CN111796995B - 基于集成学习的循环序列号使用量预警方法及*** - Google Patents
基于集成学习的循环序列号使用量预警方法及*** Download PDFInfo
- Publication number
- CN111796995B CN111796995B CN202010611333.3A CN202010611333A CN111796995B CN 111796995 B CN111796995 B CN 111796995B CN 202010611333 A CN202010611333 A CN 202010611333A CN 111796995 B CN111796995 B CN 111796995B
- Authority
- CN
- China
- Prior art keywords
- serial number
- time period
- prediction
- data
- sequence number
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- JDDHUROHDHPVIO-UHFFFAOYSA-N Piperazine citrate Chemical compound C1CNCCN1.C1CNCCN1.C1CNCCN1.OC(=O)CC(O)(C(O)=O)CC(O)=O.OC(=O)CC(O)(C(O)=O)CC(O)=O JDDHUROHDHPVIO-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229940103147 propet Drugs 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于集成学习的循环序列号使用量预警方法及***，所述方法包括：得到当前时间之前预设时间段内的序列号数据；通过预设的集成学习模型根据所述序列号数据对序列号进行预测得到未来时间段的序列号使用量，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测；根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息，本发明可满足使用量突增和不同场景情况下循环序列号的准确监控预警。
Description
技术领域
本发明涉及智能运维技术领域，尤其涉及一种基于集成学习的循环序列号使用量预警方法及***。
背景技术
循环序列号是交易的标识，同一时间窗口内重复的序列号会导致交易失败，因此序列号的使用直接关系到用户的体验，为保证应用的循环序列号不会在同一时间窗口重复使用，需要对循环序列号变量作为特殊资源进行监控，并明确序列号上限。但是，目前对于循环序列号的监控预警方法无法适应使用量突增和不同场景的循环序列号的准确监控预警。
发明内容
本发明的一个目的在于提供一种基于集成学习的循环序列号使用量预警方法，满足使用量突增和不同场景情况下循环序列号的准确监控预警。本发明的另一个目的在于提供一种基于集成学习的循环序列号使用量预警***。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
为了达到以上目的，本发明一方面公开了一种基于集成学习的循环序列号使用量预警方法，包括：
得到当前时间之前预设时间段内的序列号数据；
通过预设的集成学习模型根据所述序列号数据对序列号进行预测得到未来时间段的序列号使用量，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测；
根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息。
优选的，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测具体包括：
所述集成学习模型用于分别通过多种预测算法对序列号进行预测得到未来时间段的序列号使用量的预测量；
根据每种预测算法预测得到的预测量乘以预测算法对应的权重得到每个预测算法加权后的预测量；
将所有预测算法的预测量的和除以所有权重的和得到未来时间段的序列号使用量。
优选的，进一步包括形成所述集成学习模型的步骤。
优选的，所述形成所述集成学习模型具体包括：
获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据；
分别采用多种预测算法根据第一时间段的实际序列号数据预测第二时间段内的序列号使用量；
根据每个预测算法预测得到的第二时间段内的序列号使用量与第二时间段内的实际序列号数据得到每个预测算法的权重；
根据每个预测算法和对应的权重得到所述集成学习模型。
优选的，所述多种预测算法包括ARIMA算法、Holt-Winters算法和Prophet。
优选的，所述获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据具体包括：
获取历史第一时间段和第二时间段两个连续时间段内的序列号值和时间戳的原始数据；
去除所述原始数据中的异常数据和空值得到处理后的原始数据；
根据循环序列号使用量值对所述处理后的原始数据进行差分得到周期性序列号数据。
本发明另一方面公开了一种基于集成学习的循环序列号使用量预警***，包括：
数据处理模块，用于得到当前时间之前预设时间段内的序列号数据；
序列号预测模块，用于通过预设的集成学习模型根据所述序列号数据对序列号进行预测得到未来时间段的序列号使用量，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测；
序列号预警模块，用于根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息。
优选的，所述序列号预测模块包括：
数据预测单元，用于所述集成学习模型用于分别通过多种预测算法对序列号进行预测得到未来时间段的序列号使用量的预测量；
数据加权单元，用于根据每种预测算法预测得到的预测量乘以预测算法对应的权重得到每个预测算法加权后的预测量；
综合预测单元，用于将所有预测算法的预测量的和除以所有权重的和得到未来时间段的序列号使用量。
优选的，进一步包括模型构建模块，用于形成所述集成学习模型。
优选的，所述模型构建模块包括：
实际数据获取单元，用于获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据；
实际数据预测单元，用于分别采用多种预测算法根据第一时间段的实际序列号数据预测第二时间段内的序列号使用量；
权重确定单元，用于根据每个预测算法预测得到的第二时间段内的序列号使用量与第二时间段内的实际序列号数据得到每个预测算法的权重；
模型构建单元，用于根据每个预测算法和对应的权重得到所述集成学习模型。
优选的，所述实际数据获取单元具体用于获取历史第一时间段和第二时间段两个连续时间段内的序列号值和时间戳的原始数据，去除所述原始数据中的异常数据和空值得到处理后的原始数据，根据循环序列号使用量值对所述处理后的原始数据进行差分得到周期性序列号数据。
本发明还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，
所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机可读介质，其上存储有计算机程序，
该程序被处理器执行时实现如上所述方法。
本发明通过采用多种预测算法对未来时间段的序列号使用量进行预测，并结合多种预测算法的权重得到未来时间段内的序列号使用量。从而本发明充分考虑了不同时间段序列号使用量的不同，根据当前时间之前预设时间段内的序列号数据实时预测当前时间段之后的未来时间段内的序列号使用量，适应不同时间段序列号突增的特殊情况。同时，本发明采用表示各个预测算法预测准确度的权重对预测得到的序列号使用量进行调整，提高序列号使用量预测的准确度，实现不同场景循环序列号的准确预测和监控预警，满足不同类型序列号预测的需求。
附图说明
为了更清楚地说明本发明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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出本发明一种基于集成学习的循环序列号使用量预警方法一个具体实施例的流程图；
图2示出本发明一种基于集成学习的循环序列号使用量预警方法一个具体实施例S200的流程图；
图3示出本发明一种基于集成学习的循环序列号使用量预警方法一个具体实施例S000的流程图；
图4示出本发明一种基于集成学习的循环序列号使用量预警方法一个具体实施例S010的流程图；
图5示出本发明一种基于集成学习的循环序列号使用量预警***一个具体实施例的结构图；
图6示出本发明一种基于集成学习的循环序列号使用量预警***一个具体实施例序列号预测模块的结构图；
图7示出本发明一种基于集成学习的循环序列号使用量预警***一个具体实施例包括模型构建模块的结构图；
图8示出本发明一种基于集成学习的循环序列号使用量预警***一个具体实施例模型构建模块的结构图；
图9示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
目前对循环序列号的预测有两种方式，一种主要通过统计方式或者使用回归算法实现序列号资源的预测，这种预测方式没有考虑序列号特殊时段的使用量徒增的现象。第二种主要通过简单的预测算法实现序列号的预测，该方式相对第一种精度较高。但是，简单的预测算法在不同场景的预测效果可能不一样，不同应用的序列号使用情况也不尽相同，因此无法用一种预测算法适用所有应用的序列号预测和监控预警。基于此，为了满足多种类型序列号和序列号突增预测的需求，本发明基于时间序列预测算法和集成学习思想，通过选取多种应用较多及预测效果较好的时间序列预测算法，利用测试数据的预测准确度作为各算法权重，实现能适用多种应用场景和时间的序列号智能预测和监控预警方法。
根据本发明的一个方面，本实施例公开了一种基于集成学习的循环序列号使用量预警方法。如图1所示，本实施例中，所述方法包括：
S100：得到当前时间之前预设时间段内的序列号数据。
S200：通过预设的集成学习模型根据所述序列号数据对序列号进行预测得到未来时间段的序列号使用量，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测。
S300：根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息。
本发明通过采用多种预测算法对未来时间段的序列号使用量进行预测，并结合多种预测算法的权重得到未来时间段内的序列号使用量。从而本发明充分考虑了不同时间段序列号使用量的不同，根据当前时间之前预设时间段内的序列号数据实时预测当前时间段之后的未来时间段内的序列号使用量，适应不同时间段序列号突增的特殊情况。同时，本发明采用表示各个预测算法预测准确度的权重对预测得到的序列号使用量进行调整，提高序列号使用量预测的准确度，实现不同场景循环序列号的准确预测和监控预警，满足不同类型序列号预测的需求。
在优选的实施方式中，如图2所示，所述S200中集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测具体可包括：
S210：所述集成学习模型用于分别通过多种预测算法对序列号进行预测得到未来时间段的序列号使用量的预测量。
S220：根据每种预测算法预测得到的预测量乘以预测算法对应的权重得到每个预测算法加权后的预测量。
S230：将所有预测算法的预测量的和除以所有权重的和得到未来时间段的序列号使用量。
可以理解的是，对于不同应用和时间段，不同预测算法的预测准确度不同，为了提供一种可适用于不同应用的预测方法，本发明根据集成学习思想，提供了一种集成学习模型。在形成集成学习模型时，预先确定各个预测算法的预测准确度，作为各个预测算法的权重。根据预测算法和对应的权重确定一个综合加权的序列号使用量，从而可提高序列号使用量的预测准确度。
在一个具体例子中，所述多种预测算法包括ARIMA算法、Holt-Winters算法和Prophet算法。其中，例如通过预先的数据统计分析可得到ARIMA算法的预测准确度是0.9，Holt-Winters算法的预测准确度是0.7，Prophet算法的预测准确度是0.8，则集成学习模型可表示为如下公式：
其中，Amount为序列号使用量的预测值，PredARIMA为ARIMA算法的序列号使用量的预测值，PredProphet为Prophet算法的序列号使用量的预测值，PredHolt-Winters为Holt-Winters算法的序列号使用量的预测值。
在优选的实施方式中，所述方法进一步包括形成所述集成学习模型的步骤S000。可以理解的是，通过对历史序列号数据采用预测算法进行预测分析可得到不同预测算法的预测准确度，从而形成集成学习模型。
在优选的实施方式中，如图3所示，所述S000形成所述集成学习模型具体包括：
S010：获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据。
S020：分别采用多种预测算法根据第一时间段的实际序列号数据预测第二时间段内的序列号使用量。
S030：根据每个预测算法预测得到的第二时间段内的序列号使用量与第二时间段内的实际序列号数据得到每个预测算法的权重。
S040：根据每个预测算法和对应的权重得到所述集成学习模型。
在该优选的实施方式中，采用多个预测算法分别根据第一时间段的实际序列号数据进行预测得到第二时间段的序列号使用量。由于序列号通常是根据预设规律形成的，根据序列号的使用量可以得到实际序列号数据，将预测得到的实际序列号数据与历史第二时间段内的实际序列号数据相比对，可得到多个预测算法的预测准确度。每个预测算法可根据历史大量的实际序列号数据形成训练数据，并采用训练数据训练得到。将历史第一时间段和第二时间段两个连续时间段内的实际序列号数据作为测试数据。
在一个具体例子中，多种预测算法包括ARIMA算法、Holt-Winters算法和Prophet算法。首先，则利用训练数据训练ARIMA时间序列预测算法，利用测试数据计算ARIMA算法预测准确度。利用训练数据训练Holt-Winters时间序列预测算法，利用测试数据计算Holt-Winters算法预测准确度。利用训练数据训练Prophet时间序列预测算法，利用测试数据计算Prophet算法预测准确度。然后，基于训练的算法的预测准确度作为各算法的权重，实现循环序列号预测集成学习模型。
其中，在统计分析预测算法的预测准确度时，可根据对应时间段序列号的实际值设置准确范围，例如，可选取实际值上下浮动一定比例的数据范围作为准确范围。如果预测值在该准确范围内表示预测准确。进一步的，统计多个时间点预测算法的预测是否准确可得到该预测算法的预测准确度。其中，优选的，可选取实际值上下浮动2％的数据范围作为准确范围
在优选的实施方式中，本发明进一步支持集成学习模型的在线实时更新。具体的，在预测得到未来时间段内的序列号使用量后，可获取未来时间段内的实际序列号使用量，重新确定各个预测算法的预测准确度，并可根据未来时间段内序列号使用量的预测量和实际量形成训练数据，对集成学习模型的多个预测算法进行训练以不断更新集成学习模型，提高序列号使用量预测的准确度。
在优选的实施方式中，如图4所示，所述S010中获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据具体可包括：
S011：获取历史第一时间段和第二时间段两个连续时间段内的序列号值和时间戳的原始数据。
S012：去除所述原始数据中的异常数据和空值得到处理后的原始数据。
S013：根据循环序列号使用量值对所述处理后的原始数据进行差分得到周期性序列号数据。
在该优选的实施方式中，可通过SpringBoot技术实时获取序列号原始数据。为了将原始数据应用于预测算法，可对原始数据进行预处理，得到具有序列号值和对应的时间戳的序列号数据。根据当前时间段的序列号值和时间戳可预测得到未来时间段的序列号使用量。处理得到的序列号数据可存储在ElasticSearch中，在后续使用时，可通过规则查询从ElasticSearch中获取序列号数据。
同理的，在S100中得到当前时间之前预设时间段内的序列号数据时，预设时间段优选的可选择一个周的时间，可将采集的最新序列号值和时间戳的原始数据进行预处理得到序列号数据，再与存储的经预处理得到的一个周内的序列号数据进行合并，即用实时采集的最新数据替换存储的序列号数据中对应时间的序列号数据，从而可得到当前时间之前预设时间段内的序列号数据。
在优选的实施方式中，S300中根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息中，通过预测得到的序列号使用量以及当前时间实际使用的序列号值可确定未来时间段内序列号使用量是否会用完，并形成预警信息。若会用完，可通过预警信息的形式向用户反馈以提醒用户调整序列号，避免序列号用完而出现序列号重新的情况。优选的，序列号数据可存储在ElasticSearch中，用户可通过ElasticSearch提供的查询功能，选取查看的时间段，实时从ElasticSearch获取查看时间段内的实际序列号值和预测序列号值，该预测序列号值可根据预测的序列号使用量得到。ElasticSearch可通过线条图等多种展示方式向用户展示查看时间段内的序列号实际值和预测值间的关系。
基于相同原理，本实施例还公开了一种基于集成学习的循环序列号使用量预警***。如图5所示，本实施例中，所述***包括数据处理模块11、序列号预测模块12和序列号预警模块13。
其中，所述数据处理模块11用于得到当前时间之前预设时间段内的序列号数据。
所述序列号预测模块12用于通过预设的集成学习模型根据所述序列号数据对序列号进行预测得到未来时间段的序列号使用量，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测。
所述序列号预警模块13用于根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息。
在优选的实施方式中，如图6所示，所述序列号预测模块12包括数据预测单元121、数据加权单元122和综合预测单元123。
其中，所述数据预测单元121用于所述集成学习模型用于分别通过多种预测算法对序列号进行预测得到未来时间段的序列号使用量的预测量。
所述数据加权单元122用于根据每种预测算法预测得到的预测量乘以预测算法对应的权重得到每个预测算法加权后的预测量。
所述综合预测单元123用于将所有预测算法的预测量的和除以所有权重的和得到未来时间段的序列号使用量。
在优选的实施方式中，如图7所示，所述***进一步包括模型构建模块10。模型构建模块10用于形成所述集成学习模型。
在优选的实施方式中，如图8所示，所述模型构建模块10包括实际数据获取单元101、实际数据预测单元102、权重确定单元103和模型构建单元104。
其中，所述实际数据获取单元101用于获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据。
所述实际数据预测单元102用于分别采用多种预测算法根据第一时间段的实际序列号数据预测第二时间段内的序列号使用量。
所述权重确定单元103用于根据每个预测算法预测得到的第二时间段内的序列号使用量与第二时间段内的实际序列号数据得到每个预测算法的权重。
所述模型构建单元104用于根据每个预测算法和对应的权重得到所述集成学习模型。
在优选的实施方式中，所述实际数据获取单元101具体用于获取历史第一时间段和第二时间段两个连续时间段内的序列号值和时间戳的原始数据，去除所述原始数据中的异常数据和空值得到处理后的原始数据，根据循环序列号使用量值对所述处理后的原始数据进行差分得到周期性序列号数据。
由于该***解决问题的原理与以上方法类似，因此本***的实施可以参见方法的实施，在此不再赘述。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法。
下面参考图9，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图9所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有***600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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***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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (9)
1.一种基于集成学习的循环序列号使用量预警方法，其特征在于，包括：
得到当前时间之前预设时间段内的序列号数据；
通过预设的集成学习模型根据所述序列号数据对序列号进行预测得到未来时间段的序列号使用量，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测；
根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息；
进一步包括形成所述集成学习模型的步骤，包括：
获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据，包括：
获取历史第一时间段和第二时间段两个连续时间段内的序列号值和时间戳的原始数据；
去除所述原始数据中的异常数据和空值得到处理后的原始数据；
根据循环序列号使用量值对所述处理后的原始数据进行差分得到周期性序列号数据。
2.根据权利要求1所述的基于集成学习的循环序列号使用量预警方法，其特征在于，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测具体包括：
所述集成学习模型用于分别通过多种预测算法对序列号进行预测得到未来时间段的序列号使用量的预测量；
根据每种预测算法预测得到的预测量乘以预测算法对应的权重得到每个预测算法加权后的预测量；
将所有预测算法的预测量的和除以所有权重的和得到未来时间段的序列号使用量。
3.根据权利要求1所述的基于集成学习的循环序列号使用量预警方法，其特征在于，所述形成所述集成学习模型具体还包括：
分别采用多种预测算法根据第一时间段的实际序列号数据预测第二时间段内的序列号使用量；
根据每个预测算法预测得到的第二时间段内的序列号使用量与第二时间段内的实际序列号数据得到每个预测算法的权重；
根据每个预测算法和对应的权重得到所述集成学习模型。
4.根据权利要求1所述的基于集成学习的循环序列号使用量预警方法，其特征在于，所述多种预测算法包括ARIMA算法、Holt-Winters算法和Prophet。
5.一种基于集成学习的循环序列号使用量预警***，其特征在于，包括：
数据处理模块，用于得到当前时间之前预设时间段内的序列号数据；
序列号预测模块，用于通过预设的集成学习模型根据所述序列号数据对序列号进行预测得到未来时间段的序列号使用量，所述集成学习模型用于根据多种预测算法及每个预测算法的权重对序列号进行预测；
序列号预警模块，用于根据所述序列号使用量得到序列号在未来时间段内是否用完的预警信息；
进一步包括模型构建模块，用于形成所述集成学习模型；
所述模型构建模块包括：
实际数据获取单元，用于获取历史第一时间段和第二时间段两个连续时间段内的实际序列号数据；
所述实际数据获取单元具体用于获取历史第一时间段和第二时间段两个连续时间段内的序列号值和时间戳的原始数据，去除所述原始数据中的异常数据和空值得到处理后的原始数据，根据循环序列号使用量值对所述处理后的原始数据进行差分得到周期性序列号数据。
6.根据权利要求5所述的基于集成学习的循环序列号使用量预警***，其特征在于，所述序列号预测模块包括：
数据预测单元，用于所述集成学习模型用于分别通过多种预测算法对序列号进行预测得到未来时间段的序列号使用量的预测量；
数据加权单元，用于根据每种预测算法预测得到的预测量乘以预测算法对应的权重得到每个预测算法加权后的预测量；
综合预测单元，用于将所有预测算法的预测量的和除以所有权重的和得到未来时间段的序列号使用量。
7.根据权利要求5所述的基于集成学习的循环序列号使用量预警***，其特征在于，所述模型构建模块还包括：
实际数据预测单元，用于分别采用多种预测算法根据第一时间段的实际序列号数据预测第二时间段内的序列号使用量；
权重确定单元，用于根据每个预测算法预测得到的第二时间段内的序列号使用量与第二时间段内的实际序列号数据得到每个预测算法的权重；
模型构建单元，用于根据每个预测算法和对应的权重得到所述集成学习模型。
8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述程序时实现如权利要求1-4任一项所述方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，
该程序被处理器执行时实现如权利要求1-4任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611333.3A CN111796995B (zh) | 2020-06-30 | 2020-06-30 | 基于集成学习的循环序列号使用量预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611333.3A CN111796995B (zh) | 2020-06-30 | 2020-06-30 | 基于集成学习的循环序列号使用量预警方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111796995A CN111796995A (zh) | 2020-10-20 |
| CN111796995B true CN111796995B (zh) | 2024-02-09 |
Family
ID=72811524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010611333.3A Active CN111796995B (zh) | 2020-06-30 | 2020-06-30 | 基于集成学习的循环序列号使用量预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111796995B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
| CN108846525A (zh) * | 2018-08-02 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务***的监控方法及装置 |
| CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
| CN110503235A (zh) * | 2019-07-05 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 时间序列的预测方法及*** |
| CN110515956A (zh) * | 2019-09-02 | 2019-11-29 | 中国工商银行股份有限公司 | 序列号获取方法、装置、***、电子设备及存储介质 |
-
2020
- 2020-06-30 CN CN202010611333.3A patent/CN111796995B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
| CN108846525A (zh) * | 2018-08-02 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务***的监控方法及装置 |
| CN110503235A (zh) * | 2019-07-05 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 时间序列的预测方法及*** |
| CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
| CN110515956A (zh) * | 2019-09-02 | 2019-11-29 | 中国工商银行股份有限公司 | 序列号获取方法、装置、***、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111796995A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400024B (zh) | 订单预测的方法、装置、设备和计算机可读存储介质 | |
| CN106959894B (zh) | 资源分配方法和装置 | |
| CN104616173B (zh) | 预测用户流失的方法以及设备 | |
| CN109039727B (zh) | 基于深度学习的消息队列监控方法及装置 | |
| CN108537399B (zh) | 一种物料需求量的预测方法及装置 | |
| CN111752706B (zh) | 资源配置方法、装置及存储介质 | |
| US10789146B2 (en) | Forecasting resource utilization | |
| CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| CN111310105B (zh) | 一种确定用工方案的方法及装置 | |
| CN111143070A (zh) | 一种资源调度方法和装置 | |
| US11651271B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using likelihood ratios | |
| CN112398670A (zh) | 流量预测方法、装置、计算设备及计算机存储介质 | |
| CN111796995B (zh) | 基于集成学习的循环序列号使用量预警方法及*** | |
| US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
| US10365893B2 (en) | Sample-based multidimensional data cloning | |
| CN115983759A (zh) | 物品需求量预测方法及装置、电子设备和存储介质 | |
| CN116523446A (zh) | 物品流转量信息发送方法、装置、设备和计算机可读介质 | |
| US20200279199A1 (en) | Generating a completion prediction of a task | |
| CN112131468A (zh) | 推荐***中的数据处理方法、装置 | |
| CN113435623B (zh) | 一种预警方法和装置 | |
| CN114138095B (zh) | 互联网数据中心idc的功耗处理方法、设备和可读介质 | |
| CN113027414B (zh) | 预测原油经济可采储量的方法和装置 | |
| CN114448839B (zh) | 自适应分布式***压测方法、装置及*** | |
| CN113033857B (zh) | 预测直线递减生产井初始年产量的方法和装置 | |
| CN111382754B (zh) | 用户聚类方法、装置、设备和介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |