediction model Modeling; or
  • Modeling of the second granularity prediction model is performed using the first granularity data set and the second granularity data set.
  • a data processing apparatus including:
  • a historical data acquisition unit for acquiring historical data
  • a data set generating unit configured to generate a first granularity data set according to a first granularity of the historical data acquired by the historical data acquiring unit, and generate a second granularity data set according to the second granularity, the first granularity Thinner than the second granularity;
  • a modeling unit configured to perform modeling of the first granular prediction model according to the first granular data set generated by the data set generating unit;
  • a prediction unit configured to perform, by using a first granular prediction model obtained by the modeling unit, to obtain first granularity prediction data
  • a feedback correction parameter obtaining unit configured to acquire a feedback correction parameter according to the second granular data set generated by the data set generating unit
  • a feedback correction unit configured to perform feedback correction on the first granularity prediction data obtained by the prediction unit by using the feedback correction parameter acquired by the feedback correction parameter acquisition unit.
  • the feedback correction parameter acquisition The unit is specifically configured to obtain the feedback correction parameter as follows:
  • step feedback correction parameter is in one-to-one correspondence with the first granularity prediction data
  • a feedback correction parameter is obtained based on the at least two step feedback correction parameters.
  • the at least two first granular data subsets include a first granularity data subset A, and the first granularity data Subset A corresponds to the second granularity prediction data A;
  • the feedback correction parameter acquisition unit specifically obtains the step feedback correction parameter corresponding to the first granularity prediction data A as follows:
  • the feedback correction parameter acquiring unit is configured to obtain a step feedback correction parameter corresponding to the first granularity prediction data A by using a formula :
  • ⁇ is a step feedback correction parameter corresponding to the first granularity prediction data A
  • S realB is the second granularity data B
  • S forecastA is the second granularity data A.
  • the second granularity prediction model when the second granularity prediction model is established in the embodiment of the present invention, the first granular data set and the second granular data set are simultaneously referenced, thereby using the second granularity prediction model.
  • the prediction may be affected by the first granular data set at the same time, so that the second granularity prediction data obtained by using the second granular prediction model prediction can be consistent with the first granularity data, so that the second granularity prediction data is more accurate.
  • the smoothing parameter is obtained according to the data set, and then the second granularity prediction data is smoothed and corrected by the smoothing parameter, so that the smooth corrected second granularity prediction data can further conform to the first granularity data.
  • the feedback correction parameter may be obtained according to the third granularity data set, and then the feedback correction correction is performed on the second granularity prediction data by using the feedback correction parameter, so that the corrected second granularity prediction data can further align with the third granularity data.
  • FIG. 1 is a flowchart of a data processing method according to an embodiment of the present invention
  • FIG. 2 is a flowchart of a modeling method according to an embodiment of the present invention.
  • FIG. 3 is a flowchart of a method for acquiring a smoothing parameter according to an embodiment of the present invention
  • FIG. 4 is a flowchart of a method for acquiring step-by-step smoothing parameters according to an embodiment of the present invention
  • FIG. 5 is a structural diagram of a data processing apparatus according to an embodiment of the present invention.
  • FIG. 6 is a structural diagram of a data processing apparatus according to another embodiment of the present invention.
  • the data processing method provided by the embodiment of the present invention is first introduced, and the data processing method is used for predicting future data according to the acquired historical data, so that the decision maker can perform prediction according to the predicted result.
  • the data processing method provided by the embodiment of the present invention does not have the situation that the prediction data of different granularities are inconsistent, or at least does not have a large difference in the prediction data of different granularities, that is, the prediction result is more accurate than the prior art. Therefore, the decision-making made by the decision-makers based on the predicted results will be as close as possible to the real situation in the future, thus avoiding the waste of manpower and resources caused by the mistakes in decision-making.
  • the data processing method provided by the embodiment of the present invention may be performed by an outside line service planning system, and the specific manifestation of the prediction system may be a computer or a computer cluster. It can be understood that the data processing method provided by the embodiment of the present invention can also be implemented by other prediction systems, and the present invention does not limit the type of prediction system to which the data processing method provided by the embodiment of the present invention is specifically applied.
  • FIG. 1 is a flowchart of a data processing method according to an embodiment of the present invention, including:
  • the historical data can be obtained from the database of the machine or from the server storing the historical data.
  • the historical data may be historical data of various resource requirements, such as historical data of human demand, historical data of material demand, and the like, and the specific expression may be characters such as numbers, letters, or Chinese characters that can reflect the amount of data.
  • the generated data set of at least two different granularities includes at least a first granular data set generated by the historical data by the first granularity, and a second granular data set generated by the historical data by the second granularity, where the first The particle size is finer than the second particle size.
  • the historical data is generated according to different granularities, at least two data sets of different granularities are generated, if the generated data sets of at least two different granularities are arranged in a fine to coarse order according to the granularity.
  • the historical data may be generated into a project granular data set, a regional granular data set, and a departmental granular data set, wherein the regional granularity is coarser than the project granularity, and the department granularity is coarser than the regional granularity.
  • the modeling of the second granularity prediction model may be performed only according to the second granularity data set according to specific requirements, or the modeling of the second granularity prediction model may be performed according to the first granularity data set and the second granularity data set.
  • the modeling may be specifically performed as described in FIG. 2:
  • the penalty coefficient product correction term of the cumulative sum of adjacent fine-grained data sets is used for correction, so that the obtained prediction model comprehensively considers the current granular data set and adjacent thin
  • the granular data set makes the prediction data of the prediction model take into account the current granular data set and the adjacent fine-grained data set, and the predicted data is more accurate.
  • ARMA Auto-Regressive and Moving Average Model
  • ⁇ (B) represents an autoregressive polynomial
  • ⁇ (B) represents the moving average polynomial
  • p is the order of the autoregressive model
  • q is the moving average model order
  • w t is time series data, which is a sequential sequence
  • a t is the noise of the existing sample
  • n is the number of existing samples.
  • the specific modeling process includes the process of obtaining the following calculation parameter values:
  • w tk is the data in the adjacent fine-grained data set
  • w t is the aforementioned time series data, which represents current granularity data, which is aggregated from data in adjacent fine-grained data sets, ie k represents the number of fine-grained data corresponding to the current data in the current granular data set in the fine-grained data set.
  • the input data may be a subset of the foregoing historical data or the foregoing historical data, or may be the aforementioned historical data or a subset of the foregoing historical data plus a part of new data, Can be completely new data.
  • the historical data includes data from January to October of 2014.
  • the input data can be from January to October of 2014, or from January to 2014.
  • the data for October of the year can also be the data from January to November of 2014. It can also be the data from August to October of 2014. It can also be the data from July to November 2014. It can also be November 2014. Data and more. Which data is specifically used as input data can be selected according to specific needs.
  • the second granularity prediction model is obtained from both the first granularity data set and the second granularity dataset
  • the second granularity prediction data obtained in step 104 is already available as a prediction system, such as an output of the external service planning system.
  • the data processing method provided by the embodiment of the present invention may further include the following steps.
  • the smoothing parameter may be obtained in the manner described in FIG. 3:
  • modeling of the first granularity prediction model may be performed only based on the first granularity data set.
  • the modeling of the first granularity prediction model can be performed according to the first granularity data set and the finer-grained data set. Specific modeling process can refer to the step Step 103 is performed and will not be described here.
  • the historical data includes data from 2001 to 2010, and at least two of the first granularity data subsets include the first granularity data subsets A, B, and C.
  • the first granularity data subset A includes data from 2001 to 2007 (ie, 70% of the data of the first granular data set)
  • the first granularity data subset B includes data from 2001 to 2008 (ie
  • the first granularity data subset C includes the data from 2001 to 2009 (ie, 90% of the data of the first granular data set)
  • the first granularity data subset A , B and C are sequentially expanded
  • the first granularity data subset B includes all data included in the first granularity data subset A
  • the first granularity data subset C includes the first granularity data subset B included All the data.
  • the number of the first granular data subsets is specifically obtained, and the data of each of the first granular data subsets can be determined according to the requirements,
  • Each of the first granularity data subsets can obtain a first granularity prediction data using the first granularity prediction model.
  • the foregoing at least two first granularity data subsets include a first granularity data subset A, and the first granularity data subset A corresponds to the first granularity prediction data A, which may be described in FIG.
  • the method obtains at least two step-by-step smoothing parameters according to the at least two first granularity prediction data:
  • the first granularity prediction data A is aggregated into the second granularity data A.
  • the aggregation can be simply accumulated. For example, if there are 3 projects under one region and the human resource requirements of each project are predicted, the human resource requirements of the three projects can be simply added to obtain the human resource requirements of the region; Of course, it is also possible to add weights to different items according to the weight of different items.
  • the acquired second granularity data B is corresponding to the second granularity data A.
  • the historical data includes data from January to October of 2014
  • the first granularity data subset A includes 70% of the first granular data set.
  • the data includes the data from January to July of 2014.
  • the data from August to July 2014 can be used to predict the data for August 2014.
  • the data for August 2014 is the first granularity prediction data A.
  • the second granularity data A can be obtained by the aggregation; at the same time, since the historical data itself includes the data from January to October of 2014, the second granularity corresponding to the second granular data A can be directly obtained from the second granular data set.
  • Data B that is, the data of August 2014 is directly obtained from the second granular data set.
  • the step-by-step smoothing parameter corresponding to the first granularity prediction data A may be obtained by using the following formula:
  • ⁇ is a step-by-step smoothing parameter corresponding to the first granularity prediction data A
  • S realB is the second granularity data B
  • S forecastA is the second granularity data A.
  • the stepwise smoothing parameter corresponding to the first granularity prediction data may be acquired by using the method as described in FIG. 4.
  • the obtained at least two step-sequence smoothing parameters may be averaged, or a weighted average number may be obtained, and finally a smoothing parameter is obtained.
  • the second granularity prediction data may be smoothed by using the following formula:
  • S t is a smooth corrected second granularity prediction data
  • S t ' is a second granularity prediction data to be smoothed
  • ⁇ is a smoothing parameter
  • the smooth corrected second granularity prediction data obtained in step 106 can be used as a prediction system, such as an output of an outside line service planning system.
  • a prediction system such as an output of an outside line service planning system.
  • the embodiment of the present invention provides The data processing method can also continue to include the following steps.
  • the third granular data set is generated by the historical data according to the third granularity, and the third granularity is coarser than the second granularity; the third granularity data set may be generated at 102.
  • the acquisition process of the feedback correction parameter is the same as the acquisition process of the smooth correction parameter.
  • the feedback correction parameter and the smooth correction parameter are only used for different objects, and for the current granularity,
  • the obtained parameters are feedback correction parameters when used in adjacent finer-grained prediction data, and are used as smoothing parameters when adjacent coarser-grained prediction data. Therefore, the specific acquisition process of the feedback correction parameter is not described in the embodiment of the present invention. For the specific acquisition process, reference may be made to the specific implementation process of 105.
  • the smoothing correction parameter obtained by 105 can be used as a feedback correction parameter for the finer granularity prediction data.
  • the feedback correction parameter obtained by 107 can be used as the smoothing correction parameter of the coarser-grained prediction data.
  • the feedback correction of the second granularity prediction data may be performed by using the following formula:
  • Sub is the second granularity prediction data after the feedback correction
  • ⁇ is the feedback correction parameter
  • Sub' is the second granularity prediction data to be subjected to the feedback correction.
  • step 108 if the step 108 is performed before the step 106, the feedback correction is performed on the second granularity prediction data obtained by the prediction.
  • the smoothing correction performed in step 106 is specifically the corrected amount obtained by the feedback obtained in step 108.
  • the second granularity prediction data is performed; if the step 108 is performed after the step 106, the smoothing corrected second granularity prediction data is smoothed.
  • the feedback-corrected second granularity prediction data obtained in step 108 can be used as a prediction system, such as an output of an outside line service planning system.
  • steps 101-104 may be performed.
  • the modeling of step 103 may be performed according to the first granular data set and the second granular data set. It is also possible to perform only steps 101-106. At this time, the modeling process of step 103 is not limited. It is also possible to perform only steps 101-104 and steps 107-108. Of course, steps 101-108 can also be performed at the same time, in which case step 106 can be performed before step 108 or after step 108.
  • the first granular data set and the second granular data set may be simultaneously referred to, so that when the second granular prediction model is used for prediction, the first granular data set is simultaneously affected, thereby
  • the second granularity prediction data obtained by using the second granularity prediction model prediction can be made to be consistent with the first granularity data, so that the second granularity is more accurate.
  • the smoothing parameter may be obtained according to the first granularity data set, and then the second granularity prediction data is smoothed and corrected by using the smoothing parameter, so that the smooth corrected second granularity prediction data can further conform to the first granularity data.
  • the feedback correction parameter may be obtained according to the third granularity data set, and then the feedback correction correction is performed on the second granularity prediction data by using the feedback correction parameter, so that the corrected second granularity prediction data can further align with the third granularity data.
  • FIG. 5 is a diagram showing the structure of a data processing apparatus 500 according to an embodiment of the present invention, including:
  • the historical data obtaining unit 501 is configured to acquire historical data.
  • step 101 For the specific implementation process of the historical data obtaining unit 501, reference may be made to step 101.
  • the data set generating unit 502 is configured to generate the data set acquired by the historical data acquiring unit 501 according to different granularities to generate data sets of at least two different granularities.
  • the generated data set of at least two different granularities includes at least a first granular data set generated according to a first granularity, and a second granularity data set generated by a second granularity, the first granularity being smaller than the second granularity.
  • the specific implementation process of the data set generating unit 502 can refer to step 102.
  • the modeling unit 503 is configured to perform modeling of the second granular prediction model according to the second granular data set generated by the data set generating unit 502.
  • the modeling unit 503 can perform the second granularity prediction model only according to the second granular data set.
  • the modeling may also perform modeling of the second granular prediction model according to the first granular data set and the second granular data set.
  • the modeling unit 503 may be specifically configured to: acquire an MLE model of the second granular data set; and obtain the first granularity, when the modeling of the second granularity prediction model is performed according to the first granularity data set and the second granularity data set.
  • the model completes the modeling of the second granular prediction model.
  • the specific implementation process of the modeling unit 503 can refer to step 103.
  • the prediction unit 504 is configured to perform prediction by using the second granular prediction model obtained by the modeling unit 503 to obtain second granularity prediction data.
  • the second granularity prediction model is obtained from both the first granularity data set and the second granularity data set, the second granularity prediction data obtained by the prediction unit 504 is already available as an output of the data processing apparatus.
  • the data processing apparatus may further include the following constituent units.
  • the smoothing parameter obtaining unit 505 is configured to obtain a smoothing parameter according to the first granular data set generated by the data set generating unit 502.
  • step 105 For a specific implementation process of the smoothing parameter obtaining unit 505, reference may be made to step 105.
  • the smoothing correction unit 506 is configured to perform smoothing correction on the second granularity prediction data to be smoothed and corrected using the smoothing parameter acquired by the smoothing parameter acquiring unit 505.
  • the second granularity prediction data to be smooth corrected may be obtained by the prediction unit 504.
  • the specific implementation process of the smoothing correction unit 506 can refer to step 106.
  • the smooth corrected second granularity prediction data obtained by the smoothing correction unit 506 is already available as an output of the data processing apparatus.
  • the data processing apparatus provided by the embodiment of the present invention may further include the following constituent units.
  • the feedback correction parameter acquisition unit 507 is configured to acquire the feedback correction parameter according to the third granular data set generated by the data set generation unit 502. Wherein, the third granularity is thicker than the second granularity.
  • the feedback correction parameter acquisition unit 507 may be the same unit as the smoothing parameter acquisition unit 505, and may of course be a different unit.
  • step 107 For the specific implementation process of the feedback correction parameter obtaining unit 507, reference may be made to step 107.
  • the feedback correction unit 508 is configured to perform feedback correction on the second granularity prediction data to be fed back modified using the feedback correction parameter acquired by the feedback correction parameter acquisition unit 507.
  • the second granularity prediction data to be fed back modified may be the second granularity prediction data obtained by the prediction unit 504, and the second granularity prediction data to be smoothed and corrected by the smoothing correction unit 506 may be the feedback correction obtained by the feedback correction unit 508.
  • the second granularity prediction data may be the smoothed corrected second granularity prediction data obtained by the smoothing correction unit 506, that is, the second granularity prediction data obtained by the prediction unit 504 is first subjected to smoothing correction processing, and then the smoothing correction is performed.
  • the second granularity prediction data is subjected to feedback correction processing.
  • the specific implementation process of the feedback correction unit 508 can refer to step 108.
  • the data processing apparatus in the actual application may only include the units 501-504.
  • the modeling of the modeling unit 503 may be performed according to the first granular data set and the second granular data set. It is also possible to include only the units 501-506, in which case the modeling process of the modeling unit 503 is not limited. It is also possible to include only the units 501-504 and the units 507-508. At this time, the modeling process of the modeling unit 503 is not limited. Of course, units 501-508 can also be included at the same time.
  • the first granular data set and the second granular data set may be simultaneously referred to, so that when the second granular prediction model is used for prediction, the first granular data set is simultaneously affected, thereby
  • the second granularity prediction data obtained by using the second granularity prediction model prediction can be made to be consistent with the first granularity data, so that the second granularity is more accurate.
  • the smoothing parameter may be obtained according to the first granularity data set, and then the second granularity prediction data is smoothed and corrected by using the smoothing parameter, so that the smooth corrected second granularity prediction data can further conform to the first granularity data.
  • the feedback correction parameter may be obtained according to the third granularity data set, and then the feedback correction correction is performed on the second granularity prediction data by using the feedback correction parameter, so that the corrected second granularity prediction data can further align with the third granularity data.
  • FIG. 6 illustrates a structure of a data processing apparatus according to another embodiment of the present invention, including at least one processor 602 (eg, a CPU), at least one network interface 605 or other communication interface, a memory 606, and at least one communication bus 603. To achieve connection communication between these devices.
  • the processor 602 is configured to execute executable modules, such as computer programs, stored in the memory 606.
  • Memory may include a high speed random access memory (RAM: Random Access Memory), and may also include a non-volatile memory such as at least one disk storage.
  • the communication connection between the system gateway and at least one other network element is implemented by at least one network interface 605 (which may be wired or wireless), and may use an Internet, a wide area network, a local network, a metropolitan area network, or the like.
  • the memory 606 stores a program 6061 that can be executed by the processor 602, which can execute steps 101-104, or steps 101-106, or steps 101-104 and steps 107-108, or steps 101-108.
  • the first granular data set and the second granular data set may be simultaneously referred to, so that when the second granular prediction model is used for prediction, the first granular data set is simultaneously affected, thereby
  • the second granularity prediction data obtained by using the second granularity prediction model prediction can be made to be consistent with the first granularity data, so that the second granularity is more accurate.
  • the smoothing parameter may be obtained according to the first granularity data set, and then the second granularity prediction data is smoothed and corrected by using the smoothing parameter, so that the smooth corrected second granularity prediction data can further conform to the first granularity data.
  • the feedback correction parameter may be obtained according to the third granularity data set, and then the feedback correction correction is performed on the second granularity prediction data by using the feedback correction parameter, so that the corrected second granularity prediction data can further align with the third granularity data.
  • the content is based on the same concept as the method embodiment of the present invention.
  • the description in the method embodiment of the present invention and details are not described herein again.
  • the storage medium may be a magnetic disk, an optical disk, a read-only memory (ROM), or a random access memory (RAM).

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种数据处理方法，包括：获取历史数据；将所述历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；根据所述第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模；使用所述第二粒度预测模型进行预测获得第二粒度预测数据。使用该方法可以使获得的不同粒度的预测数据一致。

Description

数据处理方法及装置
本申请要求于2015年2月3日提交中国专利局、申请号为201510054583.0、发明名称为“数据处理方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及计算机技术，具体涉及数据处理方法及装置。
背景技术
在通信业务快速增长的今天，信息传输离不开大容量以及安全稳定的传输网络。精确高效的外线服务的管理系统可以帮助电信运营商实现对外线任务以及人员的高效管理和合理分配，其中，对移动通信站点的建设、维修、保养等类似的工作均属于外线服务范畴。
现有的外线服务计划系统可以分成两个部分：外线服务需求预测和外线服务计划。外线服务需求预测具体包括：通过对需要进行预测与计划的数据集进行预测建模，得到预测模型，再采用预测模型根据已有的历史数据预测未来的与历史数据同周期的一个或多个未来周期的数据值。外线服务计划包括：根据所预测得到的数据值与计划模型计算得到目标结果数据，该目标结果即为外线服务计划系统输出的最终结果。
对于一个部门管辖有多个区域，一个区域又涉及多个项目时，如果要获得区域维度的外线服务计划可以有两种方式，一种是直接以区域为维度进行预测和计划获得区域的外线服务计划，另一种是以项目为维度进行预测与计划获得的区域下所有项目的外线服务计划，再将区域下所有项目的外线服务计划进行聚合获得区域的外线服务计划。
但是使用上述两种方式获得的区域的外线服务计划会不一致，使得在做决策时不能够确定应该以哪一个结果为准，从而不能正确及时地做出相应的决策处理。
发明内容
本发明提供了数据处理方法及装置，可以使获得的不同粒度的预测数据一致。
第一方面，提供了一种数据处理方法，包括：
获取历史数据；
将所述历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
根据所述第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模；
使用所述第二粒度预测模型进行预测获得第二粒度预测数据。
结合第一方面，在第一方面的第一种实现方式中，所述使用所述第一粒度数据集和所述第二粒度数据集完成第二粒度预测模型的建模包括：
获取所述第二粒度数据集的最大似然估计MLE模型；
获取所述第一粒度数据集的累积和的惩罚系数乘积修正项；
使用所述第一粒度数据集的累积和的惩罚系数乘积修正项对所述第二粒度数据集的MLE模型进行修正；
使用修正后的所述第二粒度数据集的MLE模型完成所述第二粒度预测模型的建模。
结合第一方面或第一方面的第一种实现方式，在第一方面的第二种实现方式中，所述方法还包括：
根据所述第一粒度数据集获取平滑参数；
使用所述平滑参数对所述第二粒度预测数据进行平滑修正。
结合第一方面的第二种实现方式，在第一方面的第三种实现方式中，所述根据所述第一粒度数据集获取平滑参数包括：
根据所述第一粒度数据集进行第一粒度预测模型的建模；
获取所述第一粒度数据集的至少两个第一粒度数据子集，所述至少两个第一粒度数据子集所包括的第一粒度的数据量依次扩大，并且数据量大的数据子集包括了数据量少的数据子集所包括的所有数据；
使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所述第一粒度预测数据与所述第一粒度数据子集一一对应；
根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数，所述分步平滑参数与所述第一粒度预测数据一一对应；
根据所述至少两个分步平滑参数获得平滑参数。
结合第一方面的第三种实现方式，在第一方面的第四种实现方式中，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第一粒度预测数据A；
所述根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数包括：
将所述第一粒度预测数据A聚合成第二粒度数据A；
从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
根据所述第二粒度数据A与所述第二粒度数据B获得与所述第一粒度预测数据A对应的分步平滑参数。
结合第一方面的第四种实现方式，在第一方面的第五种实现方式中，采用如下公式计算获得与所述第一粒度预测数据A对应的分步平滑参数：
Figure PCTCN2015088135-appb-000001
其中，λ是与所述第一粒度预测数据A对应的分步平滑参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
结合第一方面以及第一方面的第一至第五种实现方式中的任一个，在第一方面的第六种实现方式中，所述方法还包括：
将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
根据所述第三粒度数据集获取回馈修正参数；
使用所述回馈修正参数对所述第二粒度预测数据进行回馈修正。
结合第一方面的第六种实现方式，在第一方面的第七种实现方式中，所述根据所述第三粒度数据集获取回馈修正参数包括：
获取所述第二粒度数据集的至少两个第二粒度数据子集；
使用所述第二粒度预测模型进行预测获得至少两个第二粒度预测数据，所述第二粒度预测数据与所述第二粒度数据子集一一对应；
根据所述至少两个第二粒度预测数据以及所述第三粒度数据集获得至少两个分步回馈修正参数，所述分步回馈修正参数与所述第二粒度预测数据一一对应；
根据所述至少两个分步回馈修正参数获得回馈修正参数。
结合第一方面的第七种实现方式，在第一方面的第八种实现方式中，所述至少两个第二粒度数据子集包括第二粒度数据子集C，与所述第二粒度数据子集C对应的是第二粒度预测数据C；
所述根据所述至少两个第二粒度预测数据以及所述第三粒度数据集获得至少两个分步回馈修正参数包括：
将所述第二粒度预测数据C聚合成第三粒度数据C；
从第三粒度数据集中获取与第三力度数据C对应的第三粒度数据D；
根据所述第二粒度数据C与所述第三粒度数据D获得与所述第二粒度预测数据C对应的分步回馈修正参数。
结合第一方面的第八种实现方式，在第一方面的第九种实现方式中，采用如下公式计算获得与所述第二粒度预测数据C对应的分步回馈修正参数：
Figure PCTCN2015088135-appb-000002
其中，λ是与所述第二粒度预测数据C对应的分步回馈修正参数，SrealD是所述第三粒度数据D，SforecastC是所述第三粒度数据C。
第二方面，提供了一种数据处理方法，包括：
获取历史数据；
将所述历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
根据所述第二粒度数据集进行第二粒度预测模型的建模；
使用所述第二粒度预测模型进行预测获得第二粒度预测数据；
根据所述第一粒度数据集获取平滑参数；
使用所述平滑参数对所述第二粒度预测数据进行平滑修正。
结合第二方面，在第二方面的第一种实现方式中，所述根据所述第一粒度数据集获取平滑参数包括：
根据所述第一粒度数据集进行第一粒度预测模型的建模；
获取所述第一粒度数据集的至少两个第一粒度数据子集，所述至少两个第一粒度数据子集所包括的第一粒度的数据量依次扩大，并且数据量大的数据子集包括了数据量少的数据子集所包括的所有数据；
使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所述第一粒度预测数据与所述第一粒度数据子集一一对应；
根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数，所述分步平滑参数与所述第一粒度预测数据一一对应；
根据所述至少两个分步平滑参数获得平滑参数。
结合第二方面的第一种实现方式，在第二方面的第二种实现方式中，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第一粒度预测数据A；
所述根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数包括：
将所述第一粒度预测数据A聚合成第二粒度数据A；
从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
根据所述第二粒度数据A与所述第二粒度数据B获得与所述第一粒度预测数据A对应的分步平滑参数。
结合第二方面的第二种实现方式，在第二方面的第三种实现方式中，采用如下公式计算获得与所述第一粒度预测数据A对应的分步平滑参数：
Figure PCTCN2015088135-appb-000003
其中，λ是与所述第一粒度预测数据A对应的分步平滑参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
结合第二方面和第二方面的第一至第三种实现方式中的任一个，在第二方面的第四种实现方式中，所述方法还包括：
将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
根据所述第三粒度数据集获取回馈修正参数；
使用所述回馈修正参数对所述第二粒度预测数据进行回馈修正。
结合第二方面的第四种实现方式，在第二方面的第五种实现方式中，所述根据所述第三粒度数据集获取回馈修正参数包括：
获取所述第二粒度数据集的至少两个第二粒度数据子集；
使用所述第二粒度预测模型进行预测获得至少两个第二粒度预测数据，所述第二粒度预测数据与所述第二粒度数据子集一一对应；
根据所述至少两个第二粒度预测数据以及所述第三粒度数据集获得至少两个分步回馈修正参数，所述分步回馈修正参数与所述第二粒度预测数据一一对应；
根据所述至少两个分步回馈修正参数获得回馈修正参数。
结合第二方面的第五种实现方式，在第二方面的第六种实现方式中，所述至少两个第二粒度数据子集包括第二粒度数据子集C，与所述第二粒度数据子集C对应的是第二粒度预测数据C；
所述根据所述至少两个第二粒度预测数据以及所述第三粒度数据集获得至少两个分步回馈修正参数包括：
将所述第二粒度预测数据C聚合成第三粒度数据C；
从第三粒度数据集中获取与所述第三粒度数据C对应的第三粒度数据D；
根据所述第二粒度数据C与所述第三粒度数据D获得与所述第二粒度预测数据C对应的分步回馈修正参数。
结合第二方面的第六种实现方式，在第二方面的第七种实现方式中，采用如下公式计算获得与所述第二粒度预测数据C对应的分步回馈修正参数：
Figure PCTCN2015088135-appb-000004
其中，λ是与所述第二粒度预测数据C对应的分步回馈修正参数，SrealD是所述第三粒度数据D，SforecastC是所述第三粒度数据C。
结合第二方面和第二方面的第一至第七种实现方式中的任一个，在第二方面的第八种实现方式中，仅使用所述第二粒度数据集进行第二粒度预测模型的建模；或
使用所述第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模。
第三方面，提供了一种数据处理方法，包括：
获取历史数据；
将所述历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二 粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
根据所述第一粒度数据集进行第一粒度预测模型的建模；
使用所述第一粒度预测模型进行预测获得第一粒度预测数据；
根据所述第二粒度数据集获取回馈修正参数；
使用所述回馈修正参数对所述第一粒度预测数据进行回馈修正。
结合第三方面，在第三方面的第一种实现方式中，所述根据所述第二粒度数据集获取回馈修正参数包括：
获取所述第一粒度数据集的至少两个第一粒度数据子集；
使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所述第一粒度预测数据与所述第一粒度数据子集一一对应；
根据所述至少两个第一粒度预测数据以及所述第二粒度数据集获得至少两个分步回馈修正参数，所述分步回馈修正参数与所述第一粒度预测数据一一对应；
根据所述至少两个分步回馈修正参数获得回馈修正参数。
结合第三方面的第一种实现方式，在第三方面的第二种实现方式中，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第二粒度预测数据A；
所述根据所述至少两个第一粒度预测数据以及所述第二粒度数据集获得至少两个分步回馈修正参数包括：
将所述第一粒度预测数据A聚合成第二粒度数据A；
从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
根据所述第一粒度数据A与所述第二粒度数据B获得与所述第一粒度预测数据A对应的分步回馈修正参数。
结合第三方面的第二种实现方式，在第三方面的第三种实现方式中，采用如下公式计算获得与所述第一粒度预测数据A对应的分步回馈修正参数：
Figure PCTCN2015088135-appb-000005
其中，λ是与所述第一粒度预测数据A对应的分步回馈修正参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
第四方面，提供了一种数据处理装置，包括：
历史数据获取单元，用于获取历史数据；
数据集生成单元，用于将所述历史数据获取单元获取的历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
建模单元，用于根据所述数据集生成单元生成的第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模；
预测单元，用于使用所述建模单元获得的第二粒度预测模型进行预测获得第二粒度预测数据。
结合第四方面，在第四方面的第一种实现方式中，所述建模单元具体用于：
获取所述第二粒度数据集的最大似然估计MLE模型；
获取所述第一粒度数据集的累积和的惩罚系数乘积修正项；
使用所述第一粒度数据集的累积和的惩罚系数乘积修正项对所述第二粒度数据集的MLE模型进行修正；
使用修正后的所述第二粒度数据集的MLE模型完成所述第二粒度预测模型的建模。
结合第四方面或第四方面的第一种实现方式，在第四方面的第二种实现方式中，所述装置还包括：
平滑参数获取单元，用于根据所述数据集生成单元生成的所述第一粒度数据集获取平滑参数；
平滑修正单元，用于使用所述平滑参数获取单元获取的平滑参数对所述预测单元获得的第二粒度预测数据进行平滑修正。
结合第四方面的第二种实现方式，在第四方面的第三种实现方式中，所述平滑参数获取单元具体用于：
根据所述第一粒度数据集进行第一粒度预测模型的建模；
获取所述第一粒度数据集的至少两个第一粒度数据子集，所述至少两个第一粒度数据子集所包括的第一粒度的数据量依次扩大，并且数据量大的数据子集包括了数据量少的数据子集所包括的所有数据；
使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所 述第一粒度预测数据与所述第一粒度数据子集一一对应；
根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数，所述分步平滑参数与所述第一粒度预测数据一一对应；
根据所述至少两个分步平滑参数获得平滑参数。
结合第四方面的第三种实现方式，在第四方面的第四种实现方式中，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第一粒度预测数据A；
所述平滑参数获取单元具体采用如下方式获得与所述第一粒度预测数据A对应的分步平滑参数：
将所述第一粒度预测数据A聚合成第二粒度数据A；
从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
根据所述第二粒度数据A与所述第二粒度数据B获得与所述第一粒度预测数据A对应的分步平滑参数。
结合第四方面的第四种实现方式，在第四方面的第五种实现方式中，所述平滑参数获取单元具体采用如下公式计算获得与所述第一粒度预测数据A对应的分步平滑参数：
Figure PCTCN2015088135-appb-000006
其中，λ是与所述第一粒度预测数据A对应的分步平滑参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
结合第四方面以及第四方面的第二至第五种实现方式，在第四方面的第六种实现方式中，
所述数据集生成单元，还用于将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
所述装置还包括：
回馈修正参数获取单元，用于根据所述数据集生成单元生成的第三粒度数据集获取回馈修正参数；
回馈修正单元，用于使用所述回馈修正参数获取单元获取的回馈修正参数对所述预测单元获得的第二粒度预测数据进行回馈修正。
结合第四方面的第六种实现方式，在第四方面的第七种实现方式中，所述 回馈修正参数获取单元具体采用如下方式获取回馈修正参数：
获取所述第二粒度数据集的至少两个第二粒度数据子集；
使用所述第二粒度预测模型进行预测获得至少两个第二粒度预测数据，所述第二粒度预测数据与所述第二粒度数据子集一一对应；
根据所述至少两个第二粒度预测数据以及所述第三粒度数据集获得至少两个分步回馈修正参数，所述分步回馈修正参数与所述第二粒度预测数据一一对应；
根据所述至少两个分步回馈修正参数获得回馈修正参数。
结合第四方面的第七种实现方式，在第四方面的第八种实现方式中，所述至少两个第二粒度数据子集包括第二粒度数据子集C，与所述第二粒度数据子集C对应的是第二粒度预测数据C；
所述回馈修正参数获取单元具体采用如下方式获得与所述第二粒度预测数据C对应的分步回馈修正参数：
将所述第二粒度预测数据C聚合成第三粒度数据C；
从第三粒度数据集中获取与所述第三粒度数据C对应的第三粒度数据D；
根据所述第二粒度数据C与所述第三粒度数据D获得与所述第二粒度预测数据C对应的分步回馈修正参数。
结合第四方面的第八种实现方式，在第四方面的第九种实现方式中，所述回馈修正参数获取单元具体采用如下公式计算获得与所述第二粒度预测数据C对应的分步回馈修正参数：
Figure PCTCN2015088135-appb-000007
其中，λ是与所述第二粒度预测数据C对应的分步回馈修正参数，SrealD是所述第三粒度数据D，SforecastC是所述第三粒度数据C。
第五方面，提供了一种数据处理装置，包括：
历史数据获取单元，用于获取历史数据；
数据集生成单元，用于将所述历史数据获取单元获取的历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
建模单元，用于根据所述数据集生成单元生成的第二粒度数据集进行第二粒度预测模型的建模；
预测单元，用于使用所述建模单元获得的第二粒度预测模型进行预测获得第二粒度预测数据；
平滑参数获取单元，用于根据所述数据集生成单元生成的第一粒度数据集获取平滑参数；
平滑修正单元，用于使用所述平滑参数获取单元获取的平滑参数对所述预测单元获得的第二粒度预测数据进行平滑修正。
结合第五方面，在第五方面的第一种实现方式中，所述平滑参数获取单元具体用于采用如下方式获取平滑参数：
根据所述第一粒度数据集进行第一粒度预测模型的建模；
获取所述第一粒度数据集的至少两个第一粒度数据子集，所述至少两个第一粒度数据子集所包括的第一粒度的数据量依次扩大，并且数据量大的数据子集包括了数据量少的数据子集所包括的所有数据；
使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所述第一粒度预测数据与所述第一粒度数据子集一一对应；
根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数，所述分步平滑参数与所述第一粒度预测数据一一对应；
根据所述至少两个分步平滑参数获得平滑参数。
结合第五方面的第一种实现方式，在第五方面的第二种实现方式中，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第一粒度预测数据A；
所述平滑参数获取单元具体用于采用如下方式获得与所述第一粒度预测数据A对应的分步平滑参数：
将所述第一粒度预测数据A聚合成第二粒度数据A；
从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
根据所述第二粒度数据A与所述第二粒度数据B获得与所述第一粒度预测数据A对应的分步平滑参数。
结合第五方面的第二种实现方式，在第五方面的第三种实现方式中，所述 平滑参数获取单元具体用于采用如下公式计算获得与所述第一粒度预测数据A对应的分步平滑参数：
Figure PCTCN2015088135-appb-000008
其中，λ是与所述第一粒度预测数据A对应的分步平滑参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
结合第五方面以及第五方面的第一至第三种实现方式中的任一个，在第五方面的第四种实现方式中，数据集生成单元，还用于将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
所述装置还包括：
回馈修正参数获取单元，用于根据所述数据集生成单元生成的第三粒度数据集获取回馈修正参数；
回馈修正单元，用于使用所述回馈修正参数获取单元获取的回馈修正参数对所述预测单元获得的第二粒度预测数据进行回馈修正。
结合第五方面的第四种实现方式，在第五方面的第五种实现方式中，所述回馈修正参数获取单元具体用于采用如下方式获取回馈修正参数：
获取所述第二粒度数据集的至少两个第二粒度数据子集；
使用所述第二粒度预测模型进行预测获得至少两个第二粒度预测数据，所述第二粒度预测数据与所述第二粒度数据子集一一对应；
根据所述至少两个第二粒度预测数据以及所述第三粒度数据集获得至少两个分步回馈修正参数，所述分步回馈修正参数与所述第二粒度预测数据一一对应；
根据所述至少两个分步回馈修正参数获得回馈修正参数。
结合第五方面的第五种实现方式，在第五方面的第六种实现方式中，所述至少两个第二粒度数据子集包括第二粒度数据子集C，与所述第二粒度数据子集C对应的是第二粒度预测数据C；
所述回馈修正参数获取单元具体用于采用如下方式获得与所述第二粒度预测数据C对应的分步回馈修正参数：
将所述第二粒度预测数据C聚合成第三粒度数据C；
从第三粒度数据集中获取与所述第三粒度数据C对应的第三粒度数据D；
根据所述第二粒度数据C与所述第三粒度数据D获得与所述第二粒度预测数据C对应的分步回馈修正参数。
结合第五方面的第六种实现方式，在第五方面的第七种实现方式中，所述回馈修正参数获取单元具体用于采用如下公式计算获得与所述第二粒度预测数据C对应的分步回馈修正参数：
Figure PCTCN2015088135-appb-000009
其中，λ是与所述第二粒度预测数据C对应的分步回馈修正参数，SrealD是所述第三粒度数据D，SforecastC是所述第三粒度数据C。
结合第五方面以及第五方面的第一至第七种实现方式，在第五方面的第八种实现方式中，所述建模单元仅使用所述第二粒度数据集进行第二粒度预测模型的建模；或
使用所述第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模。
第六方面，提供了一种数据处理装置，包括：
历史数据获取单元，用于获取历史数据；
数据集生成单元，用于将所述历史数据获取单元获取的历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
建模单元，用于根据所述数据集生成单元生成的第一粒度数据集进行第一粒度预测模型的建模；
预测单元，用于使用所述建模单元获得的第一粒度预测模型进行预测获得第一粒度预测数据；
回馈修正参数获取单元，用于根据所述数据集生成单元生成的第二粒度数据集获取回馈修正参数；
回馈修正单元，用于使用所述回馈修正参数获取单元获取的回馈修正参数对所述预测单元获得的第一粒度预测数据进行回馈修正。
结合第六方面，在第六方面的第一种实现方式中，所述回馈修正参数获取 单元具体用于采用如下方式获取回馈修正参数：
获取所述第一粒度数据集的至少两个第一粒度数据子集；
使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所述第一粒度预测数据与所述第一粒度数据子集一一对应；
根据所述至少两个第一粒度预测数据以及所述第二粒度数据集获得至少两个分步回馈修正参数，所述分步回馈修正参数与所述第一粒度预测数据一一对应；
根据所述至少两个分步回馈修正参数获得回馈修正参数。
结合第六方面的第一种实现方式，在第六方面的第二种实现方式中，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第二粒度预测数据A；
所述回馈修正参数获取单元具体采用如下方式获得与所述第一粒度预测数据A对应的分步回馈修正参数：
将所述第一粒度预测数据A聚合成第二粒度数据A；
从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
根据所述第一粒度数据A与所述第二粒度数据B获得与所述第一粒度预测数据A对应的分步回馈修正参数。
结合第六方面的第二种实现方式，在第六方面的第三种实现方式中，回馈修正参数获取单元具体采用如下公式计算获得与所述第一粒度预测数据A对应的分步回馈修正参数：
Figure PCTCN2015088135-appb-000010
其中，λ是与所述第一粒度预测数据A对应的分步回馈修正参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
从本发明实施例提供的以上技术方案可以看出，由于本发明实施例在建立第二粒度预测模型时同时参考了第一粒度数据集和第二粒度数据集，从而在使用第二粒度预测模型进行预测时会同时会受到第一粒度数据集的影响，从而使得使用第二粒度预测模型预测获得的第二粒度预测数据能够与第一粒度数据趋于一致，使得第二粒度预测数据更加精确。进一步，还可以根据第一粒度数 据集获取平滑参数，进而用平滑参数对第二粒度预测数据进行平滑修正，从而使得平滑修正后的第二粒度预测数据能够进一步与第一粒度数据趋于一致。进一步，还可以根据第三粒度数据集获取回馈修正参数，进而用回馈修正参数对第二粒度预测数据进行回馈修正，从而使得修正后的第二粒度预测数据能够进一步与第三粒度数据趋于一致。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例提供的数据处理方法的流程图；
图2为本发明一个实施例提供的建模方法的流程图；
图3为本发明一个实施例提供的平滑参数获取方法的流程图；
图4为本发明一个实施例提供的分步平滑参数获取方法的流程图；
图5为本发明一个实施例提供的数据处理装置的结构图；
图6为本发明另一个实施例提供的数据处理装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
先介绍本发明实施例提供的数据处理方法，该数据处理方法用于根据获取的历史数据对未来数据进行预测，以便决策人员能够根据预测结果进行预测。使用本发明实施例提供的数据处理方法不会出现不同粒度的预测数据不一致的情况，或者至少不会出现不同粒度的预测数据差别比较大的情况，也就是说预测结果相对现有技术能够更加准确，从而使得决策人员根据预测结果做出的决策会尽可能地贴近未来的真实情况，从而避免决策失误带来的人力和资源的浪费。
本发明实施例提供的数据处理方法可以由外线服务计划系统执行，该预测系统的具体表现形式可以是一台计算机，或者是计算机集群。可以理解的是，本发明实施例提供的数据处理方法也可以由其他的预测系统执行，本发明并不对本发明实施例提供的数据处理方法具体应用于哪种类型的预测系统进行限定。
图1描述了本发明实施例提供的一个数据处理方法的流程，包括：
101、获取历史数据。
历史数据具体可以从本机的数据库中获取，或者从存储历史数据的服务器获取历史数据。历史数据具体可以是各种资源需求的历史数据，例如人力需求的历史数据，物料需求的历史数据等等，具体的表现形式可以是数字，字母，或汉字等能够体现数据量大小的字符。
102、将历史数据按照不同的粒度生成至少两个不同粒度的数据集。具体地，生成的至少两个不同粒度的数据集至少包括了将历史数据按第一粒度生成的第一粒度数据集，以及将历史数据按第二粒度生成的第二粒度数据集，其中第一粒度比第二粒度细。
可以理解的是，在实际应用中可以根据具体需求确定需要根据历史数据生成多少个不同粒度的数据集。在将历史数据按照不同的粒度生成至少两个不同粒度的数据集时，如果将生成的至少两个不同粒度的数据集按照粒度从细到粗的顺序排列。例如在外线服务计划系统中，可以将历史数据生成项目粒度数据集，区域粒度数据集和部门粒度数据集，其中区域粒度粗于项目粒度，部门粒度粗于区域粒度。
103、根据第二粒度数据集进行第二粒度预测模型的建模。
其中，可以根据具体需求仅根据第二粒度数据集进行第二粒度预测模型的建模，也可以同时根据第一粒度数据集和第二粒度数据集进行第二粒度预测模型的建模。
具体地，在同时根据第一粒度数据集和第二粒度数据集进行第二粒度预测模型的建模时，具体可以采用如图2所描述的方式进行建模：
1031、获取第二粒度数据集的最大似然估计(MLE：Maximum Likelihood Estimation)模型。
1032、获取第一粒度数据集的累积和的惩罚系数乘积修正项。
1033、使用第一粒度数据集的累积和的惩罚系数乘积修正项对第二粒度数据集的MLE模型进行修正。
1034、使用修正后的第二粒度数据集的MLE模型完成第二粒度预测模型的建模。
即在进行当前粒度预测模型的建模时，使用相邻的细粒度数据集的累积和的惩罚系数乘积修正项进行修正，从而使得获得的预测模型综合考虑了当前粒度数据集以及相邻的细粒度数据集，使得预测模型的预测数据兼顾了当前粒度数据集以及相邻的细粒度数据集的情况，预测数据较为准确。
在具体的建模过程中可以使用自回归滑动平均模型(ARMA：Auto-Regressive and Moving Average Model)(p,q)，ARMA模型可以具体表示为如下的计算式：
φ(B)wt＝θ(B)at,t＝1,2,…n
其中，φ(B)表示自回归多项式
Figure PCTCN2015088135-appb-000011
θ(B)表示滑动平均多项式
Figure PCTCN2015088135-appb-000012
p是自回归模型阶数；
q是滑动平均模型阶数；
B表示后向操作运算，例如Bwt＝wt-1，Bat＝at-1；
wt是时间序列数据，是一个顺序序列；
at是已有样本的噪声；
n是已有样本的数量。
具体的建模过程中包括获取如下计算式参数值的过程：
Figure PCTCN2015088135-appb-000013
即获取使得
Figure PCTCN2015088135-appb-000014
取值最小的一系列参数，其中λ的取值在[0,1)之间，具体取值多少可以根据经验或实际需要进行设定；
Figure PCTCN2015088135-appb-000015
即为上述需要获取的第一粒度数据集的累积和的惩罚系数乘积修正项。
其中，
Figure PCTCN2015088135-appb-000016
Figure PCTCN2015088135-appb-000017
wtk是相邻细粒度数据集中的数据；
wt是前述的时间序列数据，表示的是当前粒度数据，由相邻细粒度数据集中的数据聚合而来，即
Figure PCTCN2015088135-appb-000018
k表示细粒度数据集中与当前粒度数据集中的当前数据对应的细粒度数据的数量。
104、使用第二粒度预测模型进行预测获得第二粒度预测数据。
其中，在使用第二粒度预测模型进行预测时，输入数据可以是前述的历史数据或前述历史数据的子集，也可以是前述的历史数据或前述历史数据的子集加上一部分新数据，也可以完全是新数据。例如，历史数据包括的是2014年1-10月份的数据，要预测的是2014年12月份的数据，则输入数据可以是2014年1-10月份的数据，也可以是2013年1月份至2014年10月份的数据，也可以是2014年1-11月份的数据，也可以是2014年8-10月份的数据，也可以是2014年7-11月份的数据，还可以是2014年11月份的数据等等。具体采用哪些数据作为输入数据可以根据具体的需要进行选择。
在第二粒度预测模型是同时根据第一粒度数据集和第二粒度数据集获得时，则步骤104获得的第二粒度预测数据已经可以作为预测系统，如外线服务计划系统的输出。
当然，在第二粒度预测模型是仅根据第二粒度数据集获得，或者虽然第二粒度预测模型是同时根据第一粒度数据集和第二粒度数据集获得，但是需要获得更精确的输出时，本发明实施例提供的数据处理方法还可以继续包括下面的步骤。
105、根据第一粒度数据集获取平滑参数。
其中，具体可以采用图3所描述的方式获取平滑参数：
1051、根据第一粒度数据集进行第一粒度预测模型的建模。
在第一粒度是最细粒度时，可以仅根据第一粒度数据集进行第一粒度预测模型的建模。在还有比第一粒度更细的粒度时，可以根据第一粒度数据集以及该更细粒度数据集进行第一粒度预测模型的建模。具体的建模过程可以参考步 骤103执行，此处不再赘述。
1052、获取第一粒度数据集的至少两个第一粒度数据子集，该至少两个第一粒度数据子集所包括的第一粒度的数据量依次扩大，并且数据量大的数据子集包括了数据量少的数据子集所包括的所有数据。
例如，历史数据包括了2001年至2010年的数据，至少两个第一粒度数据子集包括了第一粒度数据子集A，B和C。其中，第一粒度数据子集A包括了2001年至2007年的数据(即第一粒度数据集的70％的数据)，第一粒度数据子集B包括了2001年至2008年的数据(即第一粒度数据集的80％的数据)，第一粒度数据子集C包括了2001年至2009年的数据(即第一粒度数据集的90％的数据)，因此第一粒度数据子集A，B和C是依次扩大的，并且第一粒度数据子集B包括了第一粒度数据子集A所包括的所有数据，第一粒度数据子集C包括了第一粒度数据子集B所包括的所有数据。可以理解的是，具体获取多少个第一粒度数据子集，每个第一粒度数据子集包括多少数据都可以根据需求进行确定，本发明实施例不做具体限定。
1053、使用第一粒度预测模型进行预测获得至少两个第一粒度预测数据，其中，第一粒度预测数据与第一粒度数据子集一一对应。
每一个第一粒度数据子集都可以使用第一粒度预测模型获得一个第一粒度预测数据。
1054、根据至少两个第一粒度预测数据获得至少两个分步平滑参数，其中，分步平滑参数与第一粒度预测数据一一对应。
例如，前述的至少两个第一粒度数据子集包括了第一粒度数据子集A，与所述第一粒度数据子集A对应的是第一粒度预测数据A，则可以采用图4所描述的方式根据该至少两个第一粒度预测数据获得至少两个分步平滑参数：
10541、将第一粒度预测数据A聚合成第二粒度数据A。
其中，聚合可以是简单地累加，例如，一个区域下有3个项目，预测的是每个项目的人力资源需求，则可以将3个项目的人力资源需求简单地累加得到区域的人力资源需求；当然，也可以根据不同项目的权重为不同的项目加权后进行累加。
10542、从第二粒度数据集中获取与第二粒度数据A对应的第二粒度数据 B。
获取的第二粒度数据B是与第二粒度数据A对应的，例如，历史数据包括了2014年1-10月份的数据，第一粒度数据子集A包括的是第一粒度数据集70％的数据，即包括的是2014年1-7月份的数据，此时可以用2014年1-7月份的数据预测2014年8月份的数据，2014年8月份的数据即是第一粒度预测数据A，聚合即可得到第二粒度数据A；同时，由于历史数据本身是包括了2014年1-10月份的数据的，所以可以直接从第二粒度数据集中获取与第二粒度数据A对应的第二粒度数据B，即从第二粒度数据集中直接获取2014年8月份的数据。
10543、根据第二粒度数据A与第二粒度数据B获得与第一粒度预测数据A对应的分步平滑参数。
具体地，可以采用如下公式计算获得与所述第一粒度预测数据A对应的分步平滑参数：
Figure PCTCN2015088135-appb-000019
其中，λ是与第一粒度预测数据A对应的分步平滑参数，SrealB是第二粒度数据B，SforecastA是第二粒度数据A。
可以理解的是，对于任何一个第一粒度预测数据都可以采用如图4所述的方法获取与该第一粒度预测数据对应的分步平滑参数。
1055、根据至少两个分步平滑参数获得平滑参数。
具体地，可以将得到的至少两个分步平滑参数取平均数，或者取加权平均数，最后得到平滑参数。
106、使用平滑参数对第二粒度预测数据进行平滑修正。
具体地，可以采用如下公式对第二粒度预测数据进行平滑修正：
Figure PCTCN2015088135-appb-000020
其中，St是平滑修正后的第二粒度预测数据，St′是待进行平滑修正的第二粒度预测数据，λ是平滑参数，
Figure PCTCN2015088135-appb-000021
是第一粒度预测数据的聚合。
步骤106获得的平滑修正后的第二粒度预测数据可以作为预测系统，如外线服务计划系统的输出。但是需要获得更精确的输出时，本发明实施例提供的 数据处理方法还可以继续包括下面的步骤。
107、根据第三粒度数据集获取回馈修正参数。
其中，第三粒度数据集是将历史数据按第三粒度生成的，第三粒度比第二粒度粗；第三粒度数据集可以在102生成。
在本发明的实施例中，回馈修正参数的获取过程是和平滑修正参数的获取过程是一样的，换句话说，回馈修正参数和平滑修正参数只是用于的对象不同，对于当前粒度来说，获得的参数用在相邻的更细粒度预测数据时是回馈修正参数，用在相邻的更粗粒度预测数据时是平滑参数。因此，本发明实施例不再对回馈修正参数的具体获取过程进行描述，具体获取过程可参考105的具体实现过程。
例如，在存在比第一粒度更细的粒度时，则105获得的平滑修正参数可以作为该更细粒度预测数据的回馈修正参数。同样地，在存在比第三粒度更粗的粒度时，则107获得的回馈修正参数可以作为该更粗粒度预测数据的平滑修正参数。
108、使用回馈修正参数对第二粒度预测数据进行回馈修正。
具体地，可以采用如下公式对第二粒度预测数据进行回馈修正：
Sub＝(1+λ)Sub′
其中，Sub是回馈修正后的第二粒度预测数据，λ是回馈修正参数，Sub′是待进行回馈修正的第二粒度预测数据。
需要说明的是，如果步骤108在步骤106之前执行，则是对预测获得的第二粒度预测数据进行回馈修正，此时，步骤106所作的平滑修正具体是对步骤108获得的回馈修正后的额第二粒度预测数据进行的；如果步骤108在步骤106之后执行，则是对平滑修正后的第二粒度预测数据进行平滑修正。
步骤108获得的回馈修正后的第二粒度预测数据可以作为预测系统，如外线服务计划系统的输出。
可以理解的是，在数据处理方法的具体实现过程中，可以仅执行步骤101-104，此时，步骤103的建模可以同时根据第一粒度数据集和第二粒度数据集进行。也可以仅执行步骤101-106，此时，步骤103的建模过程不做限定。 也可以仅执行步骤101-104以及步骤107-108。当然，也可以同时执行步骤101-108，此时步骤106可以在步骤108之前执行，也可以在步骤108之后执行。
本实施例在建立第二粒度预测模型时可以同时参考第一粒度数据集和第二粒度数据集，从而在使用第二粒度预测模型进行预测时会同时会受到第一粒度数据集的影响，从而使得使用第二粒度预测模型预测获得的第二粒度预测数据能够与第一粒度数据趋于一致，使得第二粒度越策数据更加精确。进一步，还可以根据第一粒度数据集获取平滑参数，进而用平滑参数对第二粒度预测数据进行平滑修正，从而使得平滑修正后的第二粒度预测数据能够进一步与第一粒度数据趋于一致。进一步，还可以根据第三粒度数据集获取回馈修正参数，进而用回馈修正参数对第二粒度预测数据进行回馈修正，从而使得修正后的第二粒度预测数据能够进一步与第三粒度数据趋于一致。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
如下再介绍本发明实施例提供的数据处理装置，图5描述了本发明一个实施例提供的数据处理装置500的结构，包括：
历史数据获取单元501，用于获取历史数据。
历史数据获取单元501的具体实现过程可以参考步骤101。
数据集生成单元502，用于将历史数据获取单元501获取的历史数据按照不同的粒度生成至少两个不同粒度的数据集。具体地，生成的至少两个不同粒度的数据集至少包括了按第一粒度生成的第一粒度数据集，以及按第二粒度生成第二粒度数据集，第一粒度比第二粒度细。
数据集生成单元502的具体实现过程可以参考步骤102。
建模单元503，用于根据数据集生成单元502生成的第二粒度数据集进行第二粒度预测模型的建模。
具体地，建模单元503可以仅根据第二粒度数据集进行第二粒度预测模型 的建模，也可以同时根据第一粒度数据集和第二粒度数据集进行第二粒度预测模型的建模。其中，在同时根据第一粒度数据集和第二粒度数据集进行第二粒度预测模型的建模时，建模单元503可以具体用于：获取第二粒度数据集的MLE模型；获取第一粒度数据集的累积和的惩罚系数乘积修正项；使用第一粒度数据集的累积和的惩罚系数乘积修正项对第二粒度数据集的MLE模型进行修正；使用修正后的第二粒度数据集的MLE模型完成第二粒度预测模型的建模。
建模单元503的具体实现过程可以参考步骤103。
预测单元504，用于使用建模单元503获得的第二粒度预测模型进行预测获得第二粒度预测数据。
在第二粒度预测模型是同时根据第一粒度数据集和第二粒度数据集获得时，则预测单元504获得的第二粒度预测数据已经可以作为数据处理装置的输出。
当然，在第二粒度预测模型是仅根据第二粒度数据集获得，或者虽然第二粒度预测模型是同时根据第一粒度数据集和第二粒度数据集获得，但是需要获得更精确的输出时，本发明实施例提供的数据处理装置还可以继续包括下面的组成单元。
平滑参数获取单元505，用于根据数据集生成单元502生成的第一粒度数据集获取平滑参数。
平滑参数获取单元505的具体实现过程可以参考步骤105。
平滑修正单元506，用于使用平滑参数获取单元505获取的平滑参数对待平滑修正的第二粒度预测数据进行平滑修正。其中，待平滑修正的第二粒度预测数据可以是预测单元504获得的。
平滑修正单元506的具体实现过程可以参考步骤106。
平滑修正单元506获得的平滑修正后的第二粒度预测数据已经可以作为数据处理装置的输出。但是需要获得更精确的输出时，本发明实施例提供的数据处理装置还可以继续包括下面的组成单元。
回馈修正参数获取单元507，用于根据数据集生成单元502生成的第三粒度数据集获取回馈修正参数。其中，第三粒度比第二粒度粗。
在具体地实现过程中，回馈修正参数获取单元507可以与平滑参数获取单元505是同一个单元，当然也可以是不同的单元。
回馈修正参数获取单元507的具体实现过程可以参考步骤107。
回馈修正单元508，用于使用回馈修正参数获取单元507获取的回馈修正参数对待回馈修正的第二粒度预测数据进行回馈修正。其中，待回馈修正的第二粒度预测数据可以是预测单元504获得的第二粒度预测数据，此时平滑修正单元506的待平滑修正的第二粒度预测数据可以是回馈修正单元508获得的回馈修正后的第二粒度预测数据；也可以是平滑修正单元506获得的平滑修正后的第二粒度预测数据，即先对预测单元504获得的第二粒度预测数据进行平滑修正处理，再对平滑修正后的第二粒度预测数据进行回馈修正处理。
回馈修正单元508的具体实现过程可以参考步骤108。
可以理解的是，在实际应用中的数据处理装置，可以仅包括单元501-504，此时，建模单元503的建模可以同时根据第一粒度数据集和第二粒度数据集进行。也可以仅包括单元501-506，此时，建模单元503的建模过程不做限定。也可以仅包括单元501-504以及单元507-508，此时，建模单元503的建模过程不做限定。当然，也可以同时包括单元501-508。
本实施例在建立第二粒度预测模型时可以同时参考第一粒度数据集和第二粒度数据集，从而在使用第二粒度预测模型进行预测时会同时会受到第一粒度数据集的影响，从而使得使用第二粒度预测模型预测获得的第二粒度预测数据能够与第一粒度数据趋于一致，使得第二粒度越策数据更加精确。进一步，还可以根据第一粒度数据集获取平滑参数，进而用平滑参数对第二粒度预测数据进行平滑修正，从而使得平滑修正后的第二粒度预测数据能够进一步与第一粒度数据趋于一致。进一步，还可以根据第三粒度数据集获取回馈修正参数，进而用回馈修正参数对第二粒度预测数据进行回馈修正，从而使得修正后的第二粒度预测数据能够进一步与第三粒度数据趋于一致。
图6描述了本发明另一个实施例提供的数据处理装置的结构，包括至少一个处理器602(例如CPU)，至少一个网络接口605或者其他通信接口，存储器606，和至少一个通信总线603，用于实现这些装置之间的连接通信。处理器602用于执行存储器606中存储的可执行模块，例如计算机程序。存储器 606可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个网络接口605(可以是有线或者无线)实现该系统网关与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
在一些实施方式中，存储器606存储了程序6061，程序6061可以被处理器602执行，这个程序可以执行步骤101-104，或步骤101-106，或步骤101-104以及步骤107-108，或步骤101-108。
本实施例在建立第二粒度预测模型时可以同时参考第一粒度数据集和第二粒度数据集，从而在使用第二粒度预测模型进行预测时会同时会受到第一粒度数据集的影响，从而使得使用第二粒度预测模型预测获得的第二粒度预测数据能够与第一粒度数据趋于一致，使得第二粒度越策数据更加精确。进一步，还可以根据第一粒度数据集获取平滑参数，进而用平滑参数对第二粒度预测数据进行平滑修正，从而使得平滑修正后的第二粒度预测数据能够进一步与第一粒度数据趋于一致。进一步，还可以根据第三粒度数据集获取回馈修正参数，进而用回馈修正参数对第二粒度预测数据进行回馈修正，从而使得修正后的第二粒度预测数据能够进一步与第三粒度数据趋于一致。
上述装置和系统内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(ROM：Read-Only Memory)或随机存储记忆体(RAM：Random Access Memory)等。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (22)

  1. 一种数据处理方法，其特征在于，包括：
    获取历史数据；
    将所述历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
    根据所述第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模；
    使用所述第二粒度预测模型进行预测获得第二粒度预测数据。
  2. 如权利要求1所述的方法，其特征在于，所述使用所述第一粒度数据集和所述第二粒度数据集完成第二粒度预测模型的建模包括：
    获取所述第二粒度数据集的最大似然估计MLE模型；
    获取所述第一粒度数据集的累积和的惩罚系数乘积修正项；
    使用所述第一粒度数据集的累积和的惩罚系数乘积修正项对所述第二粒度数据集的MLE模型进行修正；
    使用修正后的所述第二粒度数据集的MLE模型完成所述第二粒度预测模型的建模。
  3. 如权利要求1或2所述的方法，其特征在于，所述方法还包括：
    根据所述第一粒度数据集获取平滑参数；
    使用所述平滑参数对所述第二粒度预测数据进行平滑修正。
  4. 如权利要求3所述的方法，其特征在于，所述根据所述第一粒度数据集获取平滑参数包括：
    根据所述第一粒度数据集进行第一粒度预测模型的建模；
    获取所述第一粒度数据集的至少两个第一粒度数据子集，所述至少两个第一粒度数据子集所包括的第一粒度的数据量依次扩大，并且数据量大的数据子集包括了数据量少的数据子集所包括的所有数据；
    使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所述第一粒度预测数据与所述第一粒度数据子集一一对应；
    根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数，所述分步平滑参数与所述第一粒度预测数据一一对应；
    根据所述至少两个分步平滑参数获得平滑参数。
  5. 如权利要求4所述的方法，其特征在于，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第一粒度预测数据A；
    所述根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数包括：
    将所述第一粒度预测数据A聚合成第二粒度数据A；
    从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
    根据所述第二粒度数据A与所述第二粒度数据B获得与所述第一粒度预测数据A对应的分步平滑参数。
  6. 如权利要求5所述的方法，其特征在于，采用如下公式计算获得与所述第一粒度预测数据A对应的分步平滑参数：
    Figure PCTCN2015088135-appb-100001
    其中，λ是与所述第一粒度预测数据A对应的分步平滑参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
  7. 如权利要求1至6任一所述的方法，其特征在于，所述方法还包括：
    将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
    根据所述第三粒度数据集获取回馈修正参数；
    使用所述回馈修正参数对所述第二粒度预测数据进行回馈修正。
  8. 一种数据处理方法，其特征在于，包括：
    获取历史数据；
    将所述历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
    根据所述第二粒度数据集进行第二粒度预测模型的建模；
    使用所述第二粒度预测模型进行预测获得第二粒度预测数据；
    根据所述第一粒度数据集获取平滑参数；
    使用所述平滑参数对所述第二粒度预测数据进行平滑修正。
  9. 如权利要求8所述的数据处理方法，其特征在于，所述方法还包括：
    将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
    根据所述第三粒度数据集获取回馈修正参数；
    使用所述回馈修正参数对所述第二粒度预测数据进行回馈修正。
  10. 如权利要求8或9所述的数据处理方法，其特征在于，仅使用所述第二粒度数据集进行第二粒度预测模型的建模；或
    使用所述第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模。
  11. 一种数据处理方法，其特征在于，包括：
    获取历史数据；
    将所述历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
    根据所述第一粒度数据集进行第一粒度预测模型的建模；
    使用所述第一粒度预测模型进行预测获得第一粒度预测数据；
    根据所述第二粒度数据集获取回馈修正参数；
    使用所述回馈修正参数对所述第一粒度预测数据进行回馈修正。
  12. 一种数据处理装置，其特征在于，包括：
    历史数据获取单元，用于获取历史数据；
    数据集生成单元，用于将所述历史数据获取单元获取的历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
    建模单元，用于根据所述数据集生成单元生成的第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模；
    预测单元，用于使用所述建模单元获得的第二粒度预测模型进行预测获得第二粒度预测数据。
  13. 如权利要求12所述的装置，其特征在于，所述建模单元具体用于：
    获取所述第二粒度数据集的最大似然估计MLE模型；
    获取所述第一粒度数据集的累积和的惩罚系数乘积修正项；
    使用所述第一粒度数据集的累积和的惩罚系数乘积修正项对所述第二粒度数据集的MLE模型进行修正；
    使用修正后的所述第二粒度数据集的MLE模型完成所述第二粒度预测模型的建模。
  14. 如权利要求12或13所述的装置，其特征在于，所述装置还包括：
    平滑参数获取单元，用于根据所述数据集生成单元生成的所述第一粒度数据集获取平滑参数；
    平滑修正单元，用于使用所述平滑参数获取单元获取的平滑参数对所述预测单元获得的第二粒度预测数据进行平滑修正。
  15. 如权利要求14所述的装置，其特征在于，所述平滑参数获取单元具体用于：
    根据所述第一粒度数据集进行第一粒度预测模型的建模；
    获取所述第一粒度数据集的至少两个第一粒度数据子集，所述至少两个第一粒度数据子集所包括的第一粒度的数据量依次扩大，并且数据量大的数据子集包括了数据量少的数据子集所包括的所有数据；
    使用所述第一粒度预测模型进行预测获得至少两个第一粒度预测数据，所述第一粒度预测数据与所述第一粒度数据子集一一对应；
    根据所述至少两个第一粒度预测数据获得至少两个分步平滑参数，所述分步平滑参数与所述第一粒度预测数据一一对应；
    根据所述至少两个分步平滑参数获得平滑参数。
  16. 如权利要求15所述的装置，其特征在于，所述至少两个第一粒度数据子集包括第一粒度数据子集A，与所述第一粒度数据子集A对应的是第一粒度预测数据A；
    所述平滑参数获取单元具体采用如下方式获得与所述第一粒度预测数据A对应的分步平滑参数：
    将所述第一粒度预测数据A聚合成第二粒度数据A；
    从第二粒度数据集中获取与所述第二粒度数据A对应的第二粒度数据B；
    根据所述第二粒度数据A与所述第二粒度数据B获得与所述第一粒度预 测数据A对应的分步平滑参数。
  17. 如权利要求16所述的装置，其特征在于，所述平滑参数获取单元具体采用如下公式计算获得与所述第一粒度预测数据A对应的分步平滑参数：
    Figure PCTCN2015088135-appb-100002
    其中，λ是与所述第一粒度预测数据A对应的分步平滑参数，SrealB是所述第二粒度数据B，SforecastA是所述第二粒度数据A。
  18. 如权利要求12至17任一所述的装置，其特征在于，
    所述数据集生成单元，还用于将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
    所述装置还包括：
    回馈修正参数获取单元，用于根据所述数据集生成单元生成的第三粒度数据集获取回馈修正参数；
    回馈修正单元，用于使用所述回馈修正参数获取单元获取的回馈修正参数对所述预测单元获得的第二粒度预测数据进行回馈修正。
  19. 一种数据处理装置，其特征在于，包括：
    历史数据获取单元，用于获取历史数据；
    数据集生成单元，用于将所述历史数据获取单元获取的历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
    建模单元，用于根据所述数据集生成单元生成的第二粒度数据集进行第二粒度预测模型的建模；
    预测单元，用于使用所述建模单元获得的第二粒度预测模型进行预测获得第二粒度预测数据；
    平滑参数获取单元，用于根据所述数据集生成单元生成的第一粒度数据集获取平滑参数；
    平滑修正单元，用于使用所述平滑参数获取单元获取的平滑参数对所述预测单元获得的第二粒度预测数据进行平滑修正。
  20. 如权利要求19所述的数据处理装置，其特征在于，数据集生成单元， 还用于将所述历史数据按第三粒度生成第三粒度数据集，所述第三粒度比第二粒度粗；
    所述装置还包括：
    回馈修正参数获取单元，用于根据所述数据集生成单元生成的第三粒度数据集获取回馈修正参数；
    回馈修正单元，用于使用所述回馈修正参数获取单元获取的回馈修正参数对所述预测单元获得的第二粒度预测数据进行回馈修正。
  21. 如权利要求19或20所述的数据处理装置，其特征在于，所述建模单元仅使用所述第二粒度数据集进行第二粒度预测模型的建模；或
    使用所述第一粒度数据集和所述第二粒度数据集进行第二粒度预测模型的建模。
  22. 一种数据处理装置，其特征在于，包括：
    历史数据获取单元，用于获取历史数据；
    数据集生成单元，用于将所述历史数据获取单元获取的历史数据按第一粒度生成第一粒度数据集，将所述历史数据按第二粒度生成第二粒度数据集，所述第一粒度比第二粒度细；
    建模单元，用于根据所述数据集生成单元生成的第一粒度数据集进行第一粒度预测模型的建模；
    预测单元，用于使用所述建模单元获得的第一粒度预测模型进行预测获得第一粒度预测数据；
    回馈修正参数获取单元，用于根据所述数据集生成单元生成的第二粒度数据集获取回馈修正参数；
    回馈修正单元，用于使用所述回馈修正参数获取单元获取的回馈修正参数对所述预测单元获得的第一粒度预测数据进行回馈修正。
PCT/CN2015/088135 2015-02-03 2015-08-26 数据处理方法及装置 WO2016123967A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510054583 2015-02-03
CN201510054583.0 2015-02-03

Publications (1)

Publication Number Publication Date
WO2016123967A1 true WO2016123967A1 (zh) 2016-08-11

Family

ID=56563395

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/088135 WO2016123967A1 (zh) 2015-02-03 2015-08-26 数据处理方法及装置

Country Status (2)

Country Link
CN (1) CN105844340A (zh)
WO (1) WO2016123967A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339156B (zh) * 2020-02-07 2023-09-26 京东城市(北京)数字科技有限公司 业务数据的长期确定方法、装置和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060026642A1 (en) * 2002-12-11 2006-02-02 Koninklijke Philips Electronics, N.V. Method and apparatus for predicting a number of individuals interested in an item based on recommendations of such item
CN101159968A (zh) * 2007-11-19 2008-04-09 河北全通通信有限公司 Gms移动网络扩容精算方法
CN102930177A (zh) * 2012-11-23 2013-02-13 南京信息工程大学 一种基于精细边界层模式的复杂地形风电场风速预测方法
CN103095937A (zh) * 2012-12-14 2013-05-08 广东电网公司佛山供电局 基于话务预测的呼叫中心座席数量的预测方法
CN104766144A (zh) * 2015-04-22 2015-07-08 携程计算机技术（上海）有限公司 订单预测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011127313A1 (en) * 2010-04-08 2011-10-13 Energyresource Management Corp Energy-saving measurement, adjustment and monetization system and method
CN103987056A (zh) * 2014-05-30 2014-08-13 南京华苏科技有限公司 基于大数据统计模型的无线网络话务量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060026642A1 (en) * 2002-12-11 2006-02-02 Koninklijke Philips Electronics, N.V. Method and apparatus for predicting a number of individuals interested in an item based on recommendations of such item
CN101159968A (zh) * 2007-11-19 2008-04-09 河北全通通信有限公司 Gms移动网络扩容精算方法
CN102930177A (zh) * 2012-11-23 2013-02-13 南京信息工程大学 一种基于精细边界层模式的复杂地形风电场风速预测方法
CN103095937A (zh) * 2012-12-14 2013-05-08 广东电网公司佛山供电局 基于话务预测的呼叫中心座席数量的预测方法
CN104766144A (zh) * 2015-04-22 2015-07-08 携程计算机技术（上海）有限公司 订单预测方法及系统

Also Published As

Publication number Publication date
CN105844340A (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
CN109298940B (zh) 计算任务分配方法、装置、电子设备及计算机存储介质
Le Nguyen et al. Deep convolutional LSTM network-based traffic matrix prediction with partial information
US20180254998A1 (en) Resource allocation in a cloud environment
US20070250630A1 (en) Method and a system of generating and evaluating potential resource allocations for an application
Gao et al. Resource provisioning and profit maximization for transcoding in clouds: A two-timescale approach
JP6493400B2 (ja) サービスチェーン管理装置、サービスチェーン管理システム、サービスチェーン管理方法、及び、プログラム
CN104901989B (zh) 一种现场服务提供系统及方法
US20170286861A1 (en) Structured machine learning framework
Bashar Autonomic scaling of cloud computing resources using BN-based prediction models
US20120221373A1 (en) Estimating Business Service Responsiveness
CN108270805B (zh) 用于数据处理的资源分配方法及装置
Shahin Using multiple seasonal holt-winters exponential smoothing to predict cloud resource provisioning
CN109120463A (zh) 流量预测方法及装置
CN114666224A (zh) 业务资源容量动态分配方法、装置、设备及存储介质
KR101630125B1 (ko) 클라우드 컴퓨팅 자원관리 시스템에서의 자원 요구량 예측 방법
Keller et al. Response time-optimized distributed cloud resource allocation
Mera-Gómez et al. A debt-aware learning approach for resource adaptations in cloud elasticity management
WO2016123967A1 (zh) 数据处理方法及装置
Adegboyega Time-series models for cloud workload prediction: A comparison
Samant et al. Towards end-to-end qos and cost-aware resource scaling in cloud-based iot data processing pipelines
Luo et al. An enhanced workflow scheduling strategy for deadline guarantee on hybrid grid/cloud infrastructure
JP2019106120A (ja) プロセススケジューリング装置、プロセス実行装置およびプロセススケジューリング方法
Zhou et al. Toward green service in cloud: From the perspective of scheduling
Chen et al. A QoS guarantee framework for cloud services based on Bayesian prediction
Arputhamary et al. Performance Improved Holt-Winter’s (PIHW) Prediction Algorithm for Big Data Environment

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15880914

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15880914

Country of ref document: EP

Kind code of ref document: A1