CN103886018A - 数据预测装置、数据预测方法以及电子设备 - Google Patents
数据预测装置、数据预测方法以及电子设备 Download PDFInfo
- Publication number
- CN103886018A CN103886018A CN201410060143.1A CN201410060143A CN103886018A CN 103886018 A CN103886018 A CN 103886018A CN 201410060143 A CN201410060143 A CN 201410060143A CN 103886018 A CN103886018 A CN 103886018A
- Authority
- CN
- China
- Prior art keywords
- data
- current data
- data group
- current
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了数据预测装置、数据预测方法以及电子设备,以克服现有的现有的一些数据预测技术的预测结果较不准确的问题。数据预测装置包括:用于确定包括第一时间段和第二时间段的预测时间段的时间段确定单元;用于选择多个历史数据集的选择单元;用于确定多个第一历史数据组和第一当前数据组之间的相关性的相关性确定单元;用于根据所确定的相关性、利用多个第一历史数据组和多个第二历史数据组来获得第一当前数据组的估计值和第二当前数据组的估计值的估计单元;和用于基于第一当前数据组的估计值与其真实值之间的偏差来修正第二当前数据组的估计值、以获得第二当前数据组的预测值的修正及预测单元。本发明的上述技术能够应用于数据预测领域。
Description
技术领域
本发明涉及数据预测领域,尤其涉及一种数据预测装置、数据预测方法以及电子设备。
背景技术
在一些数据处理过程中,由于所获得的数据的不完整性,或者当需要获知未来一段时间将要产生的数据时,则需要利用已经获得的数据来预测所需要的未知数据,即需要进行数据预测。
例如,对于银行、邮局等一些窗口办公单位,其每天不同时间段的来访人数数据对于该单位来说具有重要意义,比如其可以根据不同时间段的来访人数数据的多少来在不同时间段分配不同数量的开放窗口。又如,对于网站来说,其网页或网站访问量数据对于其运营来说是非常重要的,其可以根据其每天或者某段时间段的网页或网站访问量数据来进行相应的后续处理。
然而,如上所述,可能由于例如误操作、故障等原因而使得银行等窗口办公单位所获得的来访人数数据不完整,或者使得某个网站所获得的某时间段内的网页或网站访问量数据中存在部分数据的缺失,等等。此外,即使在银行等窗口办公单位所获得的过去的一段时间内来访人数数据或者某个网站所获得的过去的某时间段内的网页或网站访问量数据完整的情况下,其也可能需要获知未来一段时间内将要产生的未知的来访人数数据或网页或网站访问量数据。在以上所描述的情形下,均需要对未知的数据(例如缺失的数据或者未来将要产生的数据)进行预测。需要注意的是,这里所说的预测是指广义上的预测,即,对未知数据的预测,而不限于对未来将产生的数据的预测。
然而,在现有的一些数据预测技术中,由于其所进行的平滑预测等原因,使得预测结果过于稳健,进而导致预测结果较不准确。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,本发明提供了数据预测装置、数据预测方法以及电子设备,以至少解决现有的一些数据预测技术由于其所进行的平滑预测等原因而导致预测结果较不准确。
根据本发明的一个方面,提供了一种数据预测装置,该数据预测装置包括:时间段确定单元,其用于确定预测时间段,预测时间段包括第一时间段和第二时间段,当前数据包括与第一时间段相对应的第一当前数据组以及与第二时间段相对应的第二当前数据组,其中第一当前数据组中的数据的真实值已知,而第二当前数据组中的数据的真实值未知;选择单元,其用于选择多个历史数据集,每个历史数据集都与预测时间段相关联,并具有与第一时间段相对应的第一历史数据组以及与第二时间段相对应的第二历史数据组;相关性确定单元,其用于确定多个第一历史数据组和第一当前数据组之间的相关性;估计单元,其用于根据所确定的相关性,利用多个第一历史数据组和多个第二历史数据组,获得第一当前数据组的估计值和第二当前数据组的估计值;以及修正及预测单元,其用于基于第一当前数据组的估计值与其真实值之间的偏差来修正第二当前数据组的估计值,以获得第二当前数据组的预测值。
根据本发明的另一个方面,还提供了一种数据预测方法,该数据预测方法包括:确定预测时间段,预测时间段包括第一时间段和第二时间段,当前数据包括与第一时间段相对应的第一当前数据组以及与第二时间段相对应的第二当前数据组,其中第一当前数据组中的数据的真实值已知,而第二当前数据组中的数据的真实值未知;选择多个历史数据集,每个历史数据集都与预测时间段相关联,并具有与第一时间段相对应的第一历史数据组以及与第二时间段相对应的第二历史数据组;确定多个第一历史数据组和第一当前数据组之间的相关性;根据所确定的相关性,利用多个第一历史数据组和多个第二历史数据组,获得第一当前数据组的估计值和第二当前数据组的估计值;以及基于第一当前数据组的估计值与其真实值之间的偏差来修正第二当前数据组的估计值,以获得第二当前数据组的预测值。
根据本发明的另一个方面,还提供了一种电子设备,该电子设备包括如上所述的数据预测装置。
上述根据本发明实施例的数据预测装置、数据预测方法以及电子设备,其利用历史数据(如第一历史数据组)与当前已知数据(如第一当前数据组)之间的相关性,来初步获得当前未知数据(如第二当前数据组)的估计值,并利用当前已知数据的真实值和估计值之间的偏差来修正上述当前未知数据的估计值,以得到当前未知数据的预测值,能够获得至少以下益处之一:通过修正初步获得的估计值,使得估计值被修正后更加接近真实值,进而能够更为准确地预测未知数据;能够校准确地识别异常情况,有利于用户根据异常情况进行相应的后续处理;在判定预测值异常的情况下,通过报警则能够及时通知用户所得到的预测值异常的情况,方便用户进行后续的相应处理;以及能够简化处理过程中的计算量。
通过以下结合附图对本发明的最佳实施例的详细说明,本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中:
图1是示意性地示出根据本发明的实施例的数据预测装置的一种示例结构的框图;
图2是示意性地示出如图1所示的修正及预测单元的一种可能的示例结构的框图;
图3是示意性地示出根据本发明的实施例的数据预测装置的另一种示例结构的框图;
图4是示意性地示出根据本发明的实施例的数据预测装置的又一种示例结构的框图;
图5是示意性地示出根据本发明的实施例的数据预测装置的其他另一种示例结构的框图;
图6是示意性地示出根据本发明的实施例的数据预测方法的一种示例性处理的流程图;
图7是示意性地示出如图6所示的步骤S660中的可能的部分处理的流程图;
图8是示意性地示出根据本发明的实施例的数据预测方法的另一种示例性处理的流程图;
图9是示意性地示出根据本发明的实施例的数据预测方法的又一种示例性处理的流程图;以及
图10是示出了可用来实现根据本发明的实施例的数据预测装置和数据预测方法的一种可能的信息处理设备的硬件配置的结构简图。
本领域技术人员应当理解,附图中的元件仅仅是为了简单和清楚起见而示出的,而且不一定是按比例绘制的。例如,附图中某些元件的尺寸可能相对于其他元件放大了,以便有助于提高对本发明实施例的理解。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与***及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本发明的实施例提供了一种数据预测装置,该数据预测装置包括:时间段确定单元,其用于确定预测时间段,预测时间段包括第一时间段和第二时间段,当前数据包括与第一时间段相对应的第一当前数据组以及与第二时间段相对应的第二当前数据组,其中第一当前数据组中的数据的真实值已知,而第二当前数据组中的数据的真实值未知;选择单元,其用于选择多个历史数据集,每个历史数据集都与预测时间段相关联,并具有与第一时间段相对应的第一历史数据组以及与第二时间段相对应的第二历史数据组;相关性确定单元,其用于确定多个第一历史数据组和第一当前数据组之间的相关性;估计单元,其用于根据所确定的相关性,利用多个第一历史数据组和多个第二历史数据组,获得第一当前数据组的估计值和第二当前数据组的估计值;以及修正及预测单元,其用于基于第一当前数据组的估计值与其真实值之间的偏差来修正第二当前数据组的估计值,以获得第二当前数据组的预测值。
其中,每个历史数据集以及当前数据中的数据可以是网页或网站访问量数据,或者可以是工作时间来访人数数据,等等。在下面的部分实施例中,将主要以网页或网站访问量数据为例来进行描述,但本发明各实施例中的数据并不限于网页或网站访问量数据,其也可以是工作时间来访人数数据或者其他数据。
下面结合图1来详细描述根据本发明的实施例的数据预测装置的一个示例。
如图1所示,根据本发明的实施例的数据预测装置100包括时间段确定单元110、选择单元120、相关性确定单元130、估计单元140以及修正及预测单元150。
时间段确定单元110首先确定预测时间段。其中,预测时间段包括第一时间段和第二时间段。
在根据本发明的实施例的数据预测装置100的具体实现方式中,第一时间段可以早于第二时间段,也可以晚于第二时间段。在一个例子中,在第一时间段是已经过去的时间段、而第二时间段是未来的时间段的情况下,第一时间段早于第二时间段。此外,第一时间段与第二时间段可以是分离不相邻的两个时间段,也可以是首尾相邻的两个时间段。
此外,当前数据包括与第一时间段相对应的第一当前数据组以及与第二时间段相对应的第二当前数据组。其中,第一当前数据组中的数据的真实值是已知的,而第二当前数据组中的数据的真实值是未知的。
在时间段确定单元110确定了预测时间段之后,选择单元120选择多个历史数据集,其选择的每个历史数据集都与确定的预测时间段相关联。其中,每个历史数据集均具有与第一时间段相对应的第一历史数据组以及与第二时间段相对应的第二历史数据组。这样,对于多个历史数据集,选择单元120可以得到多个第一历史数据组和多个第二历史数据组。
然后,相关性确定单元130确定多个第一历史数据组和第一当前数据组之间的相关性,即,多个第一历史数据组中的每一个分别和第一当前数据组之间的相关性。
在根据本发明的实施例的数据预测装置100的一种实现方式中,相关性确定单元130可以利用最小化优化方法来获得反映每个第一历史数据组与第一当前数据组之间的相关性大小的权重。例如,相关性确定单元130可以以上述反映每个第一历史数据组与第一当前数据组之间的相关性大小的权重为待优化量,通过最小化多个第一历史数据组对第一当前数据组的、基于权重的估计偏差来确定权重,以至少利用权重来描述相关性。其中,相关性确定单元130例如可以使权重在[-1,1]内取值,并使得所有权重之和为1。
这样,估计单元140能够根据相关性确定单元130所确定的多个第一历史数据组和第一当前数据组之间的相关性,并利用多个第一历史数据组和多个第二历史数据组,来获得第一当前数据组的估计值和第二当前数据组的估计值。
在根据本发明的实施例的数据预测装置100的一种实现方式中,对于第一当前数据组和第二当前数据组中的每一个数据P,估计单元140可以通过将多个历史数据集中各自与数据P对应的数据按其对应权重进行累加求和,并将所得的和作为数据P的估计值。因此,通过较简单的处理(即按权重进行累加求和的处理)即可以得到上述第一当前数据组和第二当前数据组中每个数据的估计值,处理的效果较好,计算量也较小。
这样,利用估计单元140获得了第一当前数据组和第二当前数据组各自的估计值。其中,第一当前数据组的真实值是已知的。于是,修正及预测单元150可以基于第一当前数据组的估计值与其真实值之间的偏差来对第二当前数据组的估计值进行修正,以获得第二当前数据组的预测值。
图2示出了修正及预测单元150的一种可能的示例结构。在该示例中,修正及预测单元150可以包括计算子单元210、修正子单元220和预测子单元230。
如图2所示,计算子单元210可以计算第一当前数据组中每个数据的估计值与其真实值之差,作为该数据对应的误差值。
然后,修正子单元220可以根据第一当前数据组中每个数据对应的误差值以及第一当前数据组中所有数据对应的误差值的平均值,确定第二当前数据组中每个数据的估计值与其真实值之间的预测偏差,以利用第二当前数据组中每个数据对应的预测偏差来修正其估计值。
这样,预测子单元230可以将第二当前数据组中每个数据的估计值修正之后的值作为该数据的预测值,于是,预测子单元330可以获得第二当前数据组的预测值。
在实际处理中,估计单元140所得的估计值与其对应的真实值之间存在一定偏差,因此使得第一当前数据组和第二当前数据组的估计值都会与真实值之间存在一定的误差。这样,通过计算子单元210、修正子单元220和预测子单元230这些子单元的处理,可以基于第一当前数据组的真实值和估计值之差来对第二当前数据组的估计值进行修正,使得第二当前数据组的估计值被修正后能够更加接近其真实值,处理的效果较好,所得结果也较为准确。
下面详细描述上述根据本发明的实施例的数据预测装置100的一个应用示例。
在该应用示例中,分别用T1和T2表示时间段确定单元110所确定的第一时间段和第二时间段。其中,第一时间段T1具体可以表示为(T1,T2,…,TK),即,第一时间段T1包括T1~TK共K个时刻,而第二时间段T2具体可以表示为(TK+1,T K+2,…,TM),即,第二时间段T2包括T K+1~TM共M-K个时刻。其中,K和M均为正整数,且M大于K。
第一时间段T1和第二时间段T2可以分别包括等间隔分布的多个时刻,例如,T1,T2,…,TK和TK+1,T K+2,…,TM中每两个相邻的时刻之间的时间间隔可以是5分钟、1小时或其他间隔。需要说明的是,T1,T2,…,TK和TK+1,T K+2,…,TM中每两个相邻的时刻之间的时间间隔也可以是不相等的,这里不再赘述。
当前数据例如是某个网站当天的访问量数据,其中,假设第一时间段T1在当天已经过去,而第二时间段T2在当天尚未发生。这样,当前数据包括与第一时间段T1对应的第一当前数据组(y1,y2,…,y K)以及与第二时间段T2对应的第二当前数据组(y K+1,y K+2,…,y M),其中,第一当前数据组(y1,y2,…,y K)中的每一个数据的真实值是已知的,而第二当前数据组(y K+1,y K+2,…,y M)中的每一个数据的真实值均是未知的。需要说明的是,第一当前数据组(y1,y2,…,y K)也可以表示为下文中的yj(j=1,2,…,K),而第二当前数据组也可以表示为下文中的yj(j=K+1,K+2,…,M)。其中,yj对应于时刻Tj。
此外,选择单元120所选择的多个历史数据集例如是该网站过去N天的访问量数据,即包括N个历史数据集,N为正整数。例如,第i个历史数据集(i=1,2,…,N)中与第一时间段T1相对应的第一历史数据组可以表示为(Xi1,Xi2,…,Xi K),而第i个历史数据集(i=1,2,…,N)中与第二时间段T2相对应的第二历史数据组可以表示为(Xi K+1,Xi K+2,…,Xi M)。需要说明的是,对于第i个历史数据集(i=1,2,…,N)来说,其对应的第一历史数据组(Xi1,Xi2,…,Xi K)也可以表示为Xij(j=1,2,…,K),而其对应的个历史数据集(i=1,2,…,N)中与第二时间段T2相对应的(Xi K+1,Xi K+2,…,Xi M)也可以表示为Xij(j=K+1,K+2,…,M)。其中,N个历史数据集中共包括N个第一历史数据组和N个第二历史数据组。其中,Xij对应于时刻Tj。
用wi表示反映第i(i=1,2,…,N)个第一历史数据组与第一当前数据组之间的相关性大小的权重,于是,相关性确定单元130可以通过求解以下最小化问题(公式一)来确定上述权重。
公式一:
然后,估计单元140可以根据如下的公式二来计算第一当前数据组的估计值和第二当前数据组的估计值。
公式二:
然后,修正及预测单元150可以根据如下的公式三来计算第一当前数据组中每个数据的估计值与其真实值之差。
公式三:
由此,可以根据如下的公式四得到第一当前数据组中所有数据对应的误差值的平均值。
公式四:
公式五:
其中,
这样,修正及预测单元150可以根据如下的公式六来修正第二当前数据组的估计值。
公式六:
通过以上描述可知,上述根据本发明实施例的数据预测装置利用历史数据(如第一历史数据组)与当前已知数据(如第一当前数据组)之间的相关性,来初步获得当前未知数据(如第二当前数据组)的估计值,并利用当前已知数据的真实值和估计值之间的偏差来修正上述当前未知数据的估计值,以得到当前未知数据的预测值。该数据预测装置相比于传统的数据预测技术来说,通过修正初步获得的估计值,能够更为准确地预测未知数据。当将该数据预测装置应用于网站的访问量数据的预测时,能够获得较为准确的访问量预测数据,对于网站的建设和维护具有重要意义。
下面结合图3来描述根据本发明的实施例的数据预测装置的另一个示例。
在如图3所示的例子中,数据预测装置300除了包括时间段确定单元110、选择单元120、相关性确定单元130、估计单元140以及修正及预测单元150之外,还包括预测方差获得单元160和异常判定单元170。其中,图3所示的数据预测装置300中的时间段确定单元110、选择单元120、相关性确定单元130、估计单元140以及修正及预测单元150可以分别具有与上文中结合图1所描述的数据预测装置100中的对应单元相同的结构和功能,并能够达到相类似的技术效果,这里不再赘述。
如图3所示,预测方差获得单元160可以获得与确定的相关性对应的预测方差。
然后,异常判定单元170可以利用预测方差获得单元160所获得的预测方差以及利用第二当前数据组的预测值与其估计值之差,来判定修正及预测单元150所得到的预测值是否异常。
这样,在该示例中,通过预测方差获得单元160和异常判定单元170的处理,将预测值与估计值之差以及预测方差,即可以确定所得到的预测值是否异常。
在根据本发明的实施例的数据预测装置300的一种实现方式中,当通过从第二当前数据组的预测值中减去其估计值所得的差大于预测方差的平方根的2倍时,或者当通过从第二当前数据组的预测值中减去其估计值所得的差小于预测方差的平方根的-2倍时,异常判定单元170可以判定预测值异常。
在一个例子中,预测方差获得单元160可以通过如下的公式七来获得与确定的相关性对应的预测方差s2。
其中,wi与si 2的含义与在上文中的公式一中的含义相同,这里不再赘述。由此,根据公式七可以得到s2的平方根s。
换句话说,当预测值 或者当预测值 时,判定该预测值存在异常。
这样,在该例子中,可以通过判定预测值是否在对应的置信区间内来判定预测值是否异常,相比于传统技术而言,能够校准确地识别异常情况,有利于用户根据异常情况进行相应的后续处理。
下面结合图4来描述根据本发明的实施例的数据预测装置的另一个示例。
在如图4所示的例子中,数据预测装置400除了包括时间段确定单元110、选择单元120、相关性确定单元130、估计单元140、修正及预测单元150、预测方差获得单元160和异常判定单元170之外,还包括用于在异常判定单元判定预测值异常的情况下输出异常报警信号的报警单元180。其中,图4所示的数据预测装置400中的时间段确定单元110、选择单元120、相关性确定单元130、估计单元140、修正及预测单元150、预测方差获得单元160和异常判定单元170可以分别具有与上文中结合图1和图3所描述的数据预测装置100和300中的对应单元相同的结构和功能,并能够达到相类似的技术效果,这里不再赘述。
这样,在判定预测值异常的情况下,通过报警则能够及时通知用户所得到的预测值异常的情况,方便用户进行后续的相应处理。
下面结合图5来描述根据本发明的实施例的数据预测装置的另一个示例。
在如图5所示的例子中,数据预测装置500除了包括时间段确定单元110、选择单元120、相关性确定单元130、估计单元140和修正及预测单元150之外,还包括用于对多个历史数据集以及当前数据集中的数据进行预处理的预处理单元105。在一个示例中,预处理单元105对多个历史数据集以及当前数据集中的数据所进行的预处理例如可以包括对数变换。
其中,图5所示的数据预测装置500中的时间段确定单元110、选择单元120、相关性确定单元130、估计单元140和修正及预测单元150可以分别具有与上文中结合图1所描述的数据预测装置100中的对应单元相同的结构和功能,并能够达到相类似的技术效果,这里不再赘述。
例如,以上文描述的应用示例中的N个历史数据集和当前数据集为例,在相关性确定单元130进行处理之前,预处理单元105可以预先对N个历史数据集和当前数据集中的访问量数据进行对数变换(作为预处理的示例)。也就是说,第一历史数据组Xij(j=1,2,…,K)中的各个数据X11、X12、…、X1K是原始的访问量数据经过预处理单元105的对数变换(例如以a为底的对数变换,a可以是10或e等大于1的实数)后所得的数据;类似地,第二历史数据组Xij(j=K+1,K+2,…,M)、第一当前数据组yj(j=1,2,…,K)和第二当前数据组yj(j=K+1,K+2,…,M)中的各个数据也是原始的访问量数据经过预处理单元105的对数变换后所得的数据,这里不再一一赘述。
需要说明的是,在该例子中,当多个历史数据集以及当前数据集中的数据是经过预处理单元105的对数变换之后的数据时,则在修正及预测单元150获得预测值之后,再对预测值进行与先前的对数变换对应的指数变换,将所得的值作为最终的预测结果。例如,若获得的预测值为并假设之前所做的对数变换的底为a,则可以将a作为最终的预测结果,即,将a的次幂作为最终的预测结果。
这样,通过例如对数变换的预处理,能够简化处理过程中的计算量,方便处理。
另外,需要说明的是,在其他实施例中,图5所示的数据预测装置500还可以选择性地包括如图3所示的预测方差获得单元160和异常判定单元170,并具有相同的结构和功能,以及能够达到相类似的技术效果,这里不再赘述。
此外,还需要说明的是,在其他实施例中,图5所示的数据预测装置500还可以选择性地包括如图3所示的预测方差获得单元160和异常判定单元170以及如图4所示的报警单元180,并具有相同的结构和功能,以及能够达到相类似的技术效果,这里不再赘述。
此外,本发明的实施例还提供了一种数据预测方法,该数据预测方法包括:确定预测时间段,预测时间段包括第一时间段和第二时间段,当前数据包括与第一时间段相对应的第一当前数据组以及与第二时间段相对应的第二当前数据组,其中第一当前数据组中的数据的真实值已知,而第二当前数据组中的数据的真实值未知;选择多个历史数据集,每个历史数据集都与预测时间段相关联,并具有与第一时间段相对应的第一历史数据组以及与第二时间段相对应的第二历史数据组;确定多个第一历史数据组和第一当前数据组之间的相关性;根据所确定的相关性,利用多个第一历史数据组和多个第二历史数据组,获得第一当前数据组的估计值和第二当前数据组的估计值;以及基于第一当前数据组的估计值与其真实值之间的偏差来修正第二当前数据组的估计值,以获得第二当前数据组的预测值。
其中,每个历史数据集以及当前数据中的数据可以是网页或网站访问量数据,或者可以是工作时间来访人数数据,等等。
下面结合图6来描述上述数据预测方法的一种示例性处理。
如图6所示,根据本发明的实施例的数据预测方法的处理流程600开始于步骤S610,然后执行步骤S620。
在步骤S620中,确定预测时间段。其中,预测时间段包括第一时间段和第二时间段,当前数据包括与第一时间段相对应的第一当前数据组以及与第二时间段相对应的第二当前数据组,其中第一当前数据组中的数据的真实值已知,而第二当前数据组中的数据的真实值未知。然后执行步骤S630。其中,步骤S620中所执行的处理例如可以与上文中结合图1所描述的时间段确定单元110的处理相同,并能够达到类似的技术效果,在此不再赘述。
在一个实现方式中,多个历史数据集以及当前数据集中的数据是经过预处理后的数据,预处理包括对数变换。
在步骤S630中,选择多个历史数据集。其中,每个历史数据集都与预测时间段相关联,并具有与第一时间段相对应的第一历史数据组以及与第二时间段相对应的第二历史数据组。然后执行步骤S640。其中,步骤S630中所执行的处理例如可以与上文中结合图1所描述的选择单元120的处理相同,并能够达到类似的技术效果,在此不再赘述。
在步骤S640中,确定多个第一历史数据组和第一当前数据组之间的相关性。然后执行步骤S650。其中,步骤S640中所执行的处理例如可以与上文中结合图1所描述的相关性确定单元130的处理相同,并能够达到类似的技术效果,在此不再赘述。
在一个实现方式中,在步骤S640中,可以通过如下处理来确定多个第一历史数据组和第一当前数据组之间的相关性:以反映每个第一历史数据组与第一当前数据组之间的相关性大小的权重为待优化量,通过最小化多个第一历史数据组对第一当前数据组的、基于权重的估计偏差来确定权重,以至少利用权重来描述相关性。
在一个例子中,权重在[-1,1]内取值,以及所有权重之和为1。
在步骤S650中,根据所确定的相关性,利用多个第一历史数据组和多个第二历史数据组,获得第一当前数据组的估计值和第二当前数据组的估计值。然后执行步骤S660。其中,步骤S650中所执行的处理例如可以与上文中结合图1所描述的估计单元140的处理相同,并能够达到类似的技术效果,在此不再赘述。
在一个实现方式中,可以按照如下方式来获得第一当前数据组的估计值和第二当前数据组的估计值:针对第一当前数据组和第二当前数据组中的每个数据,将多个历史数据集中各自与该数据对应的数据按其对应权重进行累加求和,并将所得的和作为该数据的估计值。
在步骤S660中,基于第一当前数据组的估计值与其真实值之间的偏差来修正第二当前数据组的估计值,以获得第二当前数据组的预测值。然后执行步骤S670。其中,步骤S660中所执行的处理例如可以与上文中结合图1所描述的修正及预测单元150的处理相同,并能够达到类似的技术效果,在此不再赘述。
下面结合图7来描述步骤S660的一个可能的示例性子处理流程。如图7所示,可以通过步骤S710和S720所示的处理来修正第二当前数据组的估计值。
如图7所示,在步骤S710中,可以计算第一当前数据组中每个数据的估计值与其真实值之差,作为该数据对应的误差值。然后,执行步骤S720。
在步骤S720中,可以根据第一当前数据组中每个数据对应的误差值以及第一当前数据组中所有数据对应的误差值的平均值,确定第二当前数据组中每个数据的估计值与其真实值之间的预测偏差,以利用第二当前数据组中每个数据对应的预测偏差来修正其估计值。
处理流程600结束于步骤S670。
通过以上描述可知,上述根据本发明实施例的数据预测方法利用历史数据(如第一历史数据组)与当前已知数据(如第一当前数据组)之间的相关性,来初步获得当前未知数据(如第二当前数据组)的估计值,并利用当前已知数据的真实值和估计值之间的偏差来修正上述当前未知数据的估计值,以得到当前未知数据的预测值。该数据预测方法相比于传统的数据预测技术来说,通过修正初步获得的估计值,能够更为准确地预测未知数据。当将该数据预测方法应用于网站的访问量数据的预测时,能够获得较为准确的访问量预测数据,对于网站的建设和维护具有重要意义。
需要说明的是,在上述根据本发明实施例的图像处理方法的具体处理中,其各个步骤、子步骤可以分别采用与上文中结合图1-图3中任一个所描述的图像处理装置中的对应的单元、子单元或者模块的处理相同的处理,并能够达到相类似的功能和效果,这里不再一一赘述。
下面结合图8来描述上述数据预测方法的另一种示例性处理。
如图8所示,根据本发明的实施例的数据预测方法的处理流程800开始于步骤S810,然后执行步骤S820-S860的处理。其中,步骤S820-S860可以与上文中结合图6或图7所描述的步骤S720-S760的处理相同,并能够达到相类似的效果,这里不再赘述。
在处理流程800中,执行完步骤S860之后,执行如图8所示的步骤S870。在步骤S870中,可以获得与确定的相关性对应的预测方差。然后执行步骤S880中。
在步骤S880中,可以利用预测方差以及第二当前数据组的预测值与其估计值之差,来判定预测值是否异常。然后执行步骤S890中。
处理流程800结束于步骤S890。
其中,在步骤S880的一个实现方式中,可以通过如下方式来判定预测值是否异常:当通过从第二当前数据组的预测值中减去其估计值所得的差大于预测方差的平方根的2倍时,或者当通过从第二当前数据组的预测值中减去其估计值所得的差小于预测方差的平方根的-2倍时,判定预测值异常。
需要说明的是,虽然在该示例中,所描述的步骤S870是在步骤S860之后执行的,但在其他示例中,步骤S870不限于在步骤S860之后执行。例如,步骤S870可以在执行完步骤S840之后执行(即,和步骤S850并行执行),在这种情况下,步骤S880则可以在步骤S870和步骤S860都分别执行完之后再执行。需要注意的是,其他可以实现上述数据预测方法的功能的顺序也可以为本发明所使用,这里不再一一赘述。
下面结合图9来描述上述数据预测方法的另一种示例性处理。
如图9所示,根据本发明的实施例的数据预测方法的处理流程900开始于步骤S910,然后执行步骤S920-S980的处理。其中,步骤S920-S980可以与上文中结合图8所描述的步骤S820-S880的处理相同,并能够达到相类似的效果,这里不再赘述。
在处理流程900中,执行完步骤S980之后,执行如图9所示的步骤S990。在步骤S990中,在判定预测值异常的情况下,可以输出异常报警信号。然后执行步骤S995中。
处理流程900结束于步骤S995。
此外,本发明的实施例还提供了一种电子设备,该电子设备包括如上所述的数据预测装置。在根据本发明的实施例的上述电子设备的具体实现方式中,上述电子设备可以是以下设备中的任意一种设备:计算机;手机;平板电脑;个人数字助理以及电纸书等等。其中,该电子设备具有上述数据预测装置的各种功能和技术效果,这里不再赘述。
A6.根据A1所述的数据预测装置,还包括:预测方差获得单元,其用于获得与确定的所述相关性对应的预测方差;以及异常判定单元,其用于利用所述预测方差以及所述第二当前数据组的预测值与其估计值之差,来判定所述预测值是否异常。A7.根据A6所述的数据预测装置,其中,所述异常判定单元用于:当通过从所述第二当前数据组的预测值中减去其估计值所得的差大于所述预测方差的平方根的2倍时,或者当通过从所述第二当前数据组的预测值中减去其估计值所得的差小于所述预测方差的平方根的-2倍时,判定所述预测值异常。A8.根据A6所述的数据预测装置,还包括:报警单元,其用于在所述异常判定单元判定所述预测值异常的情况下,输出异常报警信号。A9.根据A1所述的数据预测装置,还包括:预处理单元,其用于对所述多个历史数据集以及所述当前数据集中的数据进行预处理,其中所述预处理包括对数变换。A10.根据A1-9中任一项所述的数据预测装置,其中,所述历史数据集以及所述当前数据中的数据为以下之一:网页或网站访问量数据;以及工作时间来访人数数据。B16.根据B11所述的数据预测方法,还包括:获得与确定的所述相关性对应的预测方差;以及利用所述预测方差以及所述第二当前数据组的预测值与其估计值之差,来判定所述预测值是否异常。B17.根据B16所述的数据预测方法,其中,当通过从所述第二当前数据组的预测值中减去其估计值所得的差大于所述预测方差的平方根的2倍时,或者当通过从所述第二当前数据组的预测值中减去其估计值所得的差小于所述预测方差的平方根的-2倍时,判定所述预测值异常。B18.根据B16所述的数据预测方法,还包括:在判定所述预测值异常的情况下,输出异常报警信号。B19.根据B11所述的数据预测方法,其中,所述多个历史数据集以及所述当前数据集中的数据是经过预处理后的数据,所述预处理包括对数变换。B20.根据B11-19中任一项所述的数据预测方法,其中,所述数据预测方法中的数据为以下之一:网页或网站访问量数据;以及工作时间来访人数数据。B21.根据B11所述的数据预测方法,其中,修正所述第二当前数据组的估计值的步骤包括:计算所述第一当前数据组中每个数据的估计值与其真实值之差,作为该数据对应的误差值;以及根据所述第一当前数据组中每个数据对应的误差值以及所述第一当前数据组中所有数据对应的误差值的平均值,确定所述第二当前数据组中每个数据的估计值与其真实值之间的预测偏差,以利用所述第二当前数据组中每个数据对应的预测偏差来修正其估计值。C22.根据C21所述的电子设备,其中,所述电子设备是以下设备之一:计算机;手机;平板电脑;个人数字助理以及电纸书。
上述根据本发明的实施例的数据预测装置中的各个组成单元、子单元、模块等可以通过软件、固件、硬件或其任意组合的方式进行配置。在通过软件或固件实现的情况下,可从存储介质或网络向具有专用硬件结构的机器(例如图10所示的通用机器1000)安装构成该软件或固件的程序,该机器在安装有各种程序时,能够执行上述各组成单元、子单元的各种功能。
图10是示出了可用来实现根据本发明的实施例的数据预测装置和数据预测方法的一种可能的信息处理设备的硬件配置的结构简图。
在图10中,中央处理单元(CPU)1001根据只读存储器(ROM)1002中存储的程序或从存储部分1008加载到随机存取存储器(RAM)1003的程序执行各种处理。在RAM1003中,还根据需要存储当CPU1001执行各种处理等等时所需的数据。CPU1001、ROM1002和RAM1003经由总线1004彼此连接。输入/输出接口1005也连接到总线1004。
下述部件也连接到输入/输出接口1005:输入部分1006(包括键盘、鼠标等等)、输出部分1007(包括显示器,例如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分1008(包括硬盘等)、通信部分1009(包括网络接口卡例如LAN卡、调制解调器等)。通信部分1009经由网络例如因特网执行通信处理。根据需要,驱动器1010也可连接到输入/输出接口1005。可拆卸介质1011例如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器1010上,使得从中读出的计算机程序可根据需要被安装到存储部分1008中。
在通过软件实现上述系列处理的情况下,可以从网络例如因特网或从存储介质例如可拆卸介质1011安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图10所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1011。可拆卸介质1011的例子包含磁盘(包含软盘)、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM1002、存储部分1008中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
在上面对本发明具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
此外,本发明的各实施例的方法不限于按照说明书中描述的或者附图中示出的时间顺序来执行,也可以按照其他的时间顺序、并行地或独立地执行。因此,本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
最后,还需要说明的是,在本文中,诸如左和右、第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种数据预测装置,包括:
时间段确定单元,其用于确定预测时间段,所述预测时间段包括第一时间段和第二时间段,当前数据包括与所述第一时间段相对应的第一当前数据组以及与所述第二时间段相对应的第二当前数据组,其中所述第一当前数据组中的数据的真实值已知,而所述第二当前数据组中的数据的真实值未知;
选择单元,其用于选择多个历史数据集,每个历史数据集都与所述预测时间段相关联,并具有与所述第一时间段相对应的第一历史数据组以及与所述第二时间段相对应的第二历史数据组;
相关性确定单元,其用于确定所述多个第一历史数据组和所述第一当前数据组之间的相关性;
估计单元,其用于根据所确定的相关性,利用所述多个第一历史数据组和多个第二历史数据组,获得所述第一当前数据组的估计值和第二当前数据组的估计值;以及
修正及预测单元,其用于基于所述第一当前数据组的估计值与其真实值之间的偏差来修正所述第二当前数据组的估计值,以获得所述第二当前数据组的预测值。
2.根据权利要求1所述的数据预测装置,其中,所述相关性确定单元用于:
以反映每个所述第一历史数据组与所述第一当前数据组之间的相关性大小的权重为待优化量,通过最小化所述多个第一历史数据组对第一当前数据组的、基于所述权重的估计偏差来确定所述权重,以至少利用所述权重来描述所述相关性。
3.根据权利要求2所述的数据预测装置,其中,所述相关性确定单元用于使所述权重在[-1,1]内取值,并使得所有所述权重之和为1。
4.根据权利要求2所述的数据预测装置,其中,所述估计单元用于:
针对所述第一当前数据组和所述第二当前数据组中的每个数据,将所述多个历史数据集中各自与该数据对应的数据按其对应权重进行累加求和,并将所得的和作为该数据的估计值。
5.根据权利要求1所述的数据预测装置,其中,所述修正及预测单元包括:
计算子单元,其用于计算所述第一当前数据组中每个数据的估计值与其真实值之差,作为该数据对应的误差值;
修正子单元,其用于根据所述第一当前数据组中每个数据对应的误差值以及所述第一当前数据组中所有数据对应的误差值的平均值,确定所述第二当前数据组中每个数据的估计值与其真实值之间的预测偏差,以利用所述第二当前数据组中每个数据对应的预测偏差来修正其估计值;以及
预测子单元,其用于将所述第二当前数据组中每个数据的估计值修正之后的值作为其预测值。
6.一种数据预测方法,包括:
确定预测时间段,所述预测时间段包括第一时间段和第二时间段,当前数据包括与所述第一时间段相对应的第一当前数据组以及与所述第二时间段相对应的第二当前数据组,其中所述第一当前数据组中的数据的真实值已知,而所述第二当前数据组中的数据的真实值未知;
选择多个历史数据集,每个历史数据集都与所述预测时间段相关联,并具有与所述第一时间段相对应的第一历史数据组以及与所述第二时间段相对应的第二历史数据组;
确定所述多个第一历史数据组和所述第一当前数据组之间的相关性;
根据所确定的相关性,利用所述多个第一历史数据组和多个第二历史数据组,获得所述第一当前数据组的估计值和第二当前数据组的估计值;以及
基于所述第一当前数据组的估计值与其真实值之间的偏差来修正所述第二当前数据组的估计值,以获得所述第二当前数据组的预测值。
7.根据权利要求6所述的数据预测方法,其中,所述相关性通过如下步骤来确定:
以反映每个所述第一历史数据组与所述第一当前数据组之间的相关性大小的权重为待优化量,通过最小化所述多个第一历史数据组对第一当前数据组的、基于所述权重的估计偏差来确定所述权重,以至少利用所述权重来描述所述相关性。
8.根据权利要求7所述的数据预测方法,其中,
所述权重在[-1,1]内取值,以及
所有所述权重之和为1。
9.根据权利要求8所述的数据预测方法,其中,获得所述第一当前数据组的估计值和所述第二当前数据组的估计值的步骤包括:
针对所述第一当前数据组和所述第二当前数据组中的每个数据,将所述多个历史数据集中各自与该数据对应的数据按其对应权重进行累加求和,并将所得的和作为该数据的估计值。
10.一种电子设备,包括如权利要求1-5中任一项所述的数据预测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060143.1A CN103886018B (zh) | 2014-02-21 | 2014-02-21 | 数据预测装置、数据预测方法以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060143.1A CN103886018B (zh) | 2014-02-21 | 2014-02-21 | 数据预测装置、数据预测方法以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103886018A true CN103886018A (zh) | 2014-06-25 |
CN103886018B CN103886018B (zh) | 2017-02-08 |
Family
ID=50954910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060143.1A Active CN103886018B (zh) | 2014-02-21 | 2014-02-21 | 数据预测装置、数据预测方法以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886018B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462445A (zh) * | 2014-12-15 | 2015-03-25 | 北京国双科技有限公司 | 网页访问数据的处理方法和装置 |
CN105095646A (zh) * | 2015-06-29 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 数据预测方法及电子设备 |
WO2016161946A1 (zh) * | 2015-04-10 | 2016-10-13 | 王琨喆 | 时间序列预测方法与装置 |
CN108764646A (zh) * | 2018-04-27 | 2018-11-06 | 车智互联(北京)科技有限公司 | 一种销量预测方法及计算设备 |
CN108829718A (zh) * | 2018-05-07 | 2018-11-16 | 北京奇艺世纪科技有限公司 | 一种数据处理的方法和装置 |
CN109471783A (zh) * | 2017-09-08 | 2019-03-15 | 北京京东尚科信息技术有限公司 | 预测任务运行参数的方法和装置 |
CN109598620A (zh) * | 2018-12-03 | 2019-04-09 | 南方电网能源发展研究院有限责任公司 | 投资项目的估值方法、装置、计算机设备和存储介质 |
CN114008643A (zh) * | 2019-06-20 | 2022-02-01 | 三菱电机大楼技术服务株式会社 | 所在人数预测装置、设备管理***以及所在人数预测方法 |
CN115831268A (zh) * | 2023-02-22 | 2023-03-21 | 苏州易来科得科技有限公司 | 锂离子扩散系数的数据融合方法 |
WO2023155107A1 (zh) * | 2022-02-17 | 2023-08-24 | 西门子股份公司 | 预告警方法、装置、包括其的过程仪表以及计算设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070294124A1 (en) * | 2006-06-14 | 2007-12-20 | John Charles Crotts | Hospitality performance index |
WO2010075260A2 (en) * | 2008-12-23 | 2010-07-01 | Autotrader.Com, Inc. | Computer based systems and methods for managing online display advertising inventory |
US20110010349A1 (en) * | 2009-07-10 | 2011-01-13 | Jeffrey Gordon Ellingson | Method and device for users of enterprise software products to create, publish and share reviews of enterprise software products |
CN102375810A (zh) * | 2010-08-04 | 2012-03-14 | 阿里巴巴集团控股有限公司 | 整体帐户搜索关键词的估计值反馈方法及服务器 |
CN104182801A (zh) * | 2013-05-22 | 2014-12-03 | 阿里巴巴集团控股有限公司 | 一种预测网站访问量的方法及设备 |
-
2014
- 2014-02-21 CN CN201410060143.1A patent/CN103886018B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070294124A1 (en) * | 2006-06-14 | 2007-12-20 | John Charles Crotts | Hospitality performance index |
WO2010075260A2 (en) * | 2008-12-23 | 2010-07-01 | Autotrader.Com, Inc. | Computer based systems and methods for managing online display advertising inventory |
US20110010349A1 (en) * | 2009-07-10 | 2011-01-13 | Jeffrey Gordon Ellingson | Method and device for users of enterprise software products to create, publish and share reviews of enterprise software products |
CN102375810A (zh) * | 2010-08-04 | 2012-03-14 | 阿里巴巴集团控股有限公司 | 整体帐户搜索关键词的估计值反馈方法及服务器 |
CN104182801A (zh) * | 2013-05-22 | 2014-12-03 | 阿里巴巴集团控股有限公司 | 一种预测网站访问量的方法及设备 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462445A (zh) * | 2014-12-15 | 2015-03-25 | 北京国双科技有限公司 | 网页访问数据的处理方法和装置 |
WO2016161946A1 (zh) * | 2015-04-10 | 2016-10-13 | 王琨喆 | 时间序列预测方法与装置 |
CN105095646A (zh) * | 2015-06-29 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 数据预测方法及电子设备 |
CN109471783A (zh) * | 2017-09-08 | 2019-03-15 | 北京京东尚科信息技术有限公司 | 预测任务运行参数的方法和装置 |
CN108764646B (zh) * | 2018-04-27 | 2021-05-25 | 车智互联(北京)科技有限公司 | 一种销量预测方法及计算设备 |
CN108764646A (zh) * | 2018-04-27 | 2018-11-06 | 车智互联(北京)科技有限公司 | 一种销量预测方法及计算设备 |
CN108829718A (zh) * | 2018-05-07 | 2018-11-16 | 北京奇艺世纪科技有限公司 | 一种数据处理的方法和装置 |
CN108829718B (zh) * | 2018-05-07 | 2021-04-06 | 北京奇艺世纪科技有限公司 | 一种数据处理的方法和装置 |
CN109598620A (zh) * | 2018-12-03 | 2019-04-09 | 南方电网能源发展研究院有限责任公司 | 投资项目的估值方法、装置、计算机设备和存储介质 |
CN114008643A (zh) * | 2019-06-20 | 2022-02-01 | 三菱电机大楼技术服务株式会社 | 所在人数预测装置、设备管理***以及所在人数预测方法 |
CN114008643B (zh) * | 2019-06-20 | 2024-06-25 | 三菱电机楼宇解决方案株式会社 | 所在人数预测装置、设备管理***以及所在人数预测方法 |
WO2023155107A1 (zh) * | 2022-02-17 | 2023-08-24 | 西门子股份公司 | 预告警方法、装置、包括其的过程仪表以及计算设备 |
CN115831268A (zh) * | 2023-02-22 | 2023-03-21 | 苏州易来科得科技有限公司 | 锂离子扩散系数的数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103886018B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886018A (zh) | 数据预测装置、数据预测方法以及电子设备 | |
US10671933B2 (en) | Method and apparatus for evaluating predictive model | |
CN110968985B (zh) | 集成电路修补算法确定方法及装置、存储介质、电子设备 | |
JP7294369B2 (ja) | 情報処理に用いられる方法、装置、電子機器及びプログラム | |
US20200151545A1 (en) | Update of attenuation coefficient for a model corresponding to time-series input data | |
CN113253319B (zh) | 基于车辆gps的路网提取和轨迹纠偏方法和*** | |
CN111598677A (zh) | 一种资源配额确定方法、装置和电子设备 | |
CN105224994A (zh) | 预测停留时间的装置和方法、确定投递路径的设备和方法 | |
CN107577648A (zh) | 用于处理多元时间序列数据的方法及装置 | |
CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
CN111209930A (zh) | 一种生成授信策略的方法、装置和电子设备 | |
US11403544B1 (en) | System, method, and computer program for validating artificial intelligence models | |
US20150254564A1 (en) | Smart process management | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
US10924265B2 (en) | Blockchain technology | |
US10332234B2 (en) | Matrix factorization with approximate computing | |
US11544552B1 (en) | Method and apparatus for refining an automated coding model | |
US20170068226A1 (en) | Hybrid estimation of transition probability values in markov decision processes | |
CN115809818A (zh) | 抽水蓄能电站辅助设备多维诊断评估方法及装置 | |
CN114757166A (zh) | 自然语言理解***的评估方法、装置及网络设备 | |
US20170316436A1 (en) | Context-aware curve-fitting for pipeline value prediction | |
CN109255432B (zh) | 神经网络模型构建方法及装置、存储介质、电子设备 | |
US11790032B2 (en) | Generating strategy based on risk measures | |
CN116684307A (zh) | 物联网平台的***容量预测方法、装置、设备及存储介质 | |
CN116187494A (zh) | 电力负荷预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |