CN110297712A - 一种面向区块链节点负载预测的arima组合预测方法 - Google Patents

一种面向区块链节点负载预测的arima组合预测方法 Download PDF

Info

Publication number
CN110297712A
CN110297712A CN201910420703.2A CN201910420703A CN110297712A CN 110297712 A CN110297712 A CN 110297712A CN 201910420703 A CN201910420703 A CN 201910420703A CN 110297712 A CN110297712 A CN 110297712A
Authority
CN
China
Prior art keywords
arima
block chain
chain node
model
combination forecasting
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
Application number
CN201910420703.2A
Other languages
English (en)
Inventor
李晖
冯刚
施若
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Lianke Weixin Technology Co Ltd
Original Assignee
Guizhou Lianke Weixin Technology Co Ltd
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 Guizhou Lianke Weixin Technology Co Ltd filed Critical Guizhou Lianke Weixin Technology Co Ltd
Priority to CN201910420703.2A priority Critical patent/CN110297712A/zh
Publication of CN110297712A publication Critical patent/CN110297712A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向区块链节点负载预测的ARIMA组合预测方法。按下述步骤进行：a.根据区块链节点的资源使用情况计算区块链节点的剩余负载率，将剩余负载率作为原始时间序列；b.对原始时间序列进行平稳化处理；c.根据时间序列模型的识别规则对ARIMA定阶，构建ARIMA模型，并使用构建完成的ARIMA模型进行预测，得到最初预测值，且计算出最初预测值的残差，构建最初预测值的残差序列；d.使用BP神经网络对残差进行预测分析得到残差分析值，以修正所述残差序列，最后将ARIMA模型的最初预测值和残差分析值相加得到ARIMA‑BP组合预测模型的组合预测值。本发明具有提高剩余负载率预测精度的特点。

Description

一种面向区块链节点负载预测的ARIMA组合预测方法
技术领域
本发明涉及区块链的资源分配技术领域，特别是一种面向区块链节点负载预测的ARIMA组合预测方法。
背景技术
基于区块链的医疗数据共享***主要存储医疗数据供用户分享查阅。在该***中，医疗数据存储在区块链中，且***中的所有节点都具有一条完整的区块链，而区块链本质上是一个去中心化的分布式数据库。因此，医疗数据共享实际是对分布式数据库进行查询操作。随着用户查询请求任务数量的增加，服务器的压力逐渐增大。如果服务器不能合理分配任务，将会出现一部分服务器资源大量空闲，另一部分服务器资源严重不足的情况，有可能导致服务性能降低甚至停止服务，资源利用率下降，严重影响服务质量。服务器的剩余负载率可以很好的体现服务器的当前性能。因此预先获得各节点的负载变化，对服务器的剩余负载率进行预测，能够为服务器更合理地分配资源起到重要作用。但目前对剩余负载率的预测存在一个困难，因目前绝大多数的服务器的剩余负载率受到并发请求数、服务等级协议等多方面随机因素的影响，导致数据有非常大的随机波动，进而导致数据中既包含有线性数据，又掺杂有非线性数据。这就对剩余负载率预测的准确度有较大影响。
发明内容
本发明的目的在于，提供一种面向区块链节点负载预测的ARIMA组合预测方法。本发明具有提高剩余负载率预测精度的特点。
本发明的技术方案：一种面向区块链节点负载预测的ARIMA组合预测方法，按下述步骤进行：
a.根据区块链节点的资源使用情况计算区块链节点的剩余负载率，将剩余负载率作为原始时间序列；
b.对原始时间序列进行平稳化处理；
c.根据时间序列模型的识别规则对ARIMA定阶，构建ARIMA模型，并使用构建完成的ARIMA模型进行预测，得到最初预测值，且计算出最初预测值的残差，构建最初预测值的残差序列；
d.使用BP神经网络对残差进行预测分析得到残差分析值，以修正所述残差序列，最后将ARIMA模型的最初预测值和残差分析值相加得到ARIMA-BP组合预测模型的组合预测值。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤d中，得到ARIMA-BP组合预测模型的组合预测值后，使用LOF算法计算ARIMA模型的最初预测值的异常系数，
当异常系数处于预设LOF阈值内时，使用最初预测值作为模型的最终预测值；
当异常系数处于预设LOF阈值外时，使用组合预测值作为模型的最终预测值。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤a中，区块链节点的资源使用情况为，区块链节点的CPU和内存的资源使用情况。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤a中，剩余负载率按下述方法计算：
设区块链节点集合为P＝{P1,P2,…,Pn}；
当有多个查询请求同时到达时，***预测当前第i台节点的资源剩余状态Li，并传给负载均衡器；则有：
Li＝αLc+βLm
其中，Lc为CPU剩余，Lm为内存剩余，α为CPU权重，β为内存权重，且α+β＝1，1≤i≤n；
区块链节点集合内的区块链节点的剩余负载总和为：
则第i台节点的剩余负载率Ei为：
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤a中，区块链节点的资源使用情况采集时，根据过去一段时间内***中查询任务的平均完成时间确定采集频率。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述所述的平均完成时间为AT秒时，所述的采集频率为每间隔AT/3秒采集一次区块链节点的资源使用情况。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤b中，所述的对原始时间序列进行平稳化处理，具体是采用差分的方法对原始时间序列进行平稳化处理。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤c中，所述的时间序列模型的识别规则，具体是BIC准则。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤c中，所述的ARIMA模型在构建时，采用最小二乘法或极大似然法进行参数估计，同时验证构建中的ARIMA模型，诊断构建中的ARIMA模型的残差序列；当构建中的ARIMA模型的残差序列不是白噪声序列时，重新对ARIMA定阶，直至构建中的ARIMA模型的残差序列为白噪声序列时，完成ARIMA模型的构建。
前述的面向区块链节点负载预测的ARIMA组合预测方法所述步骤c中，构建完成的ARIMA模型具体为ARIMA(1,1,1)。
有益效果
与现有技术相比，本发明将ARIMA模型与BP神经网络结合构成ARIMA-BP组合预测模型，通过ARIMA-BP组合预测模型对剩余负载率进行预测，克服了使用单一ARIMA模型预测时，对非线性数据的处理效果不佳，预测精度不高，及使用单一BP神经网络预测时，对线性数据挖掘不够的难题，充分发挥了ARIMA模型在线性数据预测方面的优势，及BP神经网络在非线性数据预测方面的优势，最终提高了ARIMA-BP组合预测模型对区块链节点的剩余负载率的预测精度。
本发明使用LOF算法计算ARIMA模型的最初预测值的异常系数，剔除ARIMA模型中的异常点的最初预测值，使用ARIMA-BP组合预测模型对该异常点的组合预测值替代该最初预测值作为最终预测值；通过该方法，进一步提高了ARIMA-BP组合预测模型的预测精度，从而也提高了剩余负载率预测精度，为服务器更合理地分配资源起到了重要作用。
为了证明本发明的有益效果，申请人进行了如下实验：
1.设备与方法
1.1设备
本实验采用基于区块链的医疗数据共享***作为实验对象，该共享***由1个负载均衡节点和2个服务节点组成。负载均衡节点配置为8GB内存/4核8线程2.6GHzCPU；Ubuntu-16.04。两个服务节点的配置，一个与负载均衡节点相同，一个为4GB内存/4核4线程2.6GHzCPU；Ubuntu-16.04。
1.2方法
通过本实验比较单一ARIMA模型、ARIMA-BP组合预测模型及使用LOF算法对ARIMA-BP组合预测模型进一步修正所得模型(以下简称LOF-ARIMA-BP模型)的剩余负载率的预测能力。
首先，节点通过监测器收集本节点的CPU和内存的使用情况；然后，根据公式计算剩余负载率并作为预测的历史数据；最后，利用上述三个预测模型预测节点后续的剩余负载率。
2.实验评估指标
实验的评估指标为平均绝对百分比误差(MAPE)。评估指标由下面的公式计算：
式中yi代表实际值，代表预测值，n代表在数据集的数据中预测的数目；MAPE值越低，就意味着预测模型的拟合程度越高，具有越好的精确度。
3.实验过程及参数
3.1实验步骤
(1)数据选取。因***中查询任务的平均完成时间为3s，固监测器1s收集一次节点的CPU和内存的资源使用情况并计算剩余负载率，然后将计算的服务器剩余负载率作为原始时间序列。选取5分钟，共300个时间间隔的数据，利用这300个时间间隔的数据预测在未来10s内即10个时间间隔的服务器的剩余负载率。服务器剩余负载率的时间序列如图2所示。
(2)对原始时间序列进行平稳化处理。本实验采用差分方法进行平稳化处理。差分后的原始时间序列如图3所示。
(3)构建ARIMA(p,d,q)模型。采用BIC准则进行模型的定阶，可有效防止模型精度过高造成的模型复杂度过高。最终选用的模型为ARIMA(1,1,1)。
(4)BP神经网络修正残差。计算求得ARIMA(1,1,1)模型的预测值的残差序列，然后通过BP神经网络对残差进行预测分析，修正该残差序列，最后将ARIMA(1,1,1)预测模型得到的最初预测值和残差分析值相加得到ARIMA-BP组合预测模型的组合预测值。
(5)LOF检测异常值。使用LOF算法计算ARIMA(1,1,1)的预测值的异常系数，正常点采用ARIMA(1,1,1)预测模型的最初预测值作为最终预测值，异常点采用ARIMA-BP组合预测模型的组合预测值作为最终预测值。
上述的正常点和异常点具体指，本发明中，将固定因素影响的样本点作为原始样本集，为正常点，受随机因素影响的样本点作为异常点。那么平稳期的样本点实际为正常点，峰值期的样本点则为异常点。在具体使用中，通过LOF算法计算ARIMA(1,1,1)的预测值的异常系数，通过异常系数判定样本点属于正常点还是异常点。
LOF算法是一种基于局部密度的k最近邻方法。对于一个测试数据，它的LOF异常因子为其距离最近的k个邻居所在区域的密度与其自身所在区域密度的比例。当测试数据的局部密度与其邻居的密度相似时，LOF异常因子会比较低，该测试数据属于正常数据；当测试数据的局部密度低于最近邻居，则LOF异常因子会比较高，该测试数据属于异常数据。
LOF-ARIMA-BP模型通过LOF算法检测ARIMA模型的最初预测值，计算预测点的LOF异常系数，然后与预设LOF阈值进行对比。如果异常系数处于阈值外，则该预测值为异常点，最终预测值为ARIMA-BP组合模型的组合预测值；如果异常系数处于阈值内，则该预测值为正常点，最终预测值直接为ARIMA模型的最初预测值。
3.2实验结果分析
图4为三个模型的预测值与真实值的对比图。
分别计算三个模型的MAPE，结果如表1所示：
表1三种预测模型的误差对比结果
从图4和表1的实验结果可以看出，本实验中，ARIMA-BP组合预测模型的预测剩余负载率的预测精度较单一ARIMA模型有较大提高，LOF-ARIMA-BP模型的预测精度较ARIMA-BP组合预测模型的预测精度又有所提高。各模型的平均绝对百分比误差(MAPE)分别从7.92％和6.52％减小到6.01％。
针对LOF-ARIMA-BP模型的预测精度高于ARIMA-BP组合预测模型的预测精度的原因，申请人分析得出：其原因主要是对于平稳期(正常点)的剩余负载率来说，ARIMA模型的预测准确率已经达到了比较高的水平，如果再加上BP神经网络的非线性部分预测分量会使预测值整体偏大，从而降低了整体的预测精度。因此，为了确保整体的预测精度，在使用LOF算法剔除异常点后，正常点的最终预测值仍然使用ARIMA模型的最初预测值，而异常点的最终预测值则使用ARIMA-BP组合预测模型的组合预测值，以此进一步提高本发明预测模型的预测精度。
综上，通过本发明的ARIMA-BP组合预测模型或LOF-ARIMA-BP模型克服了“单一的预测模型通常难以获得完全的信息量，误差较大”的缺陷，实现了组合预测模型的优势互补，达到提高预测准确率的目的。当客户端突增大量查询请求时，负载均衡器可以根据预测精度需求使用ARIMA-BP组合预测模型或LOF-ARIMA-BP模型预测各服务器的剩余负载率，根据预测的剩余负载率选择合适的服务器分发任务，达到负载均衡的目的，从而提高***资源的利用率。
附图说明
图1是BP神经网络算法流程图；
图2是服务器剩余负载率的时间序列；
图3是一阶差分后的剩余负载率的时间序列；
图4是各模型预测值与真实值的对比。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1。一种面向区块链节点负载预测的ARIMA组合预测方法，按下述步骤进行：
a.根据区块链节点的资源使用情况计算区块链节点的剩余负载率，将剩余负载率作为原始时间序列；
b.对原始时间序列进行平稳化处理；
c.根据时间序列模型的识别规则对ARIMA定阶，构建ARIMA模型，并使用构建完成的ARIMA模型进行预测，得到最初预测值，且计算出最初预测值的残差，构建最初预测值的残差序列；
d.使用BP神经网络对残差进行预测分析得到残差分析值，以修正所述残差序列，最后将ARIMA模型的最初预测值和残差分析值相加得到ARIMA-BP组合预测模型的组合预测值。
具体地，前述的步骤d中，得到ARIMA-BP组合预测模型的组合预测值后，使用LOF算法计算ARIMA模型的最初预测值的异常系数，
当异常系数处于预设LOF阈值内时，使用最初预测值作为模型的最终预测值；
当异常系数处于预设LOF阈值外时，使用组合预测值作为模型的最终预测值。
预设LOF阈值的确认步骤：
①假设训练阶段所用的训练数据中，异常样本数据的比例为T1；
②假设训练阶段得到的模型在对测试集进行预测时，最终归类为异常的数据所占比例为T2；
③LOF阈值＝(T1+T2)/2。
具体地，前述的步骤a中，区块链节点的资源使用情况为，区块链节点的CPU和内存的资源使用情况。具体地，前述的步骤a中，剩余负载率按下述方法计算：
设区块链节点集合为P＝{P1,P2,…,Pn}；
当多个查询请求同时到达时，***预测当前第i台节点的资源剩余状态Li，并传给负载均衡器；则有：
Li＝αLc+βLm (1)
其中，Lc为CPU剩余，Lm为内存剩余，α为CPU权重，β为内存权重，且α+β＝1，1≤i≤n；
区块链节点集合内的区块链节点的剩余负载总和为：
则第i台节点的剩余负载率Ei为：
具体地，前述的步骤a中，区块链节点的资源使用情况采集时，过去一段时间内(默认设置为24小时)***(各区块链节点)中查询任务的平均完成时间确定采集频率。
具体地，前述的平均完成时间为AT秒时，所述的采集频率为每间隔AT/3秒采集一次区块链节点的资源使用情况。
具体地，前述的步骤b中，所述的对原始时间序列进行平稳化处理，具体是采用差分的方法对原始时间序列进行平稳化处理。
具体地，前述的步骤c中，所述的时间序列模型的识别规则，具体是BIC准则。
具体地，前述的步骤c中，所述的ARIMA模型在构建时，采用最小二乘法或极大似然法进行参数估计，同时验证构建中的ARIMA模型，诊断构建中的ARIMA模型的残差序列；当构建中的ARIMA模型的残差序列不是白噪声序列时，重新对ARIMA定阶，直至构建中的ARIMA模型的残差序列为白噪声序列时，完成ARIMA模型的构建。
具体地，前述的步骤c中，构建完成的ARIMA模型具体为ARIMA(1,1,1)。
上述的ARIMA模型，是时间序列模型之一，时间序列模型是预测领域中的一个重要分支，它是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内，依照给定的采样率对某种潜在过程进行观测的结果。ARIMA模型的基本思想是用一定的回归模型近似的描述随时间推移形成的数据序列，检验模型的拟合能力，并通过模型来预测未来值。ARIMA模型的形式是ARIMA(p,d,q)，其表达式如下：
其中，xt表示在t时刻时间序列的取值；xt-1，xt-2，...，xt-p表示前p期的历史数据；εt-1，εt-2，...，εt-q表示前q期的预测误差；为误差项，是当前的随机干扰；εt为零均值的白噪声随机误差序列；参数p为自回归参数，q为移动平均参数，是模型待估计的参数。
ARIMA的建模过程分为四个步骤：
(1)对原序列进行平稳化处理。ARIMA模型只能应用于平稳的时间序列数据中，如果利用非平稳的时间序列来建立预测模型，很容易出现虚假回归的问题，即原始输入序列与拟合序列之间不存在任何关系，却得到它们之间存在显著的相关性。
(2)根据时间序列模型的识别规则，建立相应模型。模型的识别也称为模型的定阶，即确定p,q的值。
(3)参数估计与模型检验。通常采用最小二乘法或极大似然法进行参数估计，同时验证模型，诊断残差序列是否为白噪声。若残差序列不是白噪声序列，意味着残差序列还存在有用信息没有被提取，则返回第(2)步重新识别模型。
(4)利用已通过检验的模型进行预测。
上述的BP神经网络，即反向传播神经网络算法，是一种用于前向多层神经网络的反向传播学习算法。BP神经网络采用多层结构，由输入层、一个或多个隐藏层和输出层组成。相邻层之间的神经元实现完全连通，同一层中的神经元没有连接。其过程分为两个阶段，即采样数据信号的前向传播和误差反向传播。
第一阶段(前向传播)，即当有信息输入BP神经网络时，输入信息由输入层经过一层或多层隐藏层计算处理后传至输出层。其间各层的激活函数要求是可微的，一般都采用Sigmoid函数，其中的输入与输出的关系正好可以反映单个神经元的响应特性，可以有效减少隐藏层的节点数、加快收敛速度和提高收敛精度。第二阶段(反向传播)，即如果输出信号与预期不同，即存在误差，则把误差信号沿原连接路径返回，并对各层神经元的连接权值进行适当修改，使得网络对输入信息进行计算后所得到的输出能够达到期望的误差要求。BP神经网络算法流程图如图1所示。

Claims (10)

1.一种面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，按下述步骤进行：
a.根据区块链节点的资源使用情况计算区块链节点的剩余负载率，将剩余负载率作为原始时间序列；
b.对原始时间序列进行平稳化处理；
c.根据时间序列模型的识别规则对ARIMA定阶，构建ARIMA模型，并使用构建完成的ARIMA模型进行预测，得到最初预测值，且计算出最初预测值的残差，构建最初预测值的残差序列；
d.使用BP神经网络对残差进行预测分析得到残差分析值，以修正所述残差序列，最后将ARIMA模型的最初预测值和残差分析值相加得到ARIMA-BP组合预测模型的组合预测值。
2.根据权利要求1所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤d中，得到ARIMA-BP组合预测模型的组合预测值后，使用LOF算法计算ARIMA模型的最初预测值的异常系数，
当异常系数处于预设LOF阈值内时，使用最初预测值作为模型的最终预测值；
当异常系数处于预设LOF阈值外时，使用组合预测值作为模型的最终预测值。
3.根据权利要求1所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤a中，区块链节点的资源使用情况为，区块链节点的CPU和内存的资源使用情况。
4.根据权利要求3所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤a中，剩余负载率按下述方法计算：
设区块链节点集合为P＝{P1,P2,…,Pn}；
当有多个查询请求同时到达时，***预测当前第i台节点的资源剩余状态Li，并传给负载均衡器；则有：
Li＝αLc+βLm
其中，Lc为CPU剩余，Lm为内存剩余，α为CPU权重，β为内存权重，且α+β＝1，1≤i≤n；
区块链节点集合内的区块链节点的剩余负载总和为：
则第i台节点的剩余负载率Ei为：
5.根据权利要求4所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤a中，区块链节点的资源使用情况采集时，根据过去一段时间内***中查询任务的平均完成时间确定采集频率。
6.根据权利要求5所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，所述的平均完成时间为AT秒时，所述的采集频率为每间隔AT/3秒采集一次区块链节点的资源使用情况。
7.根据权利要求1所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤b中，所述的对原始时间序列进行平稳化处理，具体是采用差分的方法对原始时间序列进行平稳化处理。
8.根据权利要求1所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤c中，所述的时间序列模型的识别规则，具体是BIC准则。
9.根据权利要求1所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤c中，所述的ARIMA模型在构建时，采用最小二乘法或极大似然法进行参数估计，同时验证构建中的ARIMA模型，诊断构建中的ARIMA模型的残差序列；当构建中的ARIMA模型的残差序列不是白噪声序列时，重新对ARIMA定阶，直至构建中的ARIMA模型的残差序列为白噪声序列时，完成ARIMA模型的构建。
10.根据权利要求1所述的面向区块链节点负载预测的ARIMA组合预测方法，其特征在于，步骤c中，构建完成的ARIMA模型具体为ARIMA(1,1,1)。
CN201910420703.2A 2019-05-20 2019-05-20 一种面向区块链节点负载预测的arima组合预测方法 Pending CN110297712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910420703.2A CN110297712A (zh) 2019-05-20 2019-05-20 一种面向区块链节点负载预测的arima组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910420703.2A CN110297712A (zh) 2019-05-20 2019-05-20 一种面向区块链节点负载预测的arima组合预测方法

Publications (1)

Publication Number Publication Date
CN110297712A true CN110297712A (zh) 2019-10-01

Family

ID=68026996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910420703.2A Pending CN110297712A (zh) 2019-05-20 2019-05-20 一种面向区块链节点负载预测的arima组合预测方法

Country Status (1)

Country Link
CN (1) CN110297712A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209111A (zh) * 2019-12-31 2020-05-29 卓尔智联(武汉)研究院有限公司 基于区块链***的资源分配方法、装置、设备和存储介质
CN111414999A (zh) * 2020-04-27 2020-07-14 新智数字科技有限公司 一种设备运行状态的监测方法及装置
CN111600967A (zh) * 2020-07-24 2020-08-28 江苏荣泽信息科技股份有限公司 一种基于访问压力的区块链节点间负载均衡***
CN113890716A (zh) * 2021-10-26 2022-01-04 中国联合网络通信集团有限公司 一种识别pRRU的方法、装置及存储介质
CN114221877A (zh) * 2021-12-14 2022-03-22 中国联合网络通信集团有限公司 负载预测方法、装置、设备和计算机可读介质
CN115131943A (zh) * 2022-07-07 2022-09-30 杭州申昊科技股份有限公司 一种基于深度学习的声光联动预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105703954A (zh) * 2016-03-17 2016-06-22 福州大学 一种基于arima模型的网络数据流预测方法
CN105760952A (zh) * 2016-02-15 2016-07-13 国网山东省电力公司电力科学研究院 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法
CN108053054A (zh) * 2017-11-22 2018-05-18 中国农业大学 一种河流水质预测方法
US20180225605A1 (en) * 2017-02-06 2018-08-09 American Express Travel Related Services Company, Inc. Risk assessment and alert system
US20190139159A1 (en) * 2017-05-18 2019-05-09 Drift Marketplace, Inc. Energy opportunity optimization system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760952A (zh) * 2016-02-15 2016-07-13 国网山东省电力公司电力科学研究院 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法
CN105703954A (zh) * 2016-03-17 2016-06-22 福州大学 一种基于arima模型的网络数据流预测方法
US20180225605A1 (en) * 2017-02-06 2018-08-09 American Express Travel Related Services Company, Inc. Risk assessment and alert system
US20190139159A1 (en) * 2017-05-18 2019-05-09 Drift Marketplace, Inc. Energy opportunity optimization system
CN108053054A (zh) * 2017-11-22 2018-05-18 中国农业大学 一种河流水质预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙凯俐等: "面向区块链节点负载预测的ARIMA组合预测方法", 《电子技术与软件工程》 *
高兴旺等: "基于混合预测模型的负载均衡算法研究", 《计算机工程与设计》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209111A (zh) * 2019-12-31 2020-05-29 卓尔智联(武汉)研究院有限公司 基于区块链***的资源分配方法、装置、设备和存储介质
CN111414999A (zh) * 2020-04-27 2020-07-14 新智数字科技有限公司 一种设备运行状态的监测方法及装置
CN111414999B (zh) * 2020-04-27 2023-08-22 新奥新智科技有限公司 一种设备运行状态的监测方法及装置
CN111600967A (zh) * 2020-07-24 2020-08-28 江苏荣泽信息科技股份有限公司 一种基于访问压力的区块链节点间负载均衡***
CN111600967B (zh) * 2020-07-24 2020-11-06 江苏荣泽信息科技股份有限公司 一种基于访问压力的区块链节点间负载均衡***
CN113890716A (zh) * 2021-10-26 2022-01-04 中国联合网络通信集团有限公司 一种识别pRRU的方法、装置及存储介质
CN114221877A (zh) * 2021-12-14 2022-03-22 中国联合网络通信集团有限公司 负载预测方法、装置、设备和计算机可读介质
CN115131943A (zh) * 2022-07-07 2022-09-30 杭州申昊科技股份有限公司 一种基于深度学习的声光联动预警方法
CN115131943B (zh) * 2022-07-07 2023-10-31 杭州申昊科技股份有限公司 一种基于深度学习的声光联动预警方法

Similar Documents

Publication Publication Date Title
CN110297712A (zh) 一种面向区块链节点负载预测的arima组合预测方法
CN110149237B (zh) 一种Hadoop平台计算节点负载预测方法
Hu et al. Web service recommendation based on time series forecasting and collaborative filtering
CN114721833B (zh) 一种基于平台业务类型的智能云端协调方法和装置
US8706670B2 (en) Relative variable selection system and selection method thereof
CN105989441A (zh) 模型参数调整方法和装置
CN101771758A (zh) 一种性能指标值正常波动范围的动态确定方法及其装置
CN110837915B (zh) 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法
CN114896899B (zh) 一种基于信息交互的多智能体分散式决策方法及***
CN113254719B (zh) 一种基于地位理论的在线社交网络信息传播方法
CN115345212A (zh) 一种基于机器学习模型的控制方法和装置
CN116562514B (zh) 基于神经网络的企业生产状况即时分析方法及***
CN110968512A (zh) 软件质量评估方法、装置、设备及计算机可读存储介质
CN111598457A (zh) 一种电力无线网络质量的确定方法及装置
CN112488404B (zh) 一种配电网大规模电力负荷多线程高效预测方法及***
Akbarian Ranking All DEA‐Efficient DMUs Based on Cross Efficiency and Analytic Hierarchy Process Methods
CN116245379A (zh) 面向电网建设工程效果评价的指标权重优化方法及装置
CN114462506B (zh) 一种支持偏好策略的通信网络辅助规划方法及其应用
CN116089801A (zh) 一种基于多重置信度的医疗数据缺失值修复的方法
CN114971272A (zh) 一种中压配电网网格化规划评价方法及***
CN115250182A (zh) 一种防止区块链单链数据被篡改的方法及***
CN113469536A (zh) 一种供电服务客户投诉风险等级识别方法
Chen Construction and Application of Forecast Model for Eco-Tourism Market Demand Based on BP Neural Network
Chang et al. Fuzzy back-propagation network for PCB sales forecasting
CN110766426A (zh) 一种电价制定方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191001