CN106503841A - 指标阈值的确定方法和装置 - Google Patents
指标阈值的确定方法和装置 Download PDFInfo
- Publication number
- CN106503841A CN106503841A CN201610903408.9A CN201610903408A CN106503841A CN 106503841 A CN106503841 A CN 106503841A CN 201610903408 A CN201610903408 A CN 201610903408A CN 106503841 A CN106503841 A CN 106503841A
- Authority
- CN
- China
- Prior art keywords
- noise
- metrics
- thresholds
- model
- historical data
- 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
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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提出一种指标阈值的确定方法和装置,该指标阈值的确定方法包括:根据已建立的预测模型,确定待确定阈值的指标在待监测时间点的预测值;获取所述预测模型的噪声值;根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值。该方法能够根据时间点确定相应的指标阈值,从而指标阈值可以动态改变,提高准确度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种指标阈值的确定方法和装置。
背景技术
在监控场景下,需要对指标进行监控,并且通过监控得到的真实值与阈值进行比较,及时发现问题。
相关技术中,阈值主要是人为静态设置的,但是这种方式确定的阈值在准确度等方面存在一定问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的一个目的在于提出一种指标阈值的确定方法,该方法可以根据时间点确定相应的指标阈值,从而指标阈值可以动态改变,提高准确度。
本申请的另一个目的在于提出一种指标阈值的确定装置。
为达到上述目的,本申请第一方面实施例提出的指标阈值的确定方法,包括:根据已建立的预测模型,确定待确定阈值的指标在待监测时间点的预测值;获取所述预测模型的噪声值;根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值。
本申请第一方面实施例提出的指标阈值的确定方法,通过根据预测模型确定待监测时间点的预测值,以及根据预测值和噪声值确定待监测时间点的指标阈值,可以在不同的时间点确定不同的指标阈值,实现指标阈值根据实际情况动态变化,从而提高指标阈值的准确度。
为达到上述目的,本申请第二方面实施例提出的指标阈值的确定装置,包括:预测模块,用于根据已建立的预测模型,确定待确定阈值的指标在待监测时间点的预测值;噪声获取模块,用于获取所述预测模型的噪声值;确定模块,用于根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值。
本申请第二方面实施例提出的指标阈值的确定装置,通过根据预测模型确定待监测时间点的预测值,以及根据预测值和噪声值确定待监测时间点的指标阈值,可以在不同的时间点确定不同的指标阈值,实现指标阈值根据实际情况动态变化,从而提高指标阈值的准确度。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请一个实施例提出的指标阈值的确定方法的流程示意图;
图2是本申请另一个实施例提出指标阈值的确定方法的流程示意图;
图3是本申请实施例中建立回归模型和季节模型的流程示意图;
图4是本申请一个实施例提出的指标阈值的确定装置的结构示意图;
图5是本申请另一个实施例提出的指标阈值的确定装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本申请一个实施例提出的指标阈值的确定方法的流程示意图。
如图1所示,本实施例包括:
S11:根据已建立的预测模型,确定待确定阈值的指标在待监测时间点的预测值。
本实施例可以具体应用在运维场景,相应的,指标包括运维场景的指标,具体包括但不限于:CPU使用率、内存使用率、活跃线程数等。
待确定阈值的指标可以是默认的或由用户指定的,比如,可以默认每个指标都是一个待确定阈值的指标,或者,用户需要确定CPU使用率的阈值,则用户可以将待确定阈值的指标设置为CPU使用率。
类似的,待监测时间点也可以是默认的或由用户指定的。
预测模型用于表明时间点与指标的预测值之间的关系,因此,在确定一个待监测时间点后,可以根据预测模型得到指标在该时间点的预测值。
建立预测模型的具体内容可以参见后续实施例。
S12:获取所述预测模型的噪声值。
噪声值可以表明预测模型的偏差情况。
由于预测模型得到的指标的预测值通常与指标的真实值存在一定差异,因此,可以根据预测值和真实值之间的差值计算得到噪声值。
具体的,在根据预测值和真实值之间的差值计算噪声值时,是获取一组预测值和对应的一组真实值,再分别相减后得到一组差值,再将这一组差值的平方的均值作为噪声值。例如,假设一组预测值和真实值分别为N个,则根据N个预测值和N个真实值可以计算出N个差值(差值如预测值-真实值),再计算这N个差值的平方和(假设用SUM表示),再用SUM除以N(SUM/N)作为噪声值。
S13:根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值。
可以预先设置计算原则,比如,计算原则为3sigma原则,则指标阈值可以分为上限阈值和下限阈值,之后根据预测值和噪声值,采用3sigma原则可以计算出上限阈值和下限阈值。
本实施例中,通过根据预测模型确定待监测时间点的预测值,以及根据预测值和噪声值确定待监测时间点的指标阈值,可以在不同的时间点确定不同的指标阈值,实现指标阈值根据实际情况动态变化,从而提高指标阈值的准确度。
图2是本申请另一个实施例提出指标阈值的确定方法的流程示意图。
如图2所示,本实施例包括:
S21:获取待确定阈值的指标的历史数据。
例如,待确定阈值的指标是CPU使用率,则可以获取已发生的一定时间内的CPU使用率的监控数据作为历史数据。
上述的一定时间可以设置,比如获取最近一个月内的监控数据。
S22:根据所述历史数据建立预测模型。
预测模型用于预测指标在未来某个时间点的指标值,预测模型可以根据已有的历史数据进行训练生成。
本实施例中,预测模型可以分为回归模型(regression model)和季节模型(seasonal model)。
其中,回归模型的自变量和因变量分别是时间和指标的预测值,以在预测时,根据回归模型可以得到指定的时间点的预测值。
季节模型也是根据时间预测指标的预测值的一种模型,与回归模型不同的是,季节模型在预测时与时间周期有关,因此,需要先计算出时间周期。
具体的,历史数据中可以包括指标的时间信息和真实值,因此,参见图3,在获取到包括时间信息和指标的真实值的历史数据(S31)后,可以对上述的历史数据进行训练建立回归模型(S32)。
对于季节模型,如图3所示,可以先对历史数据进行分析,确定历史数据的时间周期(S33),再根据历史数据和时间周期建立季节模型(S34)。
数据的时间周期是指数据以多长时间为一个周期进行变化,比如,按照7天为一个周期变化的数据的时间周期是7天(也就是一周)。
具体的,可以对数据进行快速傅立叶变换,得到数据的时间周期。因此,在需要得到某一指标的历史数据的时间周期时,可以对该指标的历史数据进行快速傅立叶变换,得到历史数据的时间周期。
可以理解的是,回归模型和季节模型都是已有的统计模型,具体内容可以参见已有的具体说明。
可以理解的是,随着预测的不断进行,预测得到的数据也可以作为新的历史数据,之后可以采用新的历史数据对预测模型进行更新。可以基于短期数据(如每天数据)或基于长期数据(如大于每天的数据)进行更新。
S23:在需要确定指标阈值时,根据预测模型,确定待确定阈值的指标在待监测时间点的预测值。
在预测模型包括回归模型和季节模型时,可以根据这两个模型分别在待监测时间的预测值计算得到整体的一个预测值。
例如,假设待监测时间点是t,则可以分别根据回归模型得到t时刻对应的预测值(假设用p1表示),以及根据季节模型得到t时刻对应的预测值(假设用p2表示),则可以根据p1和p2得到一个整体的预测值p,将p作为上述的要确定出的预测值。
具体的,根据p1和p2计算p,可以采用对p1和p2进行加权平均的方式,比如,先确定p1和p2分别对应的权重值,如权重值分别用w1和w2表示,则p=w1*p1+w2*p2,其中,w1+w2=1。
上述的权重值w1和w2可以根据两个模型的噪声值确定,比如,两个模型的噪声值分别用s1和s2表示,则w1=s1/(s1+s2),w2=s2/(s1+s2)。
可以理解的是,在确定预测值时不限于上述的加权平均的方式,还可以采用其他方式,比如采用概率融合的方式,即根据两个模型分别得到预测值的概率分布,再根据两个概率分布对预测值进行归一化。
每个模型的噪声值可以根据该模型对应的真实值和预测值得到,比如历史数据中包括时间信息和真实值,而根据模型可以得到历史数据中的每个时间信息对应的预测值,从而根据每个时间信息可以得到一组对应的预测值和真实值,之后,可以将对应的预测值与真实值的差值的平方和的均值作为模型的噪声值。
可以理解的是,本实施例以在需要确定指标阈值之前建立了预测模型为例,也可以是需要确定指标阈值时建立预测模型,再根据预测模型执行后续步骤。
S24:获取预测模型的噪声值。
当预测模型包括多个时,如包括回归模型和季节模型时,可以将多个模型的噪声值的均值作为预测模型的噪声值。每个模型的噪声值的计算方式可以如上所示。
S25:将所述预测值作为均值,将所述噪声值作为方差,采用3sigma原则,确定所述待确定阈值的指标的上限阈值和下限阈值。
3sigma原则是指数值分布在均值(mean)的正负3sigma范围内的概率是0.9974。
具体在本实施例中,指标阈值将分为上限阈值和下限阈值,其中,上限阈值为均值+3sigma,下限阈值为均值-3sigma,其中,均值为上述的预测值p,假设预测模型的噪声值用s表示,则sigma为噪声值s开方后的值。
本实施例中,可以实现指标阈值的动态变化,准确度更高。通过采用季节模型可以考虑时间周期,进一步提高准确度和稳定性等。
图4是本申请一个实施例提出的指标阈值的确定装置的结构示意图。
如图4所示,本实施例的装置40包括:预测模块41、噪声获取模块42和确定模块43。
预测模块41,用于根据已建立的预测模型,确定待确定阈值的指标在待监测时间点的预测值;
噪声获取模块42,用于获取所述预测模型的噪声值;
确定模块43,用于根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值。
一些实施例中,参见图5,该装置40还包括:
数据获取模块44,用于获取所述待确定阈值的指标的历史数据;
模型建立模块45,用于根据所述历史数据建立所述预测模型。
一些实施例中,所述预测模型包括:回归模型和季节模型,所述模型建立模块45具体用于:
根据所述历史数据建立回归模型;
对所述历史数据进行分析,确定所述历史数据的时间周期,以及,根据所述时间周期和所述历史数据建立季节模型。
一些实施例中,所述噪声获取模块42具体用于:
从所述历史数据中获取多个时间点的真实值;
根据所述预测模型计算所述真实值对应的预测值;
根据多个时间点的真实值和预测值,计算所述预测模型的噪声值。
一些实施例中,所述指标阈值包括:上限阈值和下限阈值,所述确定模块43具体用于:
将所述预测值作为均值,将所述噪声值作为方差,采用3sigma原则,确定所述待确定阈值的指标的上限阈值和下限阈值。
可以理解的是,本实施例的装置与上述方法实施例对应,具体内容可以参见方法实施例的相关描述,在此不再详细说明。
本实施例中,通过根据预测模型确定待监测时间点的预测值,以及根据预测值和噪声值确定待监测时间点的指标阈值,可以在不同的时间点确定不同的指标阈值,实现指标阈值根据实际情况动态变化,从而提高指标阈值的准确度。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种指标阈值的确定方法,其特征在于,包括:
根据已建立的预测模型,确定待确定阈值的指标在待监测时间点的预测值;
获取所述预测模型的噪声值;
根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取所述待确定阈值的指标的历史数据;
根据所述历史数据建立所述预测模型。
3.根据权利要求2所述的方法,其特征在于,所述预测模型包括:回归模型和季节模型,所述根据所述历史数据建立所述预测模型,包括:
根据所述历史数据建立回归模型;
对所述历史数据进行分析,确定所述历史数据的时间周期,以及,根据所述时间周期和所述历史数据建立季节模型。
4.根据权利要求2所述的方法,其特征在于,所述获取所述预测模型的噪声值,包括:
从所述历史数据中获取多个时间点的真实值;
根据所述预测模型计算所述真实值对应的预测值;
根据多个时间点的真实值和预测值,计算所述预测模型的噪声值。
5.根据权利要求1所述的方法,其特征在于,所述指标阈值包括:上限阈值和下限阈值,所述根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值,包括:
将所述预测值作为均值,将所述噪声值作为方差,采用3sigma原则,确定所述待确定阈值的指标的上限阈值和下限阈值。
6.一种指标阈值的确定装置,其特征在于,包括:
预测模块,用于根据已建立的预测模型,确定待确定阈值的指标在待监测时间点的预测值;
噪声获取模块,用于获取所述预测模型的噪声值;
确定模块,用于根据所述预测值和所述噪声值,确定所述待监测时间点的指标阈值。
7.根据权利要求6所述的装置,其特征在于,还包括:
数据获取模块,用于获取所述待确定阈值的指标的历史数据;
模型建立模块,用于根据所述历史数据建立所述预测模型。
8.根据权利要求7所述的装置,其特征在于,所述预测模型包括:回归模型和季节模型,所述模型建立模块具体用于:
根据所述历史数据建立回归模型;
对所述历史数据进行分析,确定所述历史数据的时间周期,以及,根据所述时间周期和所述历史数据建立季节模型。
9.根据权利要求7所述的装置,其特征在于,所述噪声获取模块具体用于:
从所述历史数据中获取多个时间点的真实值;
根据所述预测模型计算所述真实值对应的预测值;
根据多个时间点的真实值和预测值,计算所述预测模型的噪声值。
10.根据权利要求6所述的装置,其特征在于,所述指标阈值包括:上限阈值和下限阈值,所述确定模块具体用于:
将所述预测值作为均值,将所述噪声值作为方差,采用3sigma原则,确定所述待确定阈值的指标的上限阈值和下限阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610903408.9A CN106503841B (zh) | 2016-10-17 | 2016-10-17 | 指标阈值的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610903408.9A CN106503841B (zh) | 2016-10-17 | 2016-10-17 | 指标阈值的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503841A true CN106503841A (zh) | 2017-03-15 |
CN106503841B CN106503841B (zh) | 2019-12-13 |
Family
ID=58294186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610903408.9A Active CN106503841B (zh) | 2016-10-17 | 2016-10-17 | 指标阈值的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503841B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213654A (zh) * | 2018-07-05 | 2019-01-15 | 北京奇艺世纪科技有限公司 | 一种异常检测方法及装置 |
CN109492826A (zh) * | 2018-12-06 | 2019-03-19 | 远光软件股份有限公司 | 一种基于机器学习的信息***运行状态风险预测方法 |
WO2019052084A1 (zh) * | 2017-09-18 | 2019-03-21 | 北京金风科创风电设备有限公司 | 估计与风力发电机组有关的模型的不确定性的方法和设备 |
CN115329856A (zh) * | 2022-08-04 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 应用于一体式间隔设备综合测试模块的故障预警方法和*** |
CN116738241A (zh) * | 2023-08-15 | 2023-09-12 | 烽台科技(北京)有限公司 | 基于时间粒度的阈值生成方法、装置、终端及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778622A (zh) * | 2015-04-29 | 2015-07-15 | 清华大学 | Tps交易事件阈值的预测方法及预测*** |
CN104899405A (zh) * | 2014-03-04 | 2015-09-09 | 携程计算机技术(上海)有限公司 | 数据预测方法和***以及报警方法和*** |
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
CN105493024A (zh) * | 2014-11-28 | 2016-04-13 | 华为技术有限公司 | 一种数据阈值预测方法与相关装置 |
-
2016
- 2016-10-17 CN CN201610903408.9A patent/CN106503841B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899405A (zh) * | 2014-03-04 | 2015-09-09 | 携程计算机技术(上海)有限公司 | 数据预测方法和***以及报警方法和*** |
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
CN105493024A (zh) * | 2014-11-28 | 2016-04-13 | 华为技术有限公司 | 一种数据阈值预测方法与相关装置 |
CN104778622A (zh) * | 2015-04-29 | 2015-07-15 | 清华大学 | Tps交易事件阈值的预测方法及预测*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019052084A1 (zh) * | 2017-09-18 | 2019-03-21 | 北京金风科创风电设备有限公司 | 估计与风力发电机组有关的模型的不确定性的方法和设备 |
CN109213654A (zh) * | 2018-07-05 | 2019-01-15 | 北京奇艺世纪科技有限公司 | 一种异常检测方法及装置 |
CN109492826A (zh) * | 2018-12-06 | 2019-03-19 | 远光软件股份有限公司 | 一种基于机器学习的信息***运行状态风险预测方法 |
CN115329856A (zh) * | 2022-08-04 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 应用于一体式间隔设备综合测试模块的故障预警方法和*** |
CN116738241A (zh) * | 2023-08-15 | 2023-09-12 | 烽台科技(北京)有限公司 | 基于时间粒度的阈值生成方法、装置、终端及介质 |
CN116738241B (zh) * | 2023-08-15 | 2023-12-01 | 烽台科技(北京)有限公司 | 基于时间粒度的阈值生成方法、装置、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106503841B (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503841A (zh) | 指标阈值的确定方法和装置 | |
US11190425B2 (en) | Anomaly detection in a network based on a key performance indicator prediction model | |
US20210019189A1 (en) | Methods and systems to determine and optimize reservoir simulator performance in a cloud computing environment | |
CN111198808B (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
CN109697512B (zh) | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 | |
CN103577268A (zh) | 基于应用负载的自适应资源供应方法 | |
CN112640380A (zh) | 用于对事件的输入流进行异常检测的设备和方法 | |
CN109886477B (zh) | 水污染的预测方法、装置及电子设备 | |
CN110059894A (zh) | 设备状态评估方法、装置、***及存储介质 | |
CN103646670B (zh) | 一种评估存储***性能的方法和设备 | |
Sladescu et al. | Event aware workload prediction: A study using auction events | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
JP2022510667A (ja) | エネルギー消費量を予測するための方法および装置 | |
Fiondella et al. | Software reliability model with bathtub-shaped fault detection rate | |
US8793106B2 (en) | Continuous prediction of expected chip performance throughout the production lifecycle | |
CN109189329A (zh) | 存储节点权重的调整方法和装置 | |
Lyn Dee et al. | A comparison of artificial neural network learning algorithms for vibration-based damage detection | |
Gabrani et al. | Effort estimation models using evolutionary learning algorithms for software development | |
CN102142192B (zh) | 基于组合多步预测的行人交通拥堵预警方法及*** | |
Bérenguer | On the mathematical condition-based maintenance modelling for continuously deteriorating systems | |
KR20220145785A (ko) | 홍수예측방법 및 홍수예측장치 | |
US11100321B2 (en) | Information processing method and information processing system | |
Xu et al. | Reducing synchronization overhead with computation replication in parallel agent-based road traffic simulation | |
CN103455858B (zh) | 面向服务的***中的质量动态预警方法 | |
CN113139242A (zh) | 动车组压力变换阀性能的在线评估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |