CN104102968A - 一种移动关键业务的预警方法及装置 - Google Patents
一种移动关键业务的预警方法及装置 Download PDFInfo
- Publication number
- CN104102968A CN104102968A CN201310129018.7A CN201310129018A CN104102968A CN 104102968 A CN104102968 A CN 104102968A CN 201310129018 A CN201310129018 A CN 201310129018A CN 104102968 A CN104102968 A CN 104102968A
- Authority
- CN
- China
- Prior art keywords
- key index
- key
- business
- screened
- operational
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种移动关键业务的预警方法,包括:从移动关键业务的待筛选的业务指标中选出关键指标;从底层接口抽取移动关键业务数据源的数据,根据关键指标将抽取的数据按照预设格式添加到关键指标列表;利用关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值;计算各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。本发明还同时公开了一种移动关键业务的预警装置,采用本发明能主动发现***问题,并且降低人力成本,提高预警能力,提高管理效率。
Description
技术领域
本发明涉及移动通信领域的管理技术,尤其涉及一种移动关键业务的预警方法及装置。
背景技术
在业务运营***中,采集大量与业务紧密相关的时间序列数据,纳入到数据仓库的管理体系中,但在管理体系中,对上述数据的管理处于报表展示阶段;并且,目前的业务运营***监控思路还较大程度上停留在业务运营发生问题后的响应,而非主动的预警式监控。
现有的业务管理***在进行配置、预警和性能分析时,都是以网络设备和节点为监控对象,没有细化到具体的业务指标,因此,并不能直观有效地反映出业务运营状况,缺少业务角度的监视和分析。同时,以往人工处理业务运营监测告警效率低、预警范围和精度不足等问题在当前看来已经非常突出。
可见,现有技术中的业务管理***无法主动发现***问题,并且无法降低人力成本、以及无法提高管理效率和服务水平。
发明内容
有鉴于此,本发明的目的在于提供一种移动关键业务的预警方法及装置,能主动发现***问题,降低人力成本,提高预警能力,以及提高管理效率。
为达到上述目的,本发明的技术方案是这样实现的:
本发明提供了一种移动关键业务的预警方法,该方法包括:
从移动关键业务的待筛选的业务指标中选出关键指标;
从底层接口抽取移动关键业务数据源的数据,根据所述关键指标将抽取的数据按照预设格式添加到关键指标列表;
利用关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值;
计算各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。
上述方案中,所述从移动关键业务的待筛选的业务指标中选出关键指标,包括:
对移动关键业务的待筛选的业务指标进行聚类分析得到一个或多个聚类结果,统计各个聚类结果中待筛选的业务指标个数,若聚类结果中包含的所述待筛选的业务指标的数量等于一,则将所述待筛选的业务指标作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量等于二,则进行游程检验,判断两个业务指标是否有显著差异,当检验结果为两个业务指标有显著差异时,两个业务指标均作为关键指标,当检验结果为两个业务指标没有明显差异时,从两个业务指标中任意选择一个作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量大于二,则进行单向评轶方差分析得出各项业务指标间的相关系数,对每个业务指标与所述相关系数求和,选出结果最大的业务指标作为关键指标。
上述方案中,所述计算各个关键指标的预测值,包括:采用自回归移动平均模型(ARMA,Autoregressive Moving Average Model)计算各个关键指标的预测值。
上述方案中,所述计算各个关键指标的预测值对应的关键指标波动率,包括:使用Rt=(ln at-ln at-1)*100计算得出各个关键指标对应的关键指标波动率;其中,at为t天某项关键指标对应的数据,at-1为t-1天某项关键指标对应的数据。
上述方案中,所述利用所述关键指标波动率判定是否对关键指标进行告警,包括:以指定时间段内的关键指标平均值为基准,当关键指标波动率在一个标准差内时,不进行业务关键指标的告警,当关键指标波动率在一到两个标准差内时,进行黄色告警,当关键指标波动率在两个标准差以外时,进行红色告警。
本发明还提供了一种移动关键业务的预警装置,所述装置包括:筛选模块、预测模块和告警模块;其中,
筛选模块,用于从移动关键业务的待筛选的业务指标中选出关键指标;以及从底层接口抽取移动关键业务数据源的数据,根据所述关键指标将抽取的数据按照预设格式添加到关键指标列表,将所述关键指标列表发送给预测模块;
预测模块,用于利用筛选模块发来的关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值,将所述各个关键指标的预测值发送给告警模块;
告警模块,用于计算预测模块发来的各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。
上述方案中,所述筛选模块,具体用于对移动关键业务的待筛选的业务指标进行聚类分析得到一个或多个聚类结果,统计各个聚类结果中待筛选的业务指标个数,若聚类结果中包含的所述待筛选的业务指标的数量等于一,则将所述待筛选的业务指标作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量等于二,则进行游程检验,判断两个业务指标是否有显著差异,当检验结果为两个业务指标有显著差异时,两个业务指标均作为关键指标,当检验结果为两个业务指标没有明显差异时,从两个业务指标中任意选择一个作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量大于二,则进行单向评轶方差分析得出各项业务指标间的相关系数,对每个业务指标与所述相关系数求和,选出结果最大的业务指标作为关键指标。
上述方案中,所述预测模块,具体用于采用ARMA计算各个关键指标的预测值。
上述方案中,所述告警模块,具体用于使用Rt=(ln at-ln at-1)*100计算得出各个关键指标对应的关键指标波动率;其中,at为t天某项关键指标对应的数据,at-1为t-1天某项关键指标对应的数据。
上述方案中,所述告警模块,具体用于以上指定时间段内的关键指标平均值为基准,当关键指标波动率在一个标准差内时,不进行业务关键指标的告警,当关键指标波动率在一到两个标准差内时,进行黄色告警,当关键指标波动率在两个标准差以外时,进行红色告警。
本发明所提供的移动关键业务的预警方法及装置,先从移动关键业务的待筛选的业务指标中选出关键指标;再从关键指标对应的业务数据源抽取数据,将抽取到的数据转换为指定格式的关键指标数据;通过使用计算关键指标的预测值,最终使用预警算法判定是否对关键指标进行告警。如此,能够利用预测模型,并根据具体预警指标,建立预警机制,达到对关键业务的实时监控,提高预警能力。并且,本发明采用数据挖掘技术,对长期存储的业务运营数据进行深入挖掘,找出关键业务运营异常发生的前兆,发现问题并实现预警的能力,降低人员工作繁杂度,从而提高业务运营对异常的提前预防能力。
附图说明
图1为本发明移动关键业务的预警方法流程示意图;
图2为本发明选出关键指标的方法流程示意图;
图3为本发明关键业务列表;
图4为本发明移动关键业务的预警装置组成结构示意图。
具体实施方式
本发明的基本思想是:从移动关键业务的待筛选的业务指标中选出关键指标;从底层接口抽取移动关键业务数据源的数据,根据所述关键指标将抽取的数据按照预设格式添加到关键指标列表;利用关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值;计算各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。
下面结合附图及具体实施例对本发明再作进一步详细的说明。
本发明提出移动关键业务的预警方法,如图1所示,包括以下步骤:
步骤101:从移动关键业务的待筛选的业务指标中选出关键指标。
这里,所述待筛选的业务指标为每季度从各个业务部门收集的,关注程度较高或者与考核有关的指标。
所述从移动关键业务的待筛选的业务指标中选出关键指标,如图2所示,包括:
对移动关键业务的待筛选的业务指标进行聚类分析得到一个或多个聚类结果,统计各个聚类结果中待筛选的业务指标个数,若任意一个聚类结果中包含的所述待筛选的业务指标的数量等于一,则将所述待筛选的业务指标作为关键指标;
若任意一个聚类结果中包含的所述待筛选的业务指标的数量等于二,则进行游程检验,判断两个业务指标是否有显著差异,当检验结果为两个业务指标有显著差异时,两个业务指标均作为关键指标,当检验结果为两个业务指标没有明显差异时,从两个业务指标中任意选择一个作为关键指标;
若任意一个聚类结果中包含的所述待筛选的业务指标的数量大于二,则进行单向评轶方差分析得出各项业务指标间的相关系数,对每个业务指标与所述相关系数求和,选出结果最大的业务指标作为关键指标。
比如,最终获取到的关键指标可以为如图3所示,包含25项。
其中,所述游程检验为现有技术,主要用于检验两个独立样本来自的两个总体的分布是否存在显著差异;所述单向评轶方差分析为现有技术,主要用来检验多个样本在多个总体的分布上是否存在显著性差异。
步骤102:从底层接口抽取移动关键业务数据源的数据,根据关键指标将抽取的数据按照预设格式添加到关键指标列表。
这里,所述从底层接口抽取移动关键业务数据源的数据,可以包括:采用BI核心架构,建立面向服务、套餐类、集团业务、数据业务、语音业务等多种类型关键业务的数据仓库和联机分析模型,从业务支撑***(BOSS)、综合网管、客服***等取到数据,通过中间的公共对象请求代理体系结构(CORBA,Common Object Request Broker Architecture)、可扩展标记语言(XML,ExtensibleMarkup Language)、文件传输协议(FTP,File Transfer Protocol)、应用程序编程接口(API,Application Programming Interface)等任意一种接口协议规定传送方式进行传送。
所述根据关键指标将抽取的数据按照预设格式添加到关键指标列表,可以包括:将从各个业务数据源抽取的数据,通过数据提取、转换和加载(ETL,Extraction-Transformation-Loading),将所述数据转换为预设的指标数据的格式添加到关键指标列表。
所述预设的指标数据的格式为在放入关键指标数据库时使用的统一数据格式,可以包括共性维度如地域、品牌以及指标值等条目,如此,使本来异构的数据格式统一起来。
完成步骤102后,能够将转换完的数据按计划增量或全部导入到数据仓库中。这样,就能完成数据从数据源向目标数据仓库转化的过程,建立统一的面向主题的综合关键业务运营时间序列关键指标列表,以满足预警和分析的需要。
步骤103:利用关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值。
这里,所述计算可以为:采用ARMA计算;所述ARMA为:
其中,p是非季节性自回归阶数,P为季节性自回归阶数,q是非季节性移动平均阶数,Q是季节性移动平均阶数,
是模型非季节算子,
φp(Bs)=1-φ1BS-φ2B2S-…-φPBPS是模型季节算子,
(1-B)d表示d阶逐期差分,
(1-Bs)D表示D阶s步季节差分。
在本实施例中,由于关键业务的运营数据以时间序列的形式存在,所以本***数据存储层中的数据集市是时间序列数据库。因此,为使建模与实际相符,算法源数据的基础模型采用ARMA将预测对象随时间推移而形成的数据序列视为一个随机序列,现在用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去即现在值来预测未来值。比如,定义a1,a2,….,at为t天内,某项关键指标对应的业务数据,观察其散点图是否有明显的上升或者下降的趋势,若有对其进行差分平稳化处理。
步骤104:计算各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。
这里,所述计算各个关键指标对应的关键指标波动率为:使用Rt=(ln at-ln at-1)*100计算;其中,at为t天某项关键指标对应的数据,at-1为t-1天某项关键指标对应的数据。
所述利用所述关键指标波动率判定是否对关键指标进行告警为:以指定时间段内的关键指标平均值为基准,当关键指标波动率在一个标准差内则不进行业务关键指标的告警,在一到两个标准差内进行黄色告警,在两个标准差以外则进行红色告警;其中,所述指定时间段内可以为根据实际情况选定的时间,比如上一年同期;所述黄色警告以及红色警告的实施方式为现有技术,这里不做赘述。
本发明的移动关键业务的预警装置,如图4所示,包括:筛选模块41、预测模块42和告警模块43;其中,
筛选模块41,用于从移动关键业务的待筛选的业务指标中选出关键指标;以及从底层接口抽取移动关键业务数据源的数据,根据所述关键指标将抽取的数据按照预设格式添加到关键指标列表,将所述关键指标列表发送给预测模块42;
预测模块42,用于利用筛选模块41发来的关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值,将所述各个关键指标的预测值发送给告警模块43;
告警模块43,用于计算预测模块42发来的各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。
所述筛选模块41,具体用于对移动关键业务的待筛选的业务指标进行聚类分析得到一个或多个聚类结果,统计各个聚类结果中待筛选的业务指标个数,若任意一个聚类结果中包含的所述待筛选的业务指标的数量等于一,则将所述待筛选的业务指标作为关键指标;
若任意一个聚类结果中包含的所述待筛选的业务指标的数量等于二,则进行游程检验,判断两个业务指标是否有显著差异,当检验结果为两个业务指标有显著差异时,两个业务指标均作为关键指标,当检验结果为两个业务指标没有明显差异时,从两个业务指标中任意选择一个作为关键指标;
若任意一个聚类结果中包含的所述待筛选的业务指标的数量大于二,则进行单向评轶方差分析得出各项业务指标间的相关系数,对每个业务指标与所述相关系数求和,选出结果最大的业务指标作为关键指标。
所述筛选模块41,具体用于采用BI核心架构,建立面向服务、套餐类、集团业务、数据业务、语音业务等多种类型关键业务的数据仓库和联机分析模型,从BOSS、综合网管、客服***等取到数据,通过中间的CORBA、XML、FTP、API等任意一种接口协议规定传送方式进行传送。
所述筛选模块41,具体用于将从各个业务数据源抽取的数据,通过数据提取、转换和加载(ETL,Extraction-Transformation-Loading),将所述各个业务数据源的数据转换为预设的指标数据的格式。
所述预测模块42,具体用于使用ARIMA计算各个关键指标的预测值,所述ARIMA可用如下数学公式来表示:
其中p是非季节性自回归阶数,P为季节性自回归阶数,q是非季节性移动平均阶数,Q是季节性移动平均阶数,
是模型非季节算子,
φp(Bs)=1-φ2BS-φ2B2S-…-φPBPS是模型季节算子,
(1-B)d表示d阶逐期差分,
(1-Bs)D表示D阶s步季节差分。
所述告警模块43,具体用于使用Rt=(ln at-ln at-1)*100计算各个关键指标波动率;其中,at为t天某项关键指标对应的数据,at-1为t-1天某项关键指标对应的数据。
所述告警模块43,具体用于以上一年同期的关键指标平均值为基准,当运关键指标波动率在一个标准差内则不进行业务关键指标的告警,在一到两个标准差内进行黄色告警,在两个标准差以外则进行红色告警。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种移动关键业务的预警方法,其特征在于,该方法包括:
从移动关键业务的待筛选的业务指标中选出关键指标;
从底层接口抽取移动关键业务数据源的数据,根据所述关键指标将抽取的数据按照预设格式添加到关键指标列表;
利用关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值;
计算各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。
2.根据权利要求1所述的方法,其特征在于,所述从移动关键业务的待筛选的业务指标中选出关键指标,包括:
对移动关键业务的待筛选的业务指标进行聚类分析得到一个或多个聚类结果,统计各个聚类结果中待筛选的业务指标个数,若聚类结果中包含的所述待筛选的业务指标的数量等于一,则将所述待筛选的业务指标作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量等于二,则进行游程检验,判断两个业务指标是否有显著差异,当检验结果为两个业务指标有显著差异时,两个业务指标均作为关键指标,当检验结果为两个业务指标没有明显差异时,从两个业务指标中任意选择一个作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量大于二,则进行单向评轶方差分析得出各项业务指标间的相关系数,对每个业务指标与所述相关系数求和,选出结果最大的业务指标作为关键指标。
3.根据权利要求1所述的方法,其特征在于,所述计算各个关键指标的预测值,包括:采用自回归移动平均模型ARMA计算各个关键指标的预测值。
4.根据权利要求1所述的方法,其特征在于,所述计算各个关键指标的预测值对应的关键指标波动率,包括:使用Rt=(lnat-ln at-1)*100计算得出各个关键指标对应的关键指标波动率;其中,at为t天某项关键指标对应的数据,at-1为t-1天某项关键指标对应的数据。
5.根据权利要求1或4所述的方法,其特征在于,所述利用所述关键指标波动率判定是否对关键指标进行告警,包括:以指定时间段内的关键指标平均值为基准,当关键指标波动率在一个标准差内时,不进行业务关键指标的告警,当关键指标波动率在一到两个标准差内时,进行黄色告警,当关键指标波动率在两个标准差以外时,进行红色告警。
6.一种移动关键业务的预警装置,其特征在于,所述装置包括:筛选模块、预测模块和告警模块;其中,
筛选模块,用于从移动关键业务的待筛选的业务指标中选出关键指标;以及从底层接口抽取移动关键业务数据源的数据,根据所述关键指标将抽取的数据按照预设格式添加到关键指标列表,将所述关键指标列表发送给预测模块;
预测模块,用于利用筛选模块发来的关键指标列表中各个关键指标对应的业务数据计算各个关键指标的预测值,将所述各个关键指标的预测值发送给告警模块;
告警模块,用于计算预测模块发来的各个关键指标的预测值对应的关键指标波动率,利用关键指标波动率判定是否对关键指标进行告警。
7.根据权利要求6所述的装置,其特征在于,
所述筛选模块,具体用于对移动关键业务的待筛选的业务指标进行聚类分析得到一个或多个聚类结果,统计各个聚类结果中待筛选的业务指标个数,若聚类结果中包含的所述待筛选的业务指标的数量等于一,则将所述待筛选的业务指标作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量等于二,则进行游程检验,判断两个业务指标是否有显著差异,当检验结果为两个业务指标有显著差异时,两个业务指标均作为关键指标,当检验结果为两个业务指标没有明显差异时,从两个业务指标中任意选择一个作为关键指标;
若聚类结果中包含的所述待筛选的业务指标的数量大于二,则进行单向评轶方差分析得出各项业务指标间的相关系数,对每个业务指标与所述相关系数求和,选出结果最大的业务指标作为关键指标。
8.根据权利要求6所述的方法,其特征在于,所述预测模块,具体用于采用ARMA计算各个关键指标的预测值。
9.根据权利要求6所述的装置,其特征在于,所述告警模块,具体用于使用Rt=(lnat-lnat-1)*100计算得出各个关键指标对应的关键指标波动率;其中,at为t天某项关键指标对应的数据,at-1为t-1天某项关键指标对应的数据。
10.根据权利要求9所述的装置,其特征在于,所述告警模块,具体用于以上指定时间段内的关键指标平均值为基准,当关键指标波动率在一个标准差内时,不进行业务关键指标的告警,当关键指标波动率在一到两个标准差内时,进行黄色告警,当关键指标波动率在两个标准差以外时,进行红色告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310129018.7A CN104102968A (zh) | 2013-04-15 | 2013-04-15 | 一种移动关键业务的预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310129018.7A CN104102968A (zh) | 2013-04-15 | 2013-04-15 | 一种移动关键业务的预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104102968A true CN104102968A (zh) | 2014-10-15 |
Family
ID=51671104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310129018.7A Pending CN104102968A (zh) | 2013-04-15 | 2013-04-15 | 一种移动关键业务的预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104102968A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899674A (zh) * | 2015-04-24 | 2015-09-09 | 公安部交通管理科学研究所 | 一种公安交通管理业务的预警方法及预警*** |
CN105279257A (zh) * | 2015-10-15 | 2016-01-27 | 珠海世纪鼎利科技股份有限公司 | 一种基于正态分布的互联网大数据挖掘方法和*** |
CN105871575A (zh) * | 2015-01-21 | 2016-08-17 | ***通信集团河南有限公司 | 一种核心网元的负荷预警方法及装置 |
CN106708974A (zh) * | 2016-12-06 | 2017-05-24 | 北京中亦安图科技股份有限公司 | 一种数据库容量分析方法及*** |
CN106934514A (zh) * | 2015-12-31 | 2017-07-07 | 华为技术有限公司 | 一种回归模型的生成方法以及装置 |
CN108764991A (zh) * | 2018-05-22 | 2018-11-06 | 江南大学 | 基于K-means算法的供应链信息分析方法 |
CN108829638A (zh) * | 2018-06-01 | 2018-11-16 | 阿里巴巴集团控股有限公司 | 一种业务数据波动处理方法及装置 |
CN114389960A (zh) * | 2022-01-04 | 2022-04-22 | 烽火通信科技股份有限公司 | 一种网络业务性能采集上报的方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101094493A (zh) * | 2006-06-19 | 2007-12-26 | 上海全成通信技术有限公司 | 移动通信数据业务的预测处理方法 |
CN101706911A (zh) * | 2009-11-23 | 2010-05-12 | 浪潮集团山东通用软件有限公司 | 一种商务智能***中面向业务的指标模型的实现方法 |
CN102143507A (zh) * | 2010-11-23 | 2011-08-03 | 北京中创信测科技股份有限公司 | 一种业务质量监测方法、***、以及分析方法和*** |
CN102238465A (zh) * | 2010-04-28 | 2011-11-09 | 北京神州泰岳软件股份有限公司 | 一种移动数据业务端到端质量分析方法及*** |
CN102609537A (zh) * | 2012-02-17 | 2012-07-25 | 广东电网公司电力科学研究院 | 一种基于数据库模式下的数据质量审计方法 |
CN102740247A (zh) * | 2011-04-15 | 2012-10-17 | ***通信集团山东有限公司 | 一种告警信息的生成方法及装置 |
-
2013
- 2013-04-15 CN CN201310129018.7A patent/CN104102968A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101094493A (zh) * | 2006-06-19 | 2007-12-26 | 上海全成通信技术有限公司 | 移动通信数据业务的预测处理方法 |
CN101706911A (zh) * | 2009-11-23 | 2010-05-12 | 浪潮集团山东通用软件有限公司 | 一种商务智能***中面向业务的指标模型的实现方法 |
CN102238465A (zh) * | 2010-04-28 | 2011-11-09 | 北京神州泰岳软件股份有限公司 | 一种移动数据业务端到端质量分析方法及*** |
CN102143507A (zh) * | 2010-11-23 | 2011-08-03 | 北京中创信测科技股份有限公司 | 一种业务质量监测方法、***、以及分析方法和*** |
CN102740247A (zh) * | 2011-04-15 | 2012-10-17 | ***通信集团山东有限公司 | 一种告警信息的生成方法及装置 |
CN102609537A (zh) * | 2012-02-17 | 2012-07-25 | 广东电网公司电力科学研究院 | 一种基于数据库模式下的数据质量审计方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105871575A (zh) * | 2015-01-21 | 2016-08-17 | ***通信集团河南有限公司 | 一种核心网元的负荷预警方法及装置 |
CN104899674A (zh) * | 2015-04-24 | 2015-09-09 | 公安部交通管理科学研究所 | 一种公安交通管理业务的预警方法及预警*** |
CN105279257A (zh) * | 2015-10-15 | 2016-01-27 | 珠海世纪鼎利科技股份有限公司 | 一种基于正态分布的互联网大数据挖掘方法和*** |
CN106934514A (zh) * | 2015-12-31 | 2017-07-07 | 华为技术有限公司 | 一种回归模型的生成方法以及装置 |
CN106708974A (zh) * | 2016-12-06 | 2017-05-24 | 北京中亦安图科技股份有限公司 | 一种数据库容量分析方法及*** |
CN108764991A (zh) * | 2018-05-22 | 2018-11-06 | 江南大学 | 基于K-means算法的供应链信息分析方法 |
CN108829638A (zh) * | 2018-06-01 | 2018-11-16 | 阿里巴巴集团控股有限公司 | 一种业务数据波动处理方法及装置 |
CN114389960A (zh) * | 2022-01-04 | 2022-04-22 | 烽火通信科技股份有限公司 | 一种网络业务性能采集上报的方法和*** |
CN114389960B (zh) * | 2022-01-04 | 2023-11-28 | 烽火通信科技股份有限公司 | 一种网络业务性能采集上报的方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104102968A (zh) | 一种移动关键业务的预警方法及装置 | |
Jaiswal et al. | Earthquake casualty models within the USGS Prompt Assessment of Global Earthquakes for Response (PAGER) system | |
CN108446293A (zh) | 一种基于城市多源异构数据构建城市画像的方法 | |
CN104601604B (zh) | 网络安全态势分析方法 | |
CN103310388B (zh) | 基于信源熵的电网运行综合指数计算方法 | |
Akbari et al. | A maritime search and rescue location analysis considering multiple criteria, with simulated demand | |
CN105550511A (zh) | 一种基于数据校验技术的数据质量测评***及方法 | |
Fernandes et al. | Decision support systems in water resources in the demarcated region of D ouro–case study in P inhão river basin, P ortugal | |
CN107832876B (zh) | 基于MapReduce框架的分区最大负荷预测方法 | |
Lan et al. | Traffic load modelling based on structural health monitoring data | |
CN102184490A (zh) | 城市水资源实时监控与管理***及方法 | |
CN107038512A (zh) | 一种指标体系建立方法 | |
Rousta et al. | Development of a multi criteria decision making tool for a water resources decision support system | |
CN104408569A (zh) | 一种基于预案的多目标辅助决策平台实施方法 | |
Zheng et al. | An eiot system designed for ecological and environmental management of the xianghe segment of china’s grand canal | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
CN104463705A (zh) | 用于省级电网的发输用电节能指标综合评价方法 | |
CN105740992A (zh) | 一种医院医疗风险评估***及方法 | |
Li et al. | Flash flood early warning research in China | |
CN104361470A (zh) | 一种基于预案的多目标辅助决策平台 | |
CN109409951A (zh) | 一种基于价格指数的房地产市场监测预警方法和*** | |
CN111581927A (zh) | 海洋经济运行监测与预警***及计算机设备 | |
CN104820961A (zh) | 一种基于网格化管理的公共危机网络预警评估方法 | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型***及方法 | |
Rokstad et al. | Improving data collection strategies and infrastructure asset management tool utilisation through cost benefit considerations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141015 |