CN110400005A - 业务指标的时间序列预测方法、装置及设备 - Google Patents

业务指标的时间序列预测方法、装置及设备 Download PDF

Info

Publication number
CN110400005A
CN110400005A CN201910579606.8A CN201910579606A CN110400005A CN 110400005 A CN110400005 A CN 110400005A CN 201910579606 A CN201910579606 A CN 201910579606A CN 110400005 A CN110400005 A CN 110400005A
Authority
CN
China
Prior art keywords
sequence
historical
trend
operational indicator
series
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
Application number
CN201910579606.8A
Other languages
English (en)
Other versions
CN110400005B (zh
Inventor
林雨欣
庞磊
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910579606.8A priority Critical patent/CN110400005B/zh
Publication of CN110400005A publication Critical patent/CN110400005A/zh
Application granted granted Critical
Publication of CN110400005B publication Critical patent/CN110400005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种业务指标的时间序列预测方法、装置及设备，在业务指标的时间序列预测方法中，获取业务指标的实时序列，其包括业务指标在当前评估周期内的多个过去时刻的指标值。获取多个历史序列，每个历史序列包括该业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值。基于多个历史序列，确定评估周期时长内的历史趋势序列。基于历史趋势序列以及实时序列，得到与当前评估周期对应的多个分解序列。该多个分解序列至少包括活动序列，其利用预设的活动形态拟合函数确定。该活动序列用于反映与业务指标相关的业务活动引起的序列波动。基于多个分解序列，确定与当前评估周期对应的总时间序列。

Description

业务指标的时间序列预测方法、装置及设备
技术领域
本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种业务指标的时间序列预测方法、装置及设备。
背景技术
时间序列是指将同一统计指标的指标值按其先后发生的时间顺序排列而成的数列。时间序列预测就是运用指标过去的历史数据，通过统计分析，进一步推测该指标未来的发展趋势。
传统技术中，通常是基于时间序列分解的方法，来对指标的时间序列进行预测。如，可以先基于指标的大量历史数据，确定出能反映该指标未来发展趋势的趋势序列以及周期序列。其中，趋势序列反映指标未来的总趋势，周期序列反映指标未来的周期趋势。之后，至少基于确定出的趋势序列以及周期序列，对该指标的时间序列进行预测。然而，该方法通常需要沉淀指标大量的历史数据。此外，该方法通常不能兼容指标瞬时升高或者降低的场景。
发明内容
本说明书一个或多个实施例描述了一种业务指标的时间序列预测方法、装置及设备，可以对指标的时间序列进行准确预测。
第一方面，提供了一种业务指标的时间序列预测方法，包括：
获取业务指标的实时序列，所述实时序列包括所述业务指标在当前评估周期内的多个过去时刻的指标值；
获取多个历史序列，每个历史序列包括所述业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值；
基于所述多个历史序列，确定评估周期时长内的历史趋势序列；
基于所述历史趋势序列以及所述实时序列，得到与当前评估周期对应的多个分解序列；所述多个分解序列至少包括活动序列，所述活动序列利用预设的活动形态拟合函数确定；所述活动序列用于反映与所述业务指标相关的业务活动引起的序列波动；
基于所述多个分解序列，确定与当前评估周期对应的总时间序列；所述总时间序列用于预测当前评估周期内的未来时刻的指标值。
第二方面，提供了一种业务指标的时间序列预测装置，包括：
获取单元，用于获取业务指标的实时序列，所述实时序列包括所述业务指标在当前评估周期内的多个过去时刻的指标值；
所述获取单元，还用于获取多个历史序列，每个历史序列包括所述业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值；
确定单元，用于基于所述获取单元获取的所述多个历史序列，确定评估周期时长内的历史趋势序列；
所述获取单元，还用于基于所述确定单元确定的所述历史趋势序列以及所述实时序列，得到与当前评估周期对应的多个分解序列；所述多个分解序列至少包括活动序列，所述活动序列利用预设的活动形态拟合函数确定；所述活动序列用于反映与所述业务指标相关的业务活动引起的序列波动；
所述确定单元，还用于基于所述获取单元获取的所述多个分解序列，确定与当前评估周期对应的总时间序列；所述总时间序列用于预测当前评估周期内的未来时刻的指标值。
第三方面，提供了一种业务指标的时间序列预测设备，包括：
存储器；
一个或多个处理器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现以下步骤：
获取业务指标的实时序列，所述实时序列包括所述业务指标在当前评估周期内的多个过去时刻的指标值；
获取多个历史序列，每个历史序列包括所述业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值；
基于所述多个历史序列，确定评估周期时长内的历史趋势序列；
基于所述历史趋势序列以及所述实时序列，得到与当前评估周期对应的多个分解序列；所述多个分解序列至少包括活动序列，所述活动序列利用预设的活动形态拟合函数确定；所述活动序列用于反映与所述业务指标相关的业务活动引起的序列波动；
基于所述多个分解序列，确定与当前评估周期对应的总时间序列；所述总时间序列用于预测当前评估周期内的未来时刻的指标值。
本说明书一个或多个实施例提供的业务指标的时间序列预测方法，获取业务指标的实时序列，该实时序列包括业务指标在当前评估周期内的多个过去时刻的指标值。获取多个历史序列，每个历史序列包括该业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值。基于多个历史序列，确定评估周期时长内的历史趋势序列。基于历史趋势序列以及实时序列，得到与当前评估周期对应的多个分解序列。该多个分解序列至少包括活动序列，该活动序列利用预设的活动形态拟合函数确定。该活动序列用于反映与业务指标相关的业务活动引起的序列波动。基于多个分解序列，确定与当前评估周期对应的总时间序列。该总时间序列用于预测当前评估周期内的未来时刻的指标值。也即本说明书提供的方案中，可以基于业务指标的相关指标的历史序列，来对业务指标的时间序列进行预测，从而可以解决传统技术中需要沉淀大量业务指标的历史数据的问题。此外，本方案还同时确定了活动序列，由此可以兼容由业务指标相关的业务活动引起的序列波动情况。
附图说明
为了更清楚地说明本说明书实施例的技术方案，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说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本说明书提供的业务指标的时间序列预测***示意图；
图2为本说明书一个实施例提供的业务指标的时间序列预测方法流程图；
图3为本说明书提供的预处理过程示意图；
图4为本说明书提供的历史趋势序列确定过程示意图；
图5a为本说明书提供的指标衰减函数曲线示意图；
图5b为本说明书提供的矩形衰减函数曲线示意图；
图6为本说明书提供的时间序列以及各分解序列示意图；
图7为本说明书提供的线性回归算法以及非线性回归算法的拟合结果示意图；
图8为本说明书一个实施例提供的业务指标的时间序列预测装置示意图；
图9为本说明书一个实施例提供的业务指标的时间序列预测设备示意图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
在描述本说明书提供的方案之前，先对本方案的发明构思进行说明。
如背景技术的内容所述，传统的时间序列预测方法存在如下两个问题：第一，需要沉淀指标的大量历史数据。第二，不能兼容指标瞬时升高或者降低的场景。
关于第一个问题，本方案尝试使用相关指标的历史数据(下文称历史序列)。这里的相关指标可以是指与当前指标所属业务相似的业务的指标。由于相似业务的指标发展趋势往往存在一定的一致性，因此，本方案可以结合相关指标的历史数据，来预测业务指标的时间序列。
关于第二个问题，可以增加活动序列(也称活动分量)，该活动序列用于反映与指标相关的业务活动引起的序列波动。具体地，本说明书可以通过预设活动形态拟合函数来对该活动序列进行拟合。以所述引起的序列波动为瞬时升高为例来说，在时间序列瞬时升高后，存在两种情况：第一，升高后立马回落。第二种，升高后持续一段时间再回落。对于第一种情况，可以通过指数衰减函数拟合。对于第二种情况，可以通过矩形衰减函数拟合。
以上就是本方案的发明构思，基于该发明构思就可以得到本说明书提供的方案，以下对本方案进行详细阐述。
图1为本说明书提供的业务指标的时间序列预测***示意图。如图1所示，该***可以包括：历史序列获取模块102、实时序列生成模块104、分解序列计算模块106以及序列预测模块108。其中，历史序列获取模块102，用于从预设的历史序列库中获取业务指标以及业务指标的相关指标的历史序列。实时序列生成模块104，用于生成业务指标的实时序列。该实时序列包括业务指标在当前评估周期内的多个过去时刻的指标值。分解序列计算模块106，用于多次迭代地确定与当前评估周期对应的周期序列(也称周期分量)、趋势序列(也称趋势分量)以及活动序列。序列预测模块108，用于基于最后一次迭代确定的周期序列、趋势序列以及活动序列，对业务指标的总时间序列进行预测。
此外，上述***还可以包括预处理模块110，用于对实时序列以及历史序列进行预处理。预处理的过程后续说明。
图2为本说明书一个实施例提供的业务指标的时间序列预测方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者***或者装置，如，可以为图1中的时间序列预测***等。如图2所示，所述方法具体可以包括：
步骤202，获取业务指标的实时序列。
如，可以是由实时序列生成模块104获取业务指标的实时序列。
上述实时序列可以包括业务指标在当前评估周期内的多个过去时刻的指标值。这里的业务指标可以是指随着时间的推移而不断发生变化的数据。其例如可以为交易量、交易额以及访问量等等。上述评估周期具有指定时长，该指定时长例可以为一天、一月或者一年等等。以评估周期的时长为一天为例来说，上述当前评估周期可以为当天，而在当前评估周期内的多个过去时刻可以是指当天从凌晨0点至现在时刻的每分钟。
步骤204，获取多个历史序列。
如，可以是由历史序列获取模块102获取多个历史序列。
其中，每个历史序列包括业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值。如前所述，这里的相关指标是指与上述业务指标所属业务相似的业务的指标。以当前评估周期为当天为例来说，上述一个历史评估周期可以为过去一天，而在一个历史评估周期内的多个历史时刻可以为过去一天从凌晨0点至24点的每分钟。
在一种实现方式中，可以是从预定义的历史序列库中获取多个历史序列。这里的预定义的历史序列库可以存储有业务指标的历史序列以及业务指标的多个相关指标各自对应的多个历史序列。
步骤206，基于多个历史序列，确定评估周期时长内的历史趋势序列。
在一个例子中，在执行上述确定步骤之前，可以先由预处理模块110对上述实时序列以及历史序列进行预处理。这里的预处理可以包括以下任一种或多种：缺失值补全、小波变换(wavelet transform)、归一化以及序列筛选等等。缺失值补全用于通过插值的方法补全实时序列或者历史序列中某时刻的缺失指标值。小波变换用于去除实时序列或者历史序列的尖刺。归一化用于将实时序列或者历史序列中的各指标值变换为指定范围(如，[0,1])内的数值。序列筛选用于通过切片或者计算pearson系数的方法，从历史序列中筛选相关序列。
以下结合图3对上述小波变换以及归一化处理进行说明。图3中，左侧的5条曲线为初始时得到的5个历史序列。在对该5个历史序列进行小波变换以及归一化之后，就可以得到右侧的5条曲线。从图3中可以看出，右侧各条曲线所包括的指标值的取值范围均在[0,1]之间。
回到图2中，步骤206中，基于多个历史序列，确定评估周期时长内的历史趋势序列的步骤具体可以为：分别计算实时序列与各个历史序列之间的距离。根据计算的距离，对多个历史序列采用聚类算法(如，dbscan算法)进行聚类，得到多个序列簇，并从多个序列簇中确定出实时序列所属序列簇。基于确定出的序列簇中的历史序列，确定评估周期时长内的历史趋势序列。
可以理解的是，当还对实时序列以及历史序列进行预处理时，上述步骤中所提到的实时序列为预处理后的实时序列，此外，所提到的历史序列也为预处理后的历史序列。
以下结合图4对上述确定历史趋势序列的过程进行说明。图4中，最上面的各条曲线为历史序列库中存储的多条历史序列。次上面的各条曲线为预处理后的多条历史序列。之后示出的是基于与实时序列之间的距离，对多个历史序列聚类之后得到的多个序列簇。最后示出的是与不同的序列簇相应的历史序列。其中，与不同的序列簇相应的历史序列由该序列簇中的业务指标和/或相关指标的历史序列构成。通过抽取实时序列所属序列簇相应历史序列的季节趋势，就可以得到评估周期时长内的历史趋势序列。
再回到图2中，图2所示的方法还可以包括如下步骤：
步骤208，基于历史趋势序列以及实时序列，得到与当前评估周期对应的多个分解序列。
这里的多个分解序列至少包括活动序列，该活动序列利用预设的活动形态拟合函数确定。该活动序列用于反映与业务指标相关的业务活动引起的序列波动。
在一个例子中，上述多个分解序列通过多次迭代确定。
以其中的第i次迭代为例来说，计算第i次迭代对应的周期序列、活动序列以及趋势序列的过程可以为：
步骤a，获取第i-1次迭代对应的趋势序列。
步骤b，基于第i-1次迭代对应的趋势序列，对实时序列执行去趋势操作，得到去趋势序列。
如，可以通过如下公式来获得去趋势序列。
DTt i＝Yt-Tt i-1 (公式1)
其中，DTt i为去趋势序列，Yt为实时序列，Tt i-1为第i-1次迭代对应的趋势序列。
步骤c，基于历史趋势序列和去趋势序列，采用非线性回归算法确定第i次迭代对应的周期序列。
这里的非线性回归算法可以包括但不限于K最近邻(K-Nearest Neighbor，KNN)算法以及xgboost算法等。
以KNN算法为例来说，上述确定周期序列的步骤可以表示为：St i＝KNN(DTt i,seasonal)，其中，St i为第i次迭代对应的周期序列，DTt i为去趋势序列，seasonal为历史趋势序列。
步骤d，基于第i次迭代对应的周期序列，对去趋势序列执行去周期操作，得到去周期序列。
如，可以通过如下公式来获得去周期序列。
DSt i＝DTt i-St i (公式2)
其中，DSt i为去周期序列，DTt i为去趋势序列，St i为第i次迭代对应的周期序列。
步骤e，基于去周期序列，利用预设的活动形态拟合函数确定当前迭代对应的活动序列。
在一种实现方式中，可以预设多种子序列，其中，每个子序列与一个活动形态拟合函数对应。之后结合实时序列从该多种子序列选取一个子序列，并基于选取的子序列以及相应的活动形态拟合函数，来拟合第i次迭代对应的活动序列。
在另一种实现方式中，该确定活动序列的过程可以为：基于异常检测算法，对去周期序列进行异常检测，并截取异常子序列。基于异常子序列，利用至少一个活动形态拟合函数对去周期序列进行拟合，得到至少一个拟合结果。基于各个拟合结果各自对应的拟合优度，对至少一个拟合结果进行筛选，并基于筛选后的拟合结果确定第i次迭代对应的活动序列。
在一个例子中，上述异常检测算法可以为ESD test(Extreme StudentizedDeviate Test)算法。
当异常检测算法为ESD test算法时，上述对去周期序列进行异常检测的步骤可以表示为：subDSt i＝ESD test(DSt i)，其中，subDSt i为截取的异常子序列，DSt i为去周期序列。
此外，上述至少一个活动形态拟合函数可以包括指数衰减函数以及矩形衰减函数中的至少一种。其中，指数衰减函数可以表示为：y＝a+be-cx，其中，a，b以及c均大于0。矩形衰减函数可以表示为：y＝a-becx，其中，a，b以及c均大于0。这里，指标衰减函数以及矩形衰减函数所对应的函数曲线可以分别如图5a和5b所示。
需要说明的是，上述确定活动序列的步骤可以表示为：At i＝actfit(subDSt i)，其中，At i为第i次迭代对应的活动序列，actfit为活动形态拟合函数，subDSt i为截取的异常子序列。
应理解，本说明书上述描述的活动形态拟合函数均针对时间序列存在瞬时升高的趋势而设定的。在实际应用中，也可以针对时间序列存在瞬时降低的趋势而设定相应的活动形态拟合函数，本说明书对此不作限定。
步骤f，基于第i次迭代对应的活动序列，对去周期序列执行去活动操作，得到去活动序列。
如，可以通过如下公式来获得去活动序列。
DAt i＝DSt i-At i (公式3)
其中，DAt i为去活动序列，DSt i为去周期序列，At i为第i次迭代对应的活动序列。
步骤g，采用趋势平滑算法，对去活动序列进行趋势平滑，以得到第i次迭代对应的趋势序列，具体表示为：Tt i。
当然，在实际应用中，上述去趋势操作、去周期操作以及去活动操作的执行顺序也可以调整，如，其执行顺序也可以调整为：去趋势操作、去活动操作以及去周期操作等等，本说明书对此不作限定。
需要说明的是，在执行完成步骤g之后，可以基于St i、At i以及Tt i，确定第i次迭代对应的总时间序列(St i+At i+Tt i)，之后判断该总时间序列对实时序列的拟合优度是否大于N，如果是，则结束。否则，执行第i+1次迭代。
由以上各步骤可以看出，在当前迭代的过程中，会引用上次迭代得到的趋势序列，从而使得该次迭代过程中所计算的各分解序列会更准确，也即通过迭代地执行上述各步骤，可以使各分解序列越来越精确。
另外，上述步骤206和步骤208可以是由分解序列计算模块106执行。
步骤210，基于多个分解序列，确定与当前评估周期对应的总时间序列。
该总时间序列用于预测当前评估周期内的未来时刻的指标值。
如，可以是由序列预测模块108基于最后一次迭代对应的周期序列、活动序列以及趋势序列，确定当前评估周期对应的总时间序列。
还以当前评估周期为当天为例来说，上述在当前评估周期内的未来时刻可以是指当天从现在时刻至24点的每分钟。
上述确定总时间序列的步骤具体可以表示为如下公式。
predict＝St k+At k+Tt k (公式4)
其中，predict为总时间序列，St k、At k以及Tt k分别为最后一次迭代对应的周期序列、活动序列以及趋势序列。
可以理解的是，该步骤中确定的总时间序列会同时包括业务指标在当前评估周期内过去时刻的指标值以及未来时刻的指标值。在一个例子中，该总时间序列以及各分解序列可以如图6所示。图6中，从上至下分别示出了总时间序列以及构成该总时间序列的周期序列、活动序列以及趋势序列。
需要说明的是，在确定总时间序列时，通过增加活动序列，可以使得本方案可以兼容时间序列瞬时升高或者降低的情况，由此，可以大大提升本实施例提供的时间序列预测方法的鲁棒性。
最后，还需要说明的是，本方案还可以设置检测规则，以便对所确定的总时间序列进行检测。这里的检测规则例如可以为：发卡预测超库存检测以及指标值波动性检测等等。
综上，本说明书实施例提供的时间序列预测方法，可以基于业务指标的相关指标的历史序列，来对业务指标的时间序列进行预测，从而可以解决传统技术中需要沉淀大量业务指标的历史数据的问题。此外，本方案还同时确定了活动序列，由此可以适应时间序列瞬时升高或者降低的情况。
以上是对时间序列预测方法的整体说明，以下对在确定周期序列时，采用非线性回归算的原因进行补充说明。
事实上，除了非线性回归算法，发明人还尝试了RANSAC等线性回归算法。其中，基于线性回归算法与非线性回归算法的拟合结果可以如图7所示。图7中，曲线1为真实序列，曲线2为非线性回归算法的拟合结果，曲线3为线性回归算法的拟合结果。从图7中可以看出，基于非线性回归算法对真实序列的拟合效果较好。因此，本方案选择非线性回归算法。
申请人考虑两种算法拟合效果差距较大的原因在于：不同业务白天和凌晨的趋势势必是不同的，所以基于凌晨的数据，采用线性回归的方式很难预测准整天的数据。
与上述业务指标的时间序列预测方法对应地，本说明书一个实施例还提供的一种业务指标的时间序列预测装置，如图8所示，该装置可以包括：
获取单元802，用于获取业务指标的实时序列，该实时序列包括业务指标在当前评估周期内的多个过去时刻的指标值。
获取单元802，还用于获取多个历史序列，每个历史序列包括业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值。
确定单元804，用于基于获取单元802获取的多个历史序列，确定评估周期时长内的历史趋势序列。
确定单元804具体可以用于：
分别计算实时序列与各个历史序列之间的距离。
根据计算得到的距离，对多个历史序列采用聚类算法进行聚类，得到多个序列簇，并从多个序列簇中确定出实时序列所属序列簇。
基于确定出的序列簇中的历史序列，确定评估周期时长内的历史趋势序列。
确定单元804还具体可以用于：
对实时序列以及各个历史序列进行预处理。
分别计算预处理后的实时序列与预处理后的各个历史序列之间的距离。
该预处理可以包括以下一种或多种：缺失值补全、小波变换、归一化以及序列筛选。
获取单元802，还用于基于确定单元804确定的历史趋势序列以及实时序列，得到与当前评估周期对应的多个分解序列。该多个分解序列至少包括活动序列，该活动序列利用预设的活动形态拟合函数确定，该活动序列用于反映与业务指标相关的业务活动引起的序列波动。
确定单元804，还用于基于获取单元802获取的多个分解序列，确定与当前评估周期对应的总时间序列，该总时间序列用于预测当前评估周期内的未来时刻的指标值。
可选地，该多个分解序列还可以包括：趋势序列和周期序列。
获取单元802具体可以用于：
多次迭代地执行以下步骤：
获取前次迭代对应的趋势序列。
基于前次迭代对应的趋势序列，对实时序列执行去趋势操作，得到去趋势序列。
基于历史趋势序列和去趋势序列，采用非线性回归算法确定当前迭代对应的周期序列。
这里，非线性回归算法包括以下任一种：K最近邻KNN算法以及xgboost算法。
基于当前迭代对应的周期序列，对去趋势序列执行去周期操作，得到去周期序列。
基于去周期序列，利用预设的活动形态拟合函数确定当前迭代对应的活动序列。
基于当前迭代对应的活动序列，对去周期序列执行去活动操作，得到去活动序列。
采用趋势平滑算法，对去活动序列进行趋势平滑，以得到当前迭代对应的趋势序列。
获取单元802还具体可以用于：
基于异常检测算法，对去周期序列进行异常检测，并截取异常子序列。
基于异常子序列，利用至少一个活动形态拟合函数对去周期序列进行拟合，得到至少一个拟合结果。
基于各个拟合结果各自对应的拟合优度，对至少一个拟合结果进行筛选，并基于筛选后的拟合结果确定当前迭代对应的活动序列。
其中，至少一个活动形态拟合函数可以包括指数衰减函数以及矩形衰减函数中的至少一种。
本说明书上述实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本说明书一个实施例提供的装置的具体工作过程，在此不复赘述。
本说明书一个实施例提供的业务指标的时间序列预测装置，获取单元802获取业务指标的实时序列，该实时序列包括业务指标在当前评估周期内的多个过去时刻的指标值。获取单元802获取多个历史序列，每个历史序列包括业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值。确定单元804基于多个历史序列，确定评估周期时长内的历史趋势序列。获取单元802基于历史趋势序列以及实时序列，得到与当前评估周期对应的多个分解序列。该多个分解序列至少包括活动序列，该活动序列利用预设的活动形态拟合函数确定，该活动序列用于反映与业务指标相关的业务活动引起的序列波动。确定单元804基于多个分解序列，确定与当前评估周期对应的总时间序列，改总时间序列用于预测当前评估周期内的未来时刻的指标值。由此，可以对指标的时间序列进行准确预测。
与上述业务指标的时间序列预测方法对应地，本说明书实施例还提供了一种业务指标的时间序列预测设备，如图9所示，该设备可以包括：存储器902、一个或多个处理器904以及一个或多个程序。其中，该一个或多个程序存储在存储器902中，并且被配置成由一个或多个处理器904执行，该程序被处理器904执行时实现以下步骤：
获取业务指标的实时序列，该实时序列包括业务指标在当前评估周期内的多个过去时刻的指标值。
获取多个历史序列，每个历史序列包括业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值。
基于多个历史序列，确定评估周期时长内的历史趋势序列。
基于历史趋势序列以及实时序列，得到与当前评估周期对应的多个分解序列。该多个分解序列至少包括活动序列，活动序列利用预设的活动形态拟合函数确定，其用于反映与业务指标相关的业务活动引起的序列波动。
基于多个分解序列，确定与当前评估周期对应的总时间序列。该总时间序列用于预测当前评估周期内的未来时刻的指标值。
本说明书一个实施例提供的业务指标的时间序列预测设备，可以对指标的时间序列进行准确预测。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于服务器中。当然，处理器和存储介质也可以作为分立组件存在于服务器中。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。

Claims (17)

1.一种业务指标的时间序列预测方法，包括：
获取业务指标的实时序列，所述实时序列包括所述业务指标在当前评估周期内的多个过去时刻的指标值；
获取多个历史序列，每个历史序列包括所述业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值；
基于所述多个历史序列，确定评估周期时长内的历史趋势序列；
基于所述历史趋势序列以及所述实时序列，得到与当前评估周期对应的多个分解序列；所述多个分解序列至少包括活动序列，所述活动序列利用预设的活动形态拟合函数确定；所述活动序列用于反映与所述业务指标相关的业务活动引起的序列波动；
基于所述多个分解序列，确定与当前评估周期对应的总时间序列；所述总时间序列用于预测当前评估周期内的未来时刻的指标值。
2.根据权利要求1所述的方法，所述多个分解序列还包括：趋势序列和周期序列；
所述基于所述历史趋势序列以及所述实时序列，得到与当前评估周期对应的多个分解序列，包括：
多次迭代地执行以下步骤：
获取前次迭代对应的趋势序列；
基于所述前次迭代对应的趋势序列，对所述实时序列执行去趋势操作，得到去趋势序列；
基于所述历史趋势序列和所述去趋势序列，采用非线性回归算法确定当前迭代对应的周期序列；
基于所述当前迭代对应的周期序列，对所述去趋势序列执行去周期操作，得到去周期序列；
基于所述去周期序列，利用预设的活动形态拟合函数确定当前迭代对应的活动序列；
基于所述当前迭代对应的活动序列，对所述去周期序列执行去活动操作，得到去活动序列；
采用趋势平滑算法，对所述去活动序列进行趋势平滑，以得到当前迭代对应的趋势序列。
3.根据权利要求2所述的方法，所述基于所述去周期序列，利用预设的活动形态拟合函数确定当前迭代对应的活动序列，包括：
基于异常检测算法，对所述去周期序列进行异常检测，并截取异常子序列；
基于所述异常子序列，利用至少一个活动形态拟合函数对所述去周期序列进行拟合，得到至少一个拟合结果；
基于各个拟合结果各自对应的拟合优度，对至少一个拟合结果进行筛选，并基于筛选后的拟合结果确定当前迭代对应的活动序列。
4.根据权利要求3所述的方法，所述至少一个活动形态拟合函数包括指数衰减函数以及矩形衰减函数中的至少一种。
5.根据权利要求2所述的方法，所述非线性回归算法包括以下任一种：K最近邻KNN算法以及xgboost算法。
6.根据权利要求1所述的方法，所述基于所述多个历史序列，确定评估周期时长内的历史趋势序列，包括：
分别计算所述实时序列与各个历史序列之间的距离；
根据所述距离，对所述多个历史序列采用聚类算法进行聚类，得到多个序列簇，并从所述多个序列簇中确定出所述实时序列所属序列簇；
基于确定出的序列簇中的历史序列，确定评估周期时长内的历史趋势序列。
7.根据权利要求6所述的方法，所述分别计算所述实时序列与各个历史序列之间的距离，包括：
对所述实时序列以及各个历史序列进行预处理；
分别计算预处理后的所述实时序列与预处理后的各个历史序列之间的距离；
所述预处理可以包括以下一种或多种：缺失值补全、小波变换、归一化以及序列筛选。
8.根据权利要求6所述的方法，所述聚类算法为dbscan算法。
9.一种业务指标的时间序列预测装置，包括：
获取单元，用于获取业务指标的实时序列，所述实时序列包括所述业务指标在当前评估周期内的多个过去时刻的指标值；
所述获取单元，还用于获取多个历史序列，每个历史序列包括所述业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值；
确定单元，用于基于所述获取单元获取的所述多个历史序列，确定评估周期时长内的历史趋势序列；
所述获取单元，还用于基于所述确定单元确定的所述历史趋势序列以及所述实时序列，得到与当前评估周期对应的多个分解序列；所述多个分解序列至少包括活动序列，所述活动序列利用预设的活动形态拟合函数确定；所述活动序列用于反映与所述业务指标相关的业务活动引起的序列波动；
所述确定单元，还用于基于所述获取单元获取的所述多个分解序列，确定与当前评估周期对应的总时间序列；所述总时间序列用于预测当前评估周期内的未来时刻的指标值。
10.根据权利要求9所述的装置，所述多个分解序列还包括：趋势序列和周期序列；
所述获取单元具体用于：
多次迭代地执行以下步骤：
获取前次迭代对应的趋势序列；
基于所述前次迭代对应的趋势序列，对所述实时序列执行去趋势操作，得到去趋势序列；
基于所述历史趋势序列和所述去趋势序列，采用非线性回归算法确定当前迭代对应的周期序列；
基于所述当前迭代对应的周期序列，对所述去趋势序列执行去周期操作，得到去周期序列；
基于所述去周期序列，利用预设的活动形态拟合函数确定当前迭代对应的活动序列；
基于所述当前迭代对应的活动序列，对所述去周期序列执行去活动操作，得到去活动序列；
采用趋势平滑算法，对所述去活动序列进行趋势平滑，以得到当前迭代对应的趋势序列。
11.根据权利要求10所述的装置，所述获取单元还具体用于：
基于异常检测算法，对所述去周期序列进行异常检测，并截取异常子序列；
基于所述异常子序列，利用至少一个活动形态拟合函数对所述去周期序列进行拟合，得到至少一个拟合结果；
基于各个拟合结果各自对应的拟合优度，对至少一个拟合结果进行筛选，并基于筛选后的拟合结果确定当前迭代对应的活动序列。
12.根据权利要求11所述的装置，所述至少一个活动形态拟合函数包括指数衰减函数以及矩形衰减函数中的至少一种。
13.根据权利要求10所述的装置，所述非线性回归算法包括以下任一种：K最近邻KNN算法以及xgboost算法。
14.根据权利要求9所述的装置，所述确定单元具体用于：
分别计算所述实时序列与各个历史序列之间的距离；
根据所述距离，对所述多个历史序列采用聚类算法进行聚类，得到多个序列簇，并从所述多个序列簇中确定出所述实时序列所属序列簇；
基于确定出的序列簇中的历史序列，确定评估周期时长内的历史趋势序列。
15.根据权利要求14所述的装置，所述确定单元还具体用于：
对所述实时序列以及各个历史序列进行预处理；
分别计算预处理后的所述实时序列与预处理后的各个历史序列之间的距离；
所述预处理可以包括以下一种或多种：缺失值补全、小波变换、归一化以及序列筛选。
16.根据权利要求14所述的装置，所述聚类算法为dbscan算法。
17.一种业务指标的时间序列预测设备，包括：
存储器；
一个或多个处理器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现以下步骤：
获取业务指标的实时序列，所述实时序列包括所述业务指标在当前评估周期内的多个过去时刻的指标值；
获取多个历史序列，每个历史序列包括所述业务指标或者相关指标在一个历史评估周期内的多个历史时刻的指标值；
基于所述多个历史序列，确定评估周期时长内的历史趋势序列；
基于所述历史趋势序列以及所述实时序列，得到与当前评估周期对应的多个分解序列；所述多个分解序列至少包括活动序列，所述活动序列利用预设的活动形态拟合函数确定；所述活动序列用于反映与所述业务指标相关的业务活动引起的序列波动；
基于所述多个分解序列，确定与当前评估周期对应的总时间序列；所述总时间序列用于预测当前评估周期内的未来时刻的指标值。
CN201910579606.8A 2019-06-28 2019-06-28 业务指标的时间序列预测方法、装置及设备 Active CN110400005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910579606.8A CN110400005B (zh) 2019-06-28 2019-06-28 业务指标的时间序列预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910579606.8A CN110400005B (zh) 2019-06-28 2019-06-28 业务指标的时间序列预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN110400005A true CN110400005A (zh) 2019-11-01
CN110400005B CN110400005B (zh) 2023-06-23

Family

ID=68322591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910579606.8A Active CN110400005B (zh) 2019-06-28 2019-06-28 业务指标的时间序列预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110400005B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889597A (zh) * 2019-11-08 2020-03-17 北京宝兰德软件股份有限公司 业务时序指标异常检测方法及装置
CN111339156A (zh) * 2020-02-07 2020-06-26 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
CN112559598A (zh) * 2020-12-16 2021-03-26 南京航空航天大学 一种基于图神经网络的遥测时序数据异常检测方法及***
CN112633840A (zh) * 2020-12-26 2021-04-09 中国农业银行股份有限公司 一种数据处理方法及装置
CN112835771A (zh) * 2019-11-22 2021-05-25 ***通信有限公司研究院 一种业务量预测方法、装置、设备及存储介质
CN112989266A (zh) * 2019-12-02 2021-06-18 阿里巴巴集团控股有限公司 时间序列中的周期性检测和周期长度估计
CN113128693A (zh) * 2019-12-31 2021-07-16 ***通信集团北京有限公司 一种信息处理方法、装置、设备及存储介质
CN113850418A (zh) * 2021-09-02 2021-12-28 支付宝(杭州)信息技术有限公司 时间序列中异常数据的检测方法和装置
CN113988165A (zh) * 2021-10-22 2022-01-28 北京京东振世信息技术有限公司 数据采集方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256759A1 (en) * 2004-01-12 2005-11-17 Manugistics, Inc. Sales history decomposition
US20090018798A1 (en) * 2007-07-09 2009-01-15 International Business Machines Corporation Method, Data Processing Program and Computer Program Product for Time Series Analysis
CN103514324A (zh) * 2013-09-17 2014-01-15 中华人民共和国北仑出入境检验检疫局 一种利用小波时间序列确定交货批铁矿石品位波动的方法
CN109491289A (zh) * 2018-11-15 2019-03-19 国家计算机网络与信息安全管理中心 一种用于数据中心动力环境监控的动态预警方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256759A1 (en) * 2004-01-12 2005-11-17 Manugistics, Inc. Sales history decomposition
US20090018798A1 (en) * 2007-07-09 2009-01-15 International Business Machines Corporation Method, Data Processing Program and Computer Program Product for Time Series Analysis
CN103514324A (zh) * 2013-09-17 2014-01-15 中华人民共和国北仑出入境检验检疫局 一种利用小波时间序列确定交货批铁矿石品位波动的方法
CN109491289A (zh) * 2018-11-15 2019-03-19 国家计算机网络与信息安全管理中心 一种用于数据中心动力环境监控的动态预警方法及装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889597A (zh) * 2019-11-08 2020-03-17 北京宝兰德软件股份有限公司 业务时序指标异常检测方法及装置
CN112835771A (zh) * 2019-11-22 2021-05-25 ***通信有限公司研究院 一种业务量预测方法、装置、设备及存储介质
CN112989266A (zh) * 2019-12-02 2021-06-18 阿里巴巴集团控股有限公司 时间序列中的周期性检测和周期长度估计
CN113128693A (zh) * 2019-12-31 2021-07-16 ***通信集团北京有限公司 一种信息处理方法、装置、设备及存储介质
CN111339156A (zh) * 2020-02-07 2020-06-26 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
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
CN112559598A (zh) * 2020-12-16 2021-03-26 南京航空航天大学 一种基于图神经网络的遥测时序数据异常检测方法及***
CN112559598B (zh) * 2020-12-16 2021-12-21 南京航空航天大学 一种基于图神经网络的遥测时序数据异常检测方法及***
CN112633840A (zh) * 2020-12-26 2021-04-09 中国农业银行股份有限公司 一种数据处理方法及装置
CN112633840B (zh) * 2020-12-26 2023-10-13 中国农业银行股份有限公司 一种数据处理方法及装置
CN113850418A (zh) * 2021-09-02 2021-12-28 支付宝(杭州)信息技术有限公司 时间序列中异常数据的检测方法和装置
CN113988165A (zh) * 2021-10-22 2022-01-28 北京京东振世信息技术有限公司 数据采集方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN110400005B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN110400005A (zh) 业务指标的时间序列预测方法、装置及设备
US7783510B1 (en) Computer storage capacity forecasting system using cluster-based seasonality analysis
US8515850B2 (en) System and method for forecasting realized volatility via wavelets and non-linear dynamics
US10095757B2 (en) Multi-representation storage of time series data
Beck et al. Theory and evidence in international conflict: a response to de Marchi, Gelpi, and Grynaviski
US20200286154A1 (en) Utilizing item-level importance sampling models for digital content selection policies
US9235208B2 (en) System of sequential kernel regression modeling for forecasting financial data
EP1337913A4 (en) SYSTEM AND METHOD FOR BUILDING A TIME SERIES MODEL
Hoffmann et al. Call availability prediction in a telecommunication system: A data driven empirical approach
US11763151B2 (en) System and method for increasing efficiency of gradient descent while training machine-learning models
CN111125529A (zh) 产品匹配方法、装置、计算机设备及存储介质
US20190064789A1 (en) System analyzing device, system analyzing method, and computer-readable recording medium
CN106598822A (zh) 一种用于容量评估的异常数据检测方法及装置
CA2713889A1 (en) System and method for estimating combined workloads of systems with uncorrelated and non-deterministic workload patterns
US20240202588A1 (en) Systems and methods for cohort-based predictions in clustered time-series data in order to detect significant rate-of-change events
WO2020056286A1 (en) System and method for predicting average inventory with new items
WO2023059396A1 (en) Providing interpretability for multivariate time-series data anomaly detection
Shams et al. Modeling clustered non-stationary Poisson processes for stochastic simulation inputs
CN111091022A (zh) 机器视觉的效能评估方法与***
CN114238013A (zh) 一种告警聚合方法、装置、设备及存储介质
US11625570B2 (en) Computer-readable recording medium, determination method, and determination apparatus for classifying time series data
Truong et al. Time series prediction using motif information
WO2021011103A1 (en) Smoothed seasonality-based dynamic thresholds for anomalous computing resource usage detection
Wang et al. Hybrid dynamic learning mechanism for multivariate time series segmentation
CN109885551A (zh) 电子装置、元数据处理方法和计算机可读存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant