CN110400010A - 预测方法、装置、电子设备以及计算机可读存储介质 - Google Patents
预测方法、装置、电子设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110400010A CN110400010A CN201910627110.3A CN201910627110A CN110400010A CN 110400010 A CN110400010 A CN 110400010A CN 201910627110 A CN201910627110 A CN 201910627110A CN 110400010 A CN110400010 A CN 110400010A
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- obtains
- model
- residual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 claims description 149
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 20
- 238000013461 design Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 12
- 238000005311 autocorrelation function Methods 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000000714 time series forecasting Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 241001269238 Data Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical class CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- 235000003283 Pachira macrocarpa Nutrition 0.000 description 1
- 240000001085 Trapa natans Species 0.000 description 1
- 235000014364 Trapa natans Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009165 saligot Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种预测方法、装置、电子设备以及计算机可读存储介质,包括:根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值;计算历史时间序列与拟合时间序列的差,得到第一残差序列;利用记忆网络模型对第一残差序列进行处理,得到次级预测值;根据初级预测值以及次级预测值确定最终预测值。本申请实施例先利用时间序列预测模型得到初级预测值以及残差序列,然后再利用记忆网络模型对残差序列进行预测得到次级预测值,然后根据初级预测值以及次级预测值确定最终预测值,该方式使得时间序列的预测准确性得到优化,与现有技术相比,使得时间序列如网络带宽使用率的预测准确性得到提高。
Description
技术领域
本申请涉及预测或优化技术领域,具体而言,涉及一种预测方法、装置、电子设备以及计算机可读存储介质。
背景技术
近年来,随着科技的进步,人们开始追求更加智能和便捷的生活,越来越多的业务和应用被搬到网络上,因此网络链路承载的流量越来越大。
当网络链路承载的流量超过或达到用户设置的带宽时,就容易造成网络拥堵或丢包,从而影响用户的工作效率和使用体验。因此,需要对用户的网络带宽使用率进行预测。对用户的网络带宽使用率进行预测时,通常是对过去一年或更长时间用户的网络带宽使用率进行分析,从而预测用户接下来一季度或半年的带宽使用率,如果预测出的带宽使用率超过或达到阈值,终端设备可提示用户及时扩容。
现有技术中,对用户的网络带宽使用率进行预测时,往往通过回归分析的方式进行,现有技术对网络带宽使用率预测的准确性相对较低。
发明内容
有鉴于此,本申请实施例提供了一种预测方法、装置、电子设备以及计算机可读存储介质,用以改善现有技术中对网络带宽使用率预测的准确性相对较低的问题。
第一方面,本申请实施例提供了一种预测方法,所述方法包括:根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值,其中所述拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列;计算所述历史时间序列与所述拟合时间序列的差,得到第一残差序列;利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值;根据所述初级预测值以及所述次级预测值确定最终预测值。
本申请实施例将时间序列预测模型与记忆网络模型配合起来使用,先利用时间序列预测模型得到初级预测值以及残差序列,然后再利用记忆网络模型对残差序列进行预测得到次级预测值,然后根据初级预测值以及次级预测值确定最终预测值,该方式使得时间序列的预测准确性得到优化,与现有技术相比,使得时间序列如网络带宽使用率的预测准确性得到提高。
在一个可能的设计中,所述根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值,包括:根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理,获得所述历史时间序列对应的拟合时间序列以及初级预测值,其中,所述ARIMA模型根据训练时间序列训练得到;所述利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值,包括:根据门控循环单元GRU模型对所述第一残差序列进行处理,获得次级预测值,其中,所述GRU模型根据预设残差序列训练得到,所述预设残差序列与所述ARIMA模型对所述训练时间序列处理后得到的拟合序列相对应。
本申请实施例将训练完成的ARIMA模型与训练完成的GRU模型配合起来使用,先利用ARIMA模型得到初级预测值以及残差序列,然后再利用GRU模型对残差序列进行预测得到次级预测值,该方式使得时间序列的预测准确性得到优化,与现有技术相比,使得时间序列如网络带宽使用率的预测准确性得到提高。
在一个可能的设计中,在根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理,获得所述历史时间序列对应的拟合时间序列以及初级预测值之前,所述方法还包括:对原始时间序列进行d次差分运算处理,得到平稳化的历史时间序列,d为所述ARIMA模型中的参数,取值为使训练时间序列平稳而进行的差分运算的次数,d取正整数。
在上述实现过程中,对原始时间序列进行差分运算的目的是使原始时间序列平稳,即得到平稳化的历史时间序列,平稳的时间序列的可预测性更强,对其进行预测可进一步提高网络带宽使用率的预测准确性。
在一个可能的设计中,所述根据所述初级预测值以及所述次级预测值确定最终预测值,包括:对所述初级预测值以及所述次级预测值进行求和运算,得到加和预测值;对所述加和预测值进行反差分运算,得到所述最终预测值。
先获得初级预测值与次级预测值的加和,然后对加和预测值进行反差分运算,便可以得到最终预测值。
在一个可能的设计中,所述ARIMA模型的训练过程包括:根据作为训练样本的训练时间序列确定ARIMA模型的参数d、p、q,其中,p为自回归项数,q为滑动平均项数;对所述训练时间序列进行d次差分运算,获得训练平稳序列;将所述训练平稳序列代入所述ARIMA模型,获得第一预测时间序列的表达式;去除所述第一预测时间序列的表达式中的干扰项,得到带有欲估计参数的数据量组成的函数;确定所述训练平稳序列与所述函数的差值的表达式;确定在所述差值的表达式满足预设的第一约束条件时,所述函数中的所述欲估计参数的求解,根据所述求解获得所述ARIMA模型。
在上述实现过程中,先确定ARIMA模型的参数d、p、q,然后根据参数d对训练时间序列进行d次差分运算,得到训练平稳序列,然后根据p、q得到第一预测时间序列的表达式,该表达式中既有常数项,又有带欲估计参数的未知项,将所有带欲估计参数的未知项组成函数,然后再计算训练平稳序列与函数的差值的表达式,令差值的表达式满足第一约束条件,然后计算函数中的欲估计参数,进而获得ARIMA模型关于第一预测时间序列的完整表达式。
在一个可能的设计中,所述GRU模型的训练过程包括:计算所述训练时间序列经d次差分运算后的训练平稳序列与所述训练时间序列经所述ARIMA模型处理后的预测时间序列的差,获得第二残差序列;根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列;计算所述第二预测序列与所述第二残差序列之间的损失值;若所述损失值不符合预设的第二约束条件,则调整所述初始GRU模型的权重参数和偏置参数,直至调整后的GRU模型对应的损失值符合所述第二约束条件,获得所述GRU模型。
在上述实现过程中,先计算训练平稳序列与ARIMA模型输出的预测时间序列的差,并获得第二残差序列,将第二残差序列输入GRU模型得到第二预测序列,计算第二预测序列与第二残差序列之间的损失值,若损失值不满足第二约束条件,则调整GRU模型的权重参数和偏置参数,直到调整后的GRU模型对应的损失值符合第二约束条件,利用训练完成的ARIMA模型的输出结果作为GRU模型的输入结果,进行GRU模型的训练,使得训练完成的GRU模型可以更好地与ARIMA模型配合,从而得到更准确的预测值。
在一个可能的设计中,计算所述第二预测序列与所述第二残差序列之间的损失值,包括:根据所述第二预测序列中的多个训练预测值以及所述第二残差序列中的多个残差值计算误差平均值,所述误差平均值为所述损失值。
在上述实现过程中,损失值具体可以是误差平均值。损失值也可以是通过其他计算方式得到的数值,损失值的具体计算方式不应该理解为是对本申请的限制。
在一个可能的设计中,所述若所述损失值不符合预设的第二约束条件,则调整所述初始GRU模型的权重参数和偏置参数,直至调整后的GRU模型对应的损失值符合所述第二约束条件,获得所述GRU模型,包括:若所述误差平均值超出预设数值的范围,利用梯度下降法调整所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值,并执行所述根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列;直至所述误差平均值在所述预设数值的范围内,将所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值确定为所述GRU模型的最终参数。
在上述实现过程中,若误差平均值超出预设数值的范围,则需要先调整GRU模型中的Wxz、Whz、Wxr、Whr、Wrh、Wxh的数值,然后对于调整过数值的GRU模型,跳转到输入第二残差序列得到第二预测序列的步骤,直到误差平均值在预设数值范围内。将此时的Wxz、Whz、Wxr、Whr、Wrh、Wxh的数值作为GRU模型的最终参数值,完成GRU模型的训练。
在一个可能的设计中,所述根据所述第二预测序列中的多个训练预测值以及所述第二残差序列中的多个残差值计算误差平均值,包括:对于所述第二预测序列中的N个训练预测值中的每个训练预测值,计算训练预测值与处于同一时刻的所述第二残差序列中的残差值的差的平方;计算N个所述差的平方的平均数,得到所述误差平均值,其中,N为第二预测序列的样本数量。
具体地,利用公式计算误差平均值E,其中,N为第二预测序列的样本数量,prej为j时刻的训练预测值,xj为第二残差序列中j时刻的残差值。
在一个可能的设计中,所述根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列,包括:基于tn时刻的残差值tn-1时刻的隐含状态更新门权重参数以及更新门的偏置bf,计算获得tn时刻的更新门输出基于tn时刻的残差值tn-1时刻的隐含状态重置门权重参数以及重置门的偏置br,计算获得tn时刻的重置门输出基于重置门输出tn-1时刻的隐含状态tn时刻的残差值隐含候选状态权重参数以及隐含候选状态的偏置bh,计算获得tn时刻的隐含候选状态基于tn-1时刻的隐含状态tn时刻的隐含候选状态以及tn时刻的更新门输出计算获得tn时刻的隐含状态基于tn时刻的隐含状态全连接神经网络层的权重Wpre、全连接神经网络层的偏置bpre计算获得tn+1时刻的训练预测值
具体地,根据 计算每个残差值的后一时刻的训练预测值其中,为tn时刻的更新门输出,Wxz为更新门权重的x分量,为tn时刻的残差值,Whz为更新门权重的h分量,为tn-1时刻的隐含状态,bf为更新门的偏置;为tn时刻的重置门输出,Wxr为重置门权重的x分量,Whr为重置门权重的h分量,br为重置门的偏置;为tn时刻的隐含候选状态,Wrh为隐含候选状态权重的r分量,Wxh为隐含候选状态权重的x分量,bh为隐含候选状态的偏置;为tn时刻的隐含状态,为tn+1时刻的训练预测值,Wpre为全连接神经网络层的权重,bpre为全连接神经网络层的偏置,*表示矩阵元素相乘。
在上述实现过程中,可以通过上述一套公式获得训练预测值,然后将训练预测值按照时间顺序排列,得到第二预测序列。
第二方面,本申请实施例提供了一种预测装置,所述装置包括:初级预测值获得模块,用于根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值,其中所述拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列;第一残差序列模块,用于计算所述历史时间序列与所述拟合时间序列的差,得到第一残差序列;次级预测值获得模块,用于利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值;最终预测值计算模块,用于根据所述初级预测值以及所述次级预测值确定最终预测值。
在一个可能的设计中,初级预测值获得模块,具体用于根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理,获得所述历史时间序列对应的拟合时间序列以及初级预测值,其中,所述ARIMA模型根据训练时间序列训练得到;次级预测值获得模块,具体用于根据门控循环单元GRU模型对所述第一残差序列进行处理,获得次级预测值,其中,所述GRU模型根据预设残差序列训练得到,所述预设残差序列与所述ARIMA模型对所述训练时间序列处理后得到的拟合序列相对应。
在一个可能的设计中,所述装置还包括差分运算模块,用于对原始时间序列进行d次差分运算处理,得到平稳化的历史时间序列,d为所述ARIMA模型中的参数,取值为使训练时间序列平稳而进行的差分运算的次数,d取正整数。
在一个可能的设计中,所述最终预测值计算模块还包括:加和子模块,用于对所述初级预测值以及所述次级预测值进行求和运算,得到加和预测值;反差分运算子模块,用于对所述加和预测值进行反差分运算,得到所述最终预测值。
在一个可能的设计中,所述装置还包括:参数确定模块,用于根据作为训练样本的训练时间序列确定ARIMA模型的参数d、p、q,其中,p为自回归项数,q为滑动平均项数;训练平稳序列模块,用于对所述训练时间序列进行d次差分运算,获得训练平稳序列;预测表达式获得模块,用于将所述训练平稳序列代入所述ARIMA模型,获得第一预测时间序列的表达式;函数组成模块,用于去除所述第一预测时间序列的表达式中的干扰项,得到带有欲估计参数的数据量组成的函数;差值表达式确定模块,用于确定所述训练平稳序列与所述函数的差值的表达式;ARIMA模型获得模块,用于确定在所述差值的表达式满足预设的第一约束条件时,所述函数中的所述欲估计参数的求解,根据所述求解获得所述ARIMA模型。
在一个可能的设计中,所述装置还包括:第二残差序列模块,用于计算所述训练时间序列经d次差分运算后的训练平稳序列与所述训练时间序列经所述ARIMA模型处理后的预测时间序列的差,获得第二残差序列;第二预测序列模块,用于根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列;损失值计算模块,用于计算所述第二预测序列与所述第二残差序列之间的损失值;GRU模型获得模块,用于若所述损失值不符合预设的第二约束条件,则调整所述初始GRU模型的权重参数和偏置参数,直至调整后的GRU模型对应的损失值符合所述第二约束条件,获得所述GRU模型。
在一个可能的设计中,所述损失值计算模块具体用于根据所述第二预测序列中的多个训练预测值以及所述第二残差序列中的多个残差值计算误差平均值,所述误差平均值为所述损失值。
在一个可能的设计中,GRU模型获得模块,具体用于若所述误差平均值超出预设数值的范围,利用梯度下降法调整所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值,并执行所述根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列;直至所述误差平均值在所述预设数值的范围内,将所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值确定为所述GRU模型的最终参数。
在一个可能的设计中,所述损失值计算模块具体用于对所述第二预测序列中的N个训练预测值中的每个训练预测值,计算训练预测值与处于同一时刻的所述第二残差序列中的残差值的差的平方;计算N个所述差的平方的平均数,得到所述误差平均值,其中,N为第二预测序列的样本数量。
在一个可能的设计中,第二预测序列模块用于基于tn时刻的残差值tn-1时刻的隐含状态更新门权重参数以及更新门的偏置bf,计算获得tn时刻的更新门输出基于tn时刻的残差值tn-1时刻的隐含状态重置门权重参数以及重置门的偏置br,计算获得tn时刻的重置门输出基于重置门输出tn-1时刻的隐含状态tn时刻的残差值隐含候选状态权重参数以及隐含候选状态的偏置bh,计算获得tn时刻的隐含候选状态基于tn-1时刻的隐含状态tn时刻的隐含候选状态以及tn时刻的更新门输出计算获得tn时刻的隐含状态基于tn时刻的隐含状态全连接神经网络层的权重Wpre、全连接神经网络层的偏置bpre计算获得tn+1时刻的训练预测值
第三方面,本申请提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面,本申请提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚的说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1示出了预测的***流程图;
图2示出了本申请实施例提供的预测方法的流程示意图;
图3示出了本申请实施例提供的预测方法的一种具体实施方式的流程示意图;
图4示出了ARIMA模型的训练过程的流程示意图;
图5示出了GRU模型的训练过程的流程示意图;
图6示出了本申请提供的预测装置的示意性结构框图;
图7为本申请实施例提供的一种电子设备的结构示意图;
图8为GRU模型的结构示意图;
图9示出了使用本申请实施例提供的预测方法预测时间序列与使用ARIMA模型预测时间序列的对比图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在介绍本申请的具体实施例之前,先对本申请的应用场景进行简单介绍。
现有技术中,需要对用户的网络带宽使用率进行预测,通常做法是对过去一年或更长时间的用户的网络带宽使用率进行分析处理,然后预测出用户接下来一季度或半年的带宽使用率。
在获得过去一年或更长时间的用户的网络带宽使用率之后,现有技术往往只通过回归分析的方式对网络带宽使用率进行处理,例如只通过自回归整合移动平均(Autoregressive Integrated Moving Average,简称ARIMA)模型来预测网络带宽使用率,预测准确性相对较低,ARIMA模型为时间序列预测模型。
为了解决上述问题,本申请实施例提供一种结合时间序列预测模型和记忆网络模型对时间序列上的未知值进行预测的方法,应理解,该方法不限于应用在网络带宽使用率的预测上,还可以应用于其他预测,例如,预测城市交通车流量、预测网站访问量。为了便于描述,本申请实施例中,时间序列预测模型以ARIMA模型为例,记忆网络模型以门控循环单元(Gated Recurrent Unit,简称GRU)模型为例,并以网络带宽使用率的预测为例进行介绍。
请参见图1,图1示出了本申请实施例进行时间序列预测的整个***流程图,可以分为数据获取、数据预处理、模型训练、利用训练后的模型预测时间序列、判断模型是否达标、模型优化、结果反馈以及模型应用等部分。若模型达标,则可以直接进行模型应用,若模型未达标,则可以进行模型优化以及结果反馈的过程。
数据获取的过程可以为:网络流量采集器通过简单网络管理协议(SimpleNetwork Management Protocol,简称SNMP)采集多台交换机中的每台交换机的多条链路的数据流量,可以每间隔一分钟采集一次。
在数据获取之后,可以进行数据预处理的步骤,数据预处理包括如下步骤:
经过对多条链路中的每条链路进行统计分析,可知多条链路中部分链路的使用率较低,因此可以对链路进行筛选,按照链路使用率从高到低的顺序对链路排序,然后可以取链路使用率为前70%的链路,应当理解前70%仅为示例性说明,也可以为其他的数值,例如前80%,也可以是前60%。
可以对筛选后的链路中的每一条链路进行白噪声检验,剔除白噪声序列。白噪声序列是指零方差、零均值的随机序列,没有规律可言,对模型训练价值较低。
剔除白噪声序列之后,多条链路的某一条链路中的流量数据可能存在数值明显高于前一时刻的数值或后一时刻的数值的异常点,可以对流量数据中的异常点进行平滑处理,平滑处理的方式可以是取前一时刻的数值与后一时刻的数值的均值。
若流量数据出现丢失的情况,如连续几天数据丢失或间隔数据丢失,可以通过均值法、中位数法以及时间序列预测法等方式对数据进行补全。例如,对于一个季度90天的数据,其中有10天数据丢失(可能是连续10天的数据丢失,也可能是间隔式的数据丢失而数据丢失的总天数是10天),利用中位数法来补全数据,可以统计出80天数据的中位数,然后以该中位数作为数据丢失的10天的值。在获得预先设定的时间段中每一天的数据流量后,可以对数据流量进行归一化处理,得到带宽使用率,可选地,带宽使用量可以用数据流量的数值除以总的网络带宽来计算。
由于需要获得的是预先设定的时间段中每一天的网络带宽使用率的最大值,因此可以取每天中半小时的网络带宽使用率的均值最大值作为当天的网络带宽使用率的最大值,获取的网络带宽使用率的最大值可以存储在数据库中,数据库中的数据格式可以如下表所示:
在进行数据预处理之后,可以对预处理之后的数据进行划分,一部分作为模型的训练样本,另一部分作为模型的测试样本。例如,可以将预处理之后的数据的80%作为训练样本,将预处理之后的数据的20%作为测试样本。80%作为训练样本、20%作为测试样本仅为示例性说明,具体也可以为其他的数值,例如85%作为训练样本、15%作为测试样本;也可以是75%作为训练样本、25%作为测试样本。
ARIMA模型和GRU模型的训练过程将在下文中详细描述,在训练完成后,可以利用训练完成的ARIMA模型和GRU模型进行预测,然后可以根据测试样本判断ARIMA模型和GRU模型是否达标,若达标,则可以将达标的模型投入应用;若未达标,则可以对模型进行优化,例如可以根据更多的训练样本对ARIMA模型和GRU模型重新进行训练,然后再利用测试样本对优化后的模型进行测试,直到模型达标。
请参见图4,图4示出了本申请中ARIMA模型的训练过程,该训练过程可以由计算设备执行,计算设备为具有数据处理能力的设备,可以是服务器,也可以是终端设备,如智能移动设备或计算机,ARIMA模型的训练过程包括如下步骤:
步骤S210,根据作为训练样本的训练时间序列确定ARIMA模型的参数d、p、q。
时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。在本申请实施例中,同一统计指标的数值可以为在一个预先设定的时间段内每一天的用户的网络带宽使用率的最大值。预先设定的时间段可以是较长的一个时间段,例如一个季度或半年等。训练时间序列可以为某一预先设定的时间段中每一天的网络带宽使用量的最大值按时间先后顺序排列而成的数列。
ARIMA模型包括d、p、q三个参数,d的取值为使时间序列平稳而进行的差分运算的次数,即时间序列可经d次差分运算之后变平稳。d的取值为0或正整数,若d取0,表示时间序列经0次差分运算就会平稳,即时间序列不进行差分运算就是平稳的。p为ARIMA模型的自回归项数,q为滑动平均项数。
下面对参数d的计算过程进行说明:
不妨设训练时间序列为a1,a2,a3,a4,a5,a6,a7,在计算ARIMA模型的参数d时,可以先对训练时间序列(a1,a2,a3,a4,a5,a6,a7)进行平稳性检验,从而判断训练时间序列是否平稳。
若训练时间序列平稳,则表明训练时间序列不经过差分运算便会平稳,即欲使训练时间序列平稳而进行的差分运算的次数为0,则此时d的取值为0。
若训练时间序列不平稳,对训练时间序列进行第一次差分运算,得到(a2-a1),(a3-a2),(a4-a3),(a5-a4),(a6-a5),(a7-a6)。不妨取b1=(a2-a1),b2=(a3-a2),b3=(a4-a3),b4=(a5-a4),b5=(a6-a5),b6=(a7-a6),则训练时间序列进行过一次差分运算之后,可以得到b1,b2,b3,b4,b5,b6。对于进行过一次差分运算的训练时间序列(b1,b2,b3,b4,b5,b6)进行平稳性检验,判断(b1,b2,b3,b4,b5,b6)是否平稳。
若(b1,b2,b3,b4,b5,b6)平稳,则表明训练时间序列经过一次差分运算便会平稳,即欲使训练时间序列平稳而进行的差分运算的次数为1,则此时d的取值为1。
若(b1,b2,b3,b4,b5,b6)不平稳,对(b1,b2,b3,b4,b5,b6)继续进行第二次差分运算,得到(b2-b1),(b3-b2),(b4-b3),(b5-b4),(b6-b5)。不妨取ct1=(b2-b1),ct2=(b3-b2),ct3=(b4-b3),ct4=(b5-b4),ct5=(b6-b5),则训练时间序列进行过两次差分运算之后,可以得到ct1,ct2,ct3,ct4,ct5。对于进行过两次差分运算的训练时间序列(ct1,ct2,ct3,ct4,ct5)进行平稳性检验,判断(ct1,ct2,ct3,ct4,ct5)是否平稳。
若(ct1,ct2,ct3,ct4,ct5)平稳,则表明训练时间序列经过两次差分运算便会平稳,即欲使训练时间序列平稳而进行的差分运算的次数为2,则此时d的取值为2。
……
在进行平稳性检验时,可以通过单位根检验的方式进行。单位根检验是指验证待检的时间序列中是否存在单位根,如果存在单位根,就是非平稳的时间序列;如果不存在单位根,就是平稳的时间序列。可以理解,除了运用单位根检验来进行平稳性检验,也可以通过时序图检验,例如绘制出时间序列的时序图,若该时序图显示出明显的趋势性或周期性,则该时间序列为不平稳序列。
下面对参数p、q的计算过程进行说明:
p可以通过偏自相关函数(Partial Autocorrelation Function,简称PACF)确定,q可以通过自相关函数(Autocorrelation Function,简称ACF)确定。p为所述训练时间序列的偏自相关系数p阶截尾,q为所述训练时间序列的自相关系数q阶截尾。可以理解,p和q也可以通过其他方式确定,例如,p和q均可以通过最小化信息量准则(Akaike InformationCriterion,简称AIC)确定,p和q也可以通过贝叶斯信息准则(BayesianInformationCriterion,简称BIC)确定。参数p和q的具体确定方式不应该理解为是对本申请的限制。
步骤S220,对所述训练时间序列进行d次差分运算,获得训练平稳序列。
不妨设d=2,接上面的例子继续进行说明,ct1,ct2,ct3,ct4,ct5便是训练时间序列a1,a2,a3,a4,a5,a6,a7进行过两次差分运算之后得到的训练平稳序列。
步骤S230,将训练平稳序列代入ARIMA模型,获得第一预测时间序列的表达式。
根据p和q,确定训练平稳序列的第一预测时间序列的表达式的形式为xt′=φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q,其中,xt′为训练平稳序列中t时刻的预测值,φ0为常数项,φi,i=1,2,...,p是实际值xi的权重,xt-i,i=1,2,...,p是训练平稳序列中t时刻的实际值xt的i个数据之前的数据,也是训练平稳序列中(t-i)时刻的实际值,θi,i=1,2,...,q是随机干扰εi的权重,εt-i,i=1,2,...,q是(t-i)时刻的随机干扰。随机干扰的计算方式为:先计算训练平稳序列中所有数值的均值,然后以训练平稳序列某一时刻的具体值与上述均值相减,得到的便是该时刻的随机干扰。
为了便于描述,不妨以p=2,q=2为例,对ARIMA模型的训练过程进行说明,此时第一预测时间序列的表达式的形式具体为:
xt′=φ0+φ1xt-1+φ2xt-2+εt-θ1εt-1-θ2εt-2
步骤S240,去除所述第一预测时间序列的表达式中的干扰项,得到带有欲估计参数的数据量组成的函数。
上述的干扰项为表达式xt′=φ0+φ1xt-1+φ2xt-2+εt-θ1εt-1-θ2εt-2中的常数项φ0和εt,去除常数项φ0和εt,将带有欲估计参数的数据量组成函数Ft(β)=φ1xt-1+φ2xt-2-θ1εt-1-θ2εt-2其中β用于表示所有欲估计参数φt,θt。
步骤S250,确定所述训练平稳序列与所述函数的差值的表达式。
将训练平稳序列在t时刻的真实值与上述函数相减,可以得到训练平稳序列的残差项的表达式:ξt=xt-Ft(β),该表达式便为上述的差值的表达式。其中,xt为训练平稳序列在t时刻的真实值,例如,若t=t1,则xt=ct1。
步骤S260,确定在差值的表达式满足预设的第一约束条件时,函数中的欲估计参数的求解,根据求解获得所述ARIMA模型。
获得训练平稳序列的残差项的表达式后,获得残差项的残差平方和:第一约束条件可以指先获得上述残差平方和,然后利用迭代算法计算残差平方和的最小值。
随后,可以得到残差平方和最小时,第一预测时间序列的表达式xt′=φ0+φ1xt-1+φ2xt-2+εt-θ1εt-1-θ2εt-2中的欲估计参数φ1、φ2、θ1、θ2,从而得到确定的ARIMA模型的第一预测时间序列的表达式。
可选地,可以利用梯度下降法求解Q(β)最小时的φt和θt,其中,t取1时,可获得欲估计参数φ1和θ1;t取2时,可获得欲估计参数φ2和θ2。
先确定ARIMA模型的参数d、p、q,然后根据参数d对训练时间序列进行d次差分运算,得到训练平稳序列,然后根据p、q得到第一预测时间序列的表达式,该表达式中既有常数项,又有带欲估计参数的未知项,将所有带欲估计参数的未知项组成函数,随后再计算训练平稳序列与函数的差值的表达式,令差值的表达式满足第一约束条件,计算函数中的欲估计参数,进而获得ARIMA模型关于第一预测时间序列的完整表达式。
请参见图5,图5示出了本申请中GRU模型的训练过程,GRU模型为记忆网络模型,可以理解,该训练过程也可以由计算设备执行,GRU模型的训练过程包括如下步骤:
步骤S310,计算训练时间序列经d次差分运算后的训练平稳序列与训练时间序列经ARIMA模型处理后的预测时间序列的差,获得第二残差序列。
在确定ARIMA模型的表达式xt′=φ0+φ1xt-1+φ2xt-2+εt-θ1εt-1-θ2εt-2之后,将训练平稳序列ct1,ct2,ct3,ct4,ct5代入上述表达式中,得到预测时间序列ct3′,ct4′,ct5′。其中,
ct3′=φ0+φ1ct2+φ2xt1+εt-θ1εt2-θ2εt1;
ct4′=φ0+φ1ct3+φ2xt2+εt-θ1εt3-θ2εt2;
ct5′=φ0+φ1ct4+φ2xt3+εt-θ1εt4-θ2εt3。
计算训练平稳序列ct3,ct4,ct5与预测时间序列ct3′,ct4′,ct5′的差,可得:
et0=ct3-ct3′;et1=ct4-ct4′;et2=ct5-ct5′。第二残差序列为et0,et1,et2。
步骤S320,根据初始GRU模型对第二残差序列进行处理,获得第二预测序列。
对于第二残差序列中的每个时刻的残差值:
可以基于tn时刻的残差值tn-1时刻的隐含状态更新门权重参数以及更新门的偏置bf,计算获得tn时刻的更新门输出
基于tn时刻的残差值tn-1时刻的隐含状态重置门权重参数以及重置门的偏置br,计算获得tn时刻的重置门输出
基于重置门输出tn-1时刻的隐含状态tn时刻的残差值隐含候选状态权重参数以及隐含候选状态的偏置bh,计算获得tn时刻的隐含候选状态
基于tn-1时刻的隐含状态tn时刻的隐含候选状态以及tn时刻的更新门输出计算获得tn时刻的隐含状态
基于tn时刻的隐含状态全连接神经网络层的权重Wpre、全连接神经网络层的偏置bpre计算获得tn+1时刻的训练预测值
具体地,将第二残差序列中的每个残差值代入GRU模型中的如下公式:
计算第二残差序列中每个残差值的后一时刻的训练预测值GRU模型的结构示意图请参见图8,GRU模型包括重置门和更新门,重置门和更新门控制GRU模型的记忆状态。
其中,为tn时刻的更新门输出,sigmoid函数为σ,Wxz为更新门权重的x分量,为tn时刻的残差值,Whz为更新门权重的h分量,为tn-1时刻的隐含状态,bf为更新门的偏置;为tn时刻的重置门输出,Wxr为重置门权重的x分量,Whr为重置门权重的h分量,br为重置门的偏置;tanh(x)为双曲正切函数, 为tn时刻的隐含候选状态,Wrh为隐含候选状态权重的r分量,Wxh为隐含候选状态权重的x分量,bh为隐含候选状态的偏置;为tn时刻的隐含状态,Wpre为全连接神经网络层的权重,bpre为全连接神经网络层的偏置,*表示矩阵元素相乘。
对于et0,根据下式
得到训练预测值
对于et1,根据下式
得到训练预测值
将训练预测值按照时间顺序排列,得到第二预测序列为
步骤S330,计算所述第二预测序列与所述第二残差序列之间的损失值。
可以根据第二预测序列中的多个训练预测值以及第二残差序列中的多个残差值来计算误差平均值,该误差平均值便为上述的损失值。对于第二预测序列中的N个训练预测值中的每个训练预测值,计算训练预测值与处于同一时刻的所述第二残差序列中的残差值的差的平方;计算N个所述差的平方的平均数,得到所述误差平均值,其中,N为第二预测序列的样本数量。
具体地,利用公式计算误差平均值E,其中,N为第二预测序列的样本数量,在上述例子中,第二预测序列的样本数量为2,prej为j时刻的训练预测值,xj为第二残差序列中j时刻的残差值。
步骤S340,若损失值不符合预设的第二约束条件,则调整初始GRU模型的权重参数和偏置参数,直至调整后的GRU模型对应的损失值符合第二约束条件,获得GRU模型。
第二约束条件指的是判断误差平均值是否超出预设数值的范围。若所述误差平均值超出预设数值的范围,利用梯度下降法调整此时所述GRU模型中的Wxz、Whz、Wxr、Whr、Wrh、Wxh的数值,并跳转到步骤S320;直至所述误差平均值在所述预设数值的范围内,将此时所述GRU模型中的Wxz、Whz、Wxr、Whr、Wrh、Wxh的数值确定为所述GRU模型的最终参数。
先计算训练平稳序列与ARIMA模型输出的预测时间序列的差,并获得第二残差序列,将第二残差序列输入GRU模型得到第二预测序列,计算第二预测序列与第二残差序列之间的损失值,若损失值不满足第二约束条件,则调整GRU模型的权重参数和偏置参数,直到调整后的GRU模型对应的损失值符合第二约束条件,利用训练完成的ARIMA模型的输出结果作为GRU模型的输入结果,进行GRU模型的训练,使得训练完成的GRU模型可以更好地与ARIMA模型配合,从而得到更准确的预测值。
请参见图2,图2示出了本申请实施例提供的预测方法,包括如下步骤:
步骤S10,根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值。
步骤S20,计算所述历史时间序列与所述拟合时间序列的差,得到第一残差序列。
步骤S30,利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值。
步骤S40,根据所述初级预测值以及所述次级预测值确定最终预测值。
其中时间序列预测模型为可以对时间序列进行预测的模型,例如,时间序列预测模型可以为ARIMA模型。平稳化的历史时间序列指的是历史时间序列是平稳的,若原始时间序列原本是不平稳的,可以通过对原始时间序列进行平稳化处理以使原始时间序列平稳,得到平稳化的历史时间序列。对原始时间序列进行平稳化处理的具体方式可以为:对原始时间序列进行d次差分运算。
原始时间序列可以为某一时间段中每一天的网络带宽使用率的最大值按时间先后顺序排列而成的数列。例如,已知某用户连续5天的网络带宽使用率,欲预测第6天至第8天的网络带宽使用率,此时,连续5天的网络带宽使用率便是上述的原始时间序列。历史时间序列为对原始时间序列进行d次差分运算后得到的平稳的时间序列,若原始时间序列本身就是平稳的,则d取0,即不需要进行差分运算便得到了平稳的时间序列。拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列。上述的记忆网络模型可以为GRU模型。
本申请实施例提供的预测方法将时间序列预测模型与记忆网络模型配合起来使用,先利用时间序列预测模型得到初级预测值以及残差序列,然后再利用记忆网络模型对残差序列进行预测得到次级预测值,然后根据初级预测值以及次级预测值确定最终预测值,该方式使得时间序列的预测准确性得到优化,与现有技术相比,使得时间序列如网络带宽使用率的预测准确性得到提高。
接下来,请参见图3,不妨以时间序列预测模型为ARIMA模型,记忆网络模型为GRU模型为例,对本申请实施例提供的预测方法进行说明,包括如下步骤,下述步骤均可以通过计算设备执行:
步骤S110,根据ARIMA模型对平稳化的历史时间序列进行处理,获得所述历史时间序列对应的拟合时间序列以及初级预测值。
平稳化的历史时间序列可以是原始时间序列经过d次差分运算后得到的。
训练完成的ARIMA的表达式为:
xt′=φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q
由上述的表达式可知,根据历史时间序列中(t-p)时刻的值xt-p至(t-1)时刻的值xt-1以及历史时间序列的(t-q)时刻的随机干扰εt-q至(t-1)时刻的随机干扰εt-1可以得到t时刻的预测值xt′。
可选地,随机干扰的计算方式为:先计算历史时间序列中所有数值的均值,然后以历史时间序列某一时刻的具体值与上述均值相减,得到的便是该时刻的随机干扰。
若历史时间序列在t时刻存在已知值,则此时的预测值xt′为拟合时间序列中的一员;若历史时间序列在t时刻不存在已知值,则此时的预测值xt′为初级预测值中的一员。
为了便于描述,接下来不妨以d=0,p=2,q=2为例对本申请实施例提供的预测方法进行进一步说明:
由于d=0,则原始时间序列进行0次差分运算便可以平稳,此时,历史时间序列与原始时间序列相同。对于原始时间序列(也即历史时间序列)zt1,zt2,zt3,zt4,zt5,代入下式中:
xt′=φ0+φ1xt-1+φ2xt-2+εt-θ1εt-1-θ2εt-2
可得:
zt3′=φ0+φ1zt2+φ2zt1+εt-θ1εt2-θ2εt1;
zt4′=φ0+φ1zt3+φ2zt2+εt-θ1εt3-θ2εt2;
……
zt6′=φ0+φ1zt5+φ2zt4+εt-θ1εt5-θ2εt4;
zt7′=φ0+φ1zt6′+φ2zt5+εt-θ1εt6-θ2εt5;
zt8′=φ0+φ1zt7′+φ2zt6′+εt-θ1εt7-θ2εt6。
由于历史时间序列在t3、t4、t5时刻分别存在已知值zt3,zt4,zt5,因此上述公式得到的zt3′,zt4′,zt5′属于拟合时间序列;由于历史时间序列在t6、t7、t8时刻均不存在已知值,因此,上述公式得到的zt6′,zt7′,zt8′属于初级预测值。
在预测某一具体时刻的初级预测值时,若在历史时间序列中存在与上述具体时刻对应的真实值,则利用历史时间序列中的真实值进行预测;若在历史时间序列中不存在与上述具体时刻对应的真实值,则利用先前预测出的初级预测值进行预测。例如,在预测zt6′时,需用到zt4,zt5,历史时间序列中存在zt4和zt5,因此可以直接使用。在预测zt7′时,需用到zt5,zt6′,历史时间序列中只存在zt5,因此用先前预测出的zt6′与历史时间序列存在的zt5共同预测zt7′。
在一种具体实施方式中,若d不为0,例如d为1,则对原始时间序列zt1,zt2,zt3,zt4,zt5进行一次差分运算,得到历史时间序列(zt2-zt1),(zt3-zt2),(zt4-zt3),(zt5-zt4),然后再将历史时间序列代入ARIMA模型的表达式,由于代入表达式后的计算过程与上述内容相对应,在此便不做赘述。
步骤S120,计算历史时间序列与所述拟合时间序列的差,获得第一残差序列。
经d次差分运算后得到的序列为历史时间序列,可以得到某时刻的历史时间序列中的值与同一时刻的拟合时间序列中的值,然后两者相减,得到的差按照时间顺序排列,便可以得到第一残差序列。
接上文中d=0,p=2,q=2的例子继续进行说明,历史时间序列zt1,zt2,zt3,zt4,zt5中的zt3,zt4,zt5分别与拟合时间序列中的zt3′,zt4′,zt5′相减,得到第一残差序列zt3″,zt4″,zt5″。其中,zt3″=zt3-zt3′,zt4″=zt4-zt4′,zt5″=zt5-zt5′。
步骤S130,根据GRU模型对所述第一残差序列进行处理,获得次级预测值。
为了便于描述,对第一残差序列重新编码,将zt3″,zt4″,zt5″重新编码为vt3,vt4,vt5,然后将第一残差序列的残差值代入
计算每个残差值的后一时刻的次级预测值
对于vt3,代入后可得:
其中,为随机值或0。
对于vt4,代入后可得:
对于vt5,代入后可得:
在预测时,可以利用上式得到的和进行预测:
在预测时,可以利用和进行预测,预测过程与预测时相同,在此便不做赘述。
计算次级预测值的过程中,在预测某一具体时刻的次级预测值时,若在第一残差序列中存在与上述具体时刻对应的真实值,则利用第一残差序列中的真实值进行预测;若在第一残差序列中不存在与上述具体时刻对应的真实值,则用先前预测出的次级预测值进行预测。例如,在预测时,需用到vt5,第一残差序列中存在vt5,因此可以直接使用。在预测时,历史时间序列中不存在vt6,因此用先前预测出的来预测
通过上述迭代运算,得到次级预测值分别为
步骤S140,根据所述初级预测值以及所述次级预测值确定最终预测值。
对所述初级预测值以及所述次级预测值进行求和运算,得到最终预测值。
求和运算可以是直接将初级预测值与次级预测值相加的运算;在一种具体实施方式中,也可以是初级预测值与初级预测值所对应的权重相乘得到一个乘积,次级预测值与次级预测值所对应的权重相乘得到另一个乘积,然后将两个乘积相加。
在本申请实施例中,由于d为0,因此可以计算初级预测值与同一时刻的次级预测值的加和,将该加和直接作为最终预测值。例如,原始时间序列zt1,zt2,zt3,zt4,zt5的最终预测值为zt6″′,zt7″′,zt8″′。
若一种具体实施方式中,若d不为0,则在计算出历史时间序列的加和预测值之后,还要对加和预测值进行反差分运算,从而得到最终预测值。
在上述实现过程中,先根据训练完成的ARIMA模型得到与原始时间序列对应的拟合时间序列以及初级预测值。计算由原始时间序列经d次差分运算后的得到的历史时间序列与上述的拟合时间序列的差,得到上述差按照时间顺序排列形成的第一残差序列。将第一残差序列输入进GRU模型,得到次级预测值,然后根据初级预测值和次级预测值确定出原始时间序列的最终预测值,本申请实施例将训练完成的ARIMA模型与训练完成的GRU模型配合起来使用,先利用ARIMA模型得到初级预测值以及残差序列,然后再利用GRU模型对残差序列进行预测得到次级预测值,该方式使得时间序列的预测准确性得到优化,与现有技术相比,使得时间序列如网络带宽使用率的预测准确性得到提高。
请参见图6,图6示出了本申请提供的预测装置的示意性结构框图,应理解,该装置400与上述图3至图5方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置400具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。装置400包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置400的操作***(operating system,OS)中的软件功能模块。具体地,该装置400包括:
初级预测值获得模块410,用于根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值,其中所述拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列。
第一残差序列模块420,用于计算所述历史时间序列与所述拟合时间序列的差,得到第一残差序列。
次级预测值获得模块430,用于利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值。
最终预测值计算模块440,用于根据所述初级预测值以及所述次级预测值确定最终预测值。
初级预测值获得模块410,具体用于根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理,获得所述历史时间序列对应的拟合时间序列以及初级预测值,其中,所述ARIMA模型根据训练时间序列训练得到。
次级预测值获得模块430,具体用于根据门控循环单元GRU模型对所述第一残差序列进行处理,获得次级预测值,其中,所述GRU模型根据预设残差序列训练得到,所述预设残差序列与所述ARIMA模型对所述训练时间序列处理后得到的拟合序列相对应。
最终预测值计算模块440包括:加和子模块,用于对所述初级预测值以及所述次级预测值进行求和运算,得到加和预测值;反差分运算子模块,用于对所述加和预测值进行反差分运算,得到所述最终预测值。
所述装置还包括:
差分运算模块,用于对原始时间序列进行d次差分运算处理,得到平稳化的历史时间序列,d为所述ARIMA模型中的参数,取值为使训练时间序列平稳而进行的差分运算的次数,d取正整数。
参数确定模块,用于根据作为训练样本的训练时间序列确定ARIMA模型的参数d、p、q,其中,p为自回归项数,q为滑动平均项数。
训练平稳序列模块,用于对所述训练时间序列进行d次差分运算,获得训练平稳序列。
预测表达式获得模块,用于将所述训练平稳序列代入所述ARIMA模型,获得第一预测时间序列的表达式。
函数组成模块,用于去除所述第一预测时间序列的表达式中的干扰项,得到带有欲估计参数的数据量组成的函数。
差值表达式确定模块,用于确定所述训练平稳序列与所述函数的差值的表达式。
ARIMA模型获得模块,用于确定在所述差值的表达式满足预设的第一约束条件时,所述函数中的所述欲估计参数的求解,根据所述求解获得所述ARIMA模型。
第二残差序列模块,用于计算所述训练时间序列经d次差分运算后的训练平稳序列与所述训练时间序列经所述ARIMA模型处理后的预测时间序列的差,获得第二残差序列。
第二预测序列模块,用于根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列。
损失值计算模块,用于计算所述第二预测序列与所述第二残差序列之间的损失值。
所述损失值计算模块具体用于根据所述第二预测序列中的多个训练预测值以及所述第二残差序列中的多个残差值计算误差平均值,所述误差平均值为所述损失值。
所述损失值计算模块具体用于对所述第二预测序列中的N个训练预测值中的每个训练预测值,计算训练预测值与处于同一时刻的所述第二残差序列中的残差值的差的平方;所述计算设备计算N个所述差的平方的平均数,得到所述误差平均值,其中,N为第二预测序列的样本数量。
GRU模型获得模块,用于若所述损失值不符合预设的第二约束条件,则调整所述初始GRU模型的权重参数和偏置参数,直至调整后的GRU模型对应的损失值符合所述第二约束条件,获得所述GRU模型。
GRU模型获得模块,具体用于若所述误差平均值超出预设数值的范围,利用梯度下降法调整所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值,并执行所述根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列;直至所述误差平均值在所述预设数值的范围内,将所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值确定为所述GRU模型的最终参数。第二预测序列模块,用于基于tn时刻的残差值tn-1时刻的隐含状态更新门权重参数以及更新门的偏置bf,计算获得tn时刻的更新门输出基于tn时刻的残差值tn-1时刻的隐含状态htn-1、重置门权重参数以及重置门的偏置br,计算获得tn时刻的重置门输出基于重置门输出tn-1时刻的隐含状态tn时刻的残差值隐含候选状态权重参数以及隐含候选状态的偏置bh,计算获得tn时刻的隐含候选状态基于tn-1时刻的隐含状态tn时刻的隐含候选状态以及tn时刻的更新门输出计算获得tn时刻的隐含状态基于tn时刻的隐含状态全连接神经网络层的权重Wpre、全连接神经网络层的偏置bpre计算获得tn+1时刻的训练预测值
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
利用本申请实施例提供的预测方法、装置、电子设备以及计算机可读存储介质可以根据往年的带宽使用率预测用户下一季度或下一年的带宽使用率,从而对网络带宽做出正确的规划,以满足用户下一季度或下一年的业务需求,还能找出带宽瓶颈和浪费的带宽,以便将来进行及时调整,提高响应速度,降低运营成本。
由于本申请可以进行的是对时间序列的预测,而带宽使用率为时间序列中的一种,因此,本申请实施例提供的预测方法除了可以用来预测网络带宽使用率以外,还可以用来预测其他的时间序列。例如城市交通车流量,将训练样本调整为某一预设时间段的城市交通车流量来训练ARIMA模型和GRU模型,便可以利用本申请实施例提供的预测方法进行城市交通车流量的预测。
本申请还提供一种装置,图7为本申请实施例中的装置500的结构框图,如图7所示。装置500可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中,通信总线540用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片,具有信号的处理能力。上述的处理器510可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器530中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器510执行时,装置500可以执行上述图3至图5方法实施例涉及的各个步骤。
装置500还可以包括存储控制器、输入输出单元、音频单元、显示单元8。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块,例如装置300包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
音频单元向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。显示单元可以显示处理器510执行图3至图5示出的步骤获得的合成图像,也可以显示待检区域中的线路是否存在隐患的判断结果。
输入输出单元用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图7所示的结构仅为示意,所述装置500还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行方法实施例所述的方法。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
请参见图9,图9示出了使用本申请实施例提供的预测方法与只使用ARIMA模型预测时间序列的对比图,图中直线为某企业一个月内的带宽使用率的时间序列真实值,带菱形点的线段为只用ARIMA模型拟合得到的拟合序列,带正方形点的线段为用本申请实施例提供的预测方法拟合得到的拟合序列,如图9所示,用本申请实施例提供的预测方法拟合得到的拟合序列的平均相对误差为0.21089,只用ARIMA模型拟合得到的拟合序列的平均相对误差为0.27608。因此,基于本申请实施例提供的预测方法进行带宽使用率的规划能够更加准确的预测企业下一阶段的带宽使用率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种预测方法,其特征在于,应用于计算设备,所述方法包括:
根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值,其中所述拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列;
计算所述历史时间序列与所述拟合时间序列的差,得到第一残差序列;
利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值;
根据所述初级预测值以及所述次级预测值确定最终预测值。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
所述根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值,包括:
根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理,获得所述历史时间序列对应的拟合时间序列以及初级预测值,其中,所述ARIMA模型根据训练时间序列训练得到;
所述利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值,包括:
根据门控循环单元GRU模型对所述第一残差序列进行处理,获得次级预测值,其中,所述GRU模型根据预设残差序列训练得到,所述预设残差序列与所述ARIMA模型对所述训练时间序列处理后得到的拟合序列相对应。
3.根据权利要求2所述的方法,其特征在于,在根据自回归整合移动平均ARIMA模型对平稳化的历史时间序列进行处理,获得所述历史时间序列对应的拟合时间序列以及初级预测值之前,所述方法还包括:
对原始时间序列进行d次差分运算处理,得到平稳化的历史时间序列,d为所述ARIMA模型中的参数,取值为使训练时间序列平稳而进行的差分运算的次数,d取正整数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述初级预测值以及所述次级预测值确定最终预测值,包括:
对所述初级预测值以及所述次级预测值进行求和运算,得到加和预测值;
对所述加和预测值进行反差分运算,得到所述最终预测值。
5.根据权利要求2所述的方法,其特征在于,所述ARIMA模型的训练过程包括:
根据作为训练样本的训练时间序列确定ARIMA模型的参数d、p、q,其中,p为自回归项数,q为滑动平均项数;
对所述训练时间序列进行d次差分运算,获得训练平稳序列;
将所述训练平稳序列代入所述ARIMA模型,获得第一预测时间序列的表达式;
去除所述第一预测时间序列的表达式中的干扰项,得到带有欲估计参数的数据量组成的函数;
确定所述训练平稳序列与所述函数的差值的表达式;
确定在所述差值的表达式满足预设的第一约束条件时,所述函数中的所述欲估计参数的求解,根据所述求解获得所述ARIMA模型。
6.根据权利要求2至5任一项所述的方法,其特征在于,所述GRU模型的训练过程包括:
计算所述训练时间序列经d次差分运算后的训练平稳序列与所述训练时间序列经所述ARIMA模型处理后的预测时间序列的差,获得第二残差序列,d为所述ARIMA模型中的参数,取值为使训练时间序列平稳而进行的差分运算的次数,d取正整数;
根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列;
计算所述第二预测序列与所述第二残差序列之间的损失值;
若所述损失值不符合预设的第二约束条件,则调整所述初始GRU模型的权重参数和偏置参数,直至调整后的GRU模型对应的损失值符合所述第二约束条件,获得所述GRU模型。
7.根据权利要求6所述的方法,其特征在于,计算所述第二预测序列与所述第二残差序列之间的损失值,包括:
根据所述第二预测序列中的多个训练预测值以及所述第二残差序列中的多个残差值计算误差平均值,所述误差平均值为所述损失值。
8.根据权利要求7所述的方法,其特征在于,所述若所述损失值不符合预设的第二约束条件,则调整所述初始GRU模型的权重参数和偏置参数,直至调整后的GRU模型对应的损失值符合所述第二约束条件,获得所述GRU模型,包括:
若所述误差平均值超出预设数值的范围,利用梯度下降法调整所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值,并执行所述根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列;直至所述误差平均值在所述预设数值的范围内,将所述GRU模型中的更新门权重的x分量Wxz、更新门权重的h分量Whz、重置门权重的x分量Wxr、重置门权重的h分量Whr、隐含候选状态权重的r分量Wrh、隐含候选状态权重的x分量Wxh的数值确定为所述GRU模型的最终参数。
9.根据权利要求7所述的方法,其特征在于,所述根据所述第二预测序列中的多个训练预测值以及所述第二残差序列中的多个残差值计算误差平均值,包括:
对于所述第二预测序列中的N个训练预测值中的每个训练预测值,计算训练预测值与处于同一时刻的所述第二残差序列中的残差值的差的平方;
计算N个所述差的平方的平均数,得到所述误差平均值,其中,N为第二预测序列的样本数量。
10.根据权利要求6所述的方法,其特征在于,根据初始GRU模型对所述第二残差序列进行处理,获得第二预测序列,包括:
基于tn时刻的残差值tn-1时刻的隐含状态更新门权重参数以及更新门的偏置bf,计算获得tn时刻的更新门输出
基于tn时刻的残差值tn-1时刻的隐含状态重置门权重参数以及重置门的偏置br,计算获得tn时刻的重置门输出rtn;
基于重置门输出tn-1时刻的隐含状态tn时刻的残差值隐含候选状态权重参数以及隐含候选状态的偏置bh,计算获得tn时刻的隐含候选状态
基于tn-1时刻的隐含状态tn时刻的隐含候选状态以及tn时刻的更新门输出计算获得tn时刻的隐含状态
基于tn时刻的隐含状态全连接神经网络层的权重Wpre、全连接神经网络层的偏置bpre计算获得tn+1时刻的训练预测值
11.一种预测装置,其特征在于,所述装置包括:
初级预测值获得模块,用于根据时间序列预测模型对平稳化的历史时间序列进行处理,得到拟合时间序列和初级预测值,其中所述拟合时间序列为所述历史时间序列的至少一部分数值所在的时刻的拟合值组成的时间序列;
第一残差序列模块,用于计算所述历史时间序列与所述拟合时间序列的差,得到第一残差序列;
次级预测值获得模块,用于利用记忆网络模型对所述第一残差序列进行处理,得到次级预测值;
最终预测值计算模块,用于根据所述初级预测值以及所述次级预测值确定最终预测值。
12.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1-10任一所述方法的步骤。
13.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-10任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627110.3A CN110400010A (zh) | 2019-07-11 | 2019-07-11 | 预测方法、装置、电子设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627110.3A CN110400010A (zh) | 2019-07-11 | 2019-07-11 | 预测方法、装置、电子设备以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400010A true CN110400010A (zh) | 2019-11-01 |
Family
ID=68325348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910627110.3A Pending CN110400010A (zh) | 2019-07-11 | 2019-07-11 | 预测方法、装置、电子设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400010A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111476265A (zh) * | 2020-02-26 | 2020-07-31 | 珠海格力电器股份有限公司 | 一种感应门控制方法、装置、终端及计算机可读介质 |
CN111898826A (zh) * | 2020-07-31 | 2020-11-06 | 北京文思海辉金信软件有限公司 | 资源消耗预测方法、装置、电子设备及可读存储设备 |
CN111931054A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院深圳先进技术研究院 | 一种基于改进残差结构的序列推荐方法和*** |
CN112101400A (zh) * | 2019-12-19 | 2020-12-18 | 国网江西省电力有限公司电力科学研究院 | 工业控制***异常检测方法、设备和服务器、存储介质 |
CN112115416A (zh) * | 2020-08-06 | 2020-12-22 | 深圳市水务科技有限公司 | 预测性维护方法、设备及存储介质 |
CN112508283A (zh) * | 2020-12-12 | 2021-03-16 | 广东电力信息科技有限公司 | 一种时间序列模型的构建方法、装置 |
WO2021057245A1 (zh) * | 2019-09-23 | 2021-04-01 | 北京达佳互联信息技术有限公司 | 带宽预测方法、装置、电子设备及存储介质 |
CN112799913A (zh) * | 2021-01-28 | 2021-05-14 | 中国工商银行股份有限公司 | 容器运行异常检测方法及装置 |
CN113190429A (zh) * | 2021-06-03 | 2021-07-30 | 河北师范大学 | 服务器性能预测方法、装置及终端设备 |
CN113743738A (zh) * | 2021-08-11 | 2021-12-03 | 湖北省食品质量安全监督检验研究院 | 食品安全风险等级区间预测的方法和装置 |
CN115482837A (zh) * | 2022-07-25 | 2022-12-16 | 科睿纳(河北)医疗科技有限公司 | 一种基于人工智能的情绪分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5884037A (en) * | 1996-10-21 | 1999-03-16 | International Business Machines Corporation | System for allocation of network resources using an autoregressive integrated moving average method |
CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息***性能态势感知方法 |
-
2019
- 2019-07-11 CN CN201910627110.3A patent/CN110400010A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5884037A (en) * | 1996-10-21 | 1999-03-16 | International Business Machines Corporation | System for allocation of network resources using an autoregressive integrated moving average method |
CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息***性能态势感知方法 |
Non-Patent Citations (1)
Title |
---|
刘洋: "基于GRU神经网络的时间序列预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11374825B2 (en) | 2019-09-23 | 2022-06-28 | Beijing Daijia Internet Information Technology Co., Ltd. | Method and apparatus for predicting bandwidth |
WO2021057245A1 (zh) * | 2019-09-23 | 2021-04-01 | 北京达佳互联信息技术有限公司 | 带宽预测方法、装置、电子设备及存储介质 |
CN112101400A (zh) * | 2019-12-19 | 2020-12-18 | 国网江西省电力有限公司电力科学研究院 | 工业控制***异常检测方法、设备和服务器、存储介质 |
CN111476265A (zh) * | 2020-02-26 | 2020-07-31 | 珠海格力电器股份有限公司 | 一种感应门控制方法、装置、终端及计算机可读介质 |
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 |
CN111898826A (zh) * | 2020-07-31 | 2020-11-06 | 北京文思海辉金信软件有限公司 | 资源消耗预测方法、装置、电子设备及可读存储设备 |
CN112115416A (zh) * | 2020-08-06 | 2020-12-22 | 深圳市水务科技有限公司 | 预测性维护方法、设备及存储介质 |
CN111931054A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院深圳先进技术研究院 | 一种基于改进残差结构的序列推荐方法和*** |
CN111931054B (zh) * | 2020-08-14 | 2024-01-05 | 中国科学院深圳先进技术研究院 | 一种基于改进残差结构的序列推荐方法和*** |
CN112508283A (zh) * | 2020-12-12 | 2021-03-16 | 广东电力信息科技有限公司 | 一种时间序列模型的构建方法、装置 |
CN112799913A (zh) * | 2021-01-28 | 2021-05-14 | 中国工商银行股份有限公司 | 容器运行异常检测方法及装置 |
CN113190429A (zh) * | 2021-06-03 | 2021-07-30 | 河北师范大学 | 服务器性能预测方法、装置及终端设备 |
CN113743738A (zh) * | 2021-08-11 | 2021-12-03 | 湖北省食品质量安全监督检验研究院 | 食品安全风险等级区间预测的方法和装置 |
CN115482837A (zh) * | 2022-07-25 | 2022-12-16 | 科睿纳(河北)医疗科技有限公司 | 一种基于人工智能的情绪分类方法 |
CN115482837B (zh) * | 2022-07-25 | 2023-04-28 | 科睿纳(河北)医疗科技有限公司 | 一种基于人工智能的情绪分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400010A (zh) | 预测方法、装置、电子设备以及计算机可读存储介质 | |
Keller | International technology diffusion | |
Borade et al. | Software project effort and cost estimation techniques | |
De Menezes et al. | Review of guidelines for the use of combined forecasts | |
Claveria et al. | Data pre-processing for neural network-based forecasting: does it really matter? | |
WO2019041439A1 (zh) | 核保难度预测的方法、装置、计算机设备及存储介质 | |
CN110287086A (zh) | 一种周期性时间的交易量预测方法及装置 | |
CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN108830417B (zh) | 一种基于arma和回归分析的生活能源消费预测方法及*** | |
CN113361810B (zh) | 一种客流量预测方法、装置、设备和存储介质 | |
CN105825286A (zh) | 一种武器装备全生命周期费用估算***及方法 | |
Nasr et al. | Continuous inventory control with stochastic and non-stationary Markovian demand | |
Prakaulya et al. | Railway passenger forecasting using time series decomposition model | |
Pereira et al. | A metamodel for estimating error bounds in real-time traffic prediction systems | |
CN106656662A (zh) | 异常带宽确定方法、***及电子设备 | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN110147388A (zh) | 一种数据处理的方法及装置 | |
CN109598607A (zh) | 基于人工智能监控自学习模型的方法、装置及存储介质 | |
CN108985595A (zh) | 基于交易方互评的移动交易服务评价方法及装置 | |
Herbst | Methods and benchmarks for auto-scaling mechanisms in elastic cloud environments | |
Zhukov et al. | A stochastic dynamics model for shaping stock indexes using self-organization processes, memory and oscillations | |
CN115860562A (zh) | 一种软件工作量合理性评判方法、装置及设备 | |
Alsoltany et al. | Estimating fuzzy linear regression model for air pollution predictions in Baghdad city | |
CN114880067A (zh) | 一种基于容器负载预测的容器调度策略 | |
Martınez Jaramillo et al. | Systemic risk analysis by means of network theory: an empirical study of the Mexican banking system |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |
|
RJ01 | Rejection of invention patent application after publication |