CN111985713B - 数据指标波形预测方法及装置 - Google Patents
数据指标波形预测方法及装置 Download PDFInfo
- Publication number
- CN111985713B CN111985713B CN202010836482.XA CN202010836482A CN111985713B CN 111985713 B CN111985713 B CN 111985713B CN 202010836482 A CN202010836482 A CN 202010836482A CN 111985713 B CN111985713 B CN 111985713B
- Authority
- CN
- China
- Prior art keywords
- index
- predicted
- data
- time period
- determining
- 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 39
- 230000000737 periodic effect Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据指标波形预测方法及装置,其中,该方法包括:根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据;根据各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据,其中,关联指标为与待预测指标具有关联关系的数据指标;根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据;根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果。本发明结合待预测指标和关联指标的历史指标数据,对待预测指标进行预测,能够使得数据指标的波形预测结果更加准确。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种数据指标波形预测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在运维领域,常常涉及到对各种业务和运维数据生成的波形做预测。现有的运维数据预测方法,仅对待预测指标数据自身的历史走势进行分析,而实际上,在运维领域,某个指标数据的状态常常和其他指标数据的状态有内在的相关性。因而,如何提供一种结合待预测指标与相关指标之间的关联关系,对待预测指标进行预测的方案,还目前亟待解决的技术问题。
发明内容
本发明实施例中提供了一种数据指标波形预测方法,用以解决现有数据指标预测方法,仅考虑待预测数据指标的历史波形走势,存在预测结果不准确的技术问题,该方法包括:根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据;根据各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据,其中,关联指标为与待预测指标具有关联关系的数据指标;根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据;根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果。
本发明实施例中还提供了一种数据指标波形预测装置,用以解决现有数据指标预测方法,仅考虑待预测数据指标的历史波形走势,存在预测结果不准确的技术问题,该装置包括:指标预测模块,用于根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据;关联指标预测模块,用于根据各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据,其中,关联指标为与待预测指标具有关联关系的数据指标;指标数据处理模块,用于根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据;波形预测模块,用于根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果。
本发明实施例中还提供了一种计算机设备,用以解决现有数据指标预测方法,仅考虑待预测数据指标的历史波形走势,存在预测结果不准确的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述数据指标波形预测方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有数据指标预测方法,仅考虑待预测数据指标的历史波形走势,存在预测结果不准确的技术问题,该计算机可读存储介质存储有执行上述数据指标波形预测方法的计算机程序。
本发明实施例中,在根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据后,根据与待预测指标具有关联关系的各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据,进而根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据,最后根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果,与现有技术中仅考虑待预测数据指标的历史波形走势对待预测数据指标的波形进行预测的技术方案相比,本发明实施例结合待预测指标和关联指标的历史指标数据,对待预测指标进行预测,能够使得数据指标的波形预测结果更加准确。
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。在附图中:
图1为本发明实施例中提供一种数据指标波形预测方法流程图;
图2为本发明实施例中提供一种可选的确定关联指标的方法流程图;
图3为本发明实施例中提供一种数据指标波形预测装置示意图;
图4为本发明实施例中提供一种可选的数据指标波形预测装置示意图;
图5为本发明实施例中提供一种计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种数据指标的波形预测方法,图1为本发明实施例中提供一种数据指标波形预测方法流程图,如图1所示,该方法可以包括如下步骤:
S101,根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据。
需要说明的是,本发明实施例中待预测指标可以是待预测的任意一种数据指标,可以是业务数据指标,也可以是运维数据指标。
对于单个运维领域的数据,其走势往往是有大致周期性的,不同的业务,周期不同,有以一天为周期的,也有以一周或者一月甚至一年为周期。
针对周期性数据指标,可以根据待预测指标在多个历史周期的指标数据,确定待预测指标未来一个或多个周期内的指标预测值。由于不同历史周期内的数据,对预测结果的数据重要程度不同,不同历史时刻的数据,对预测结果的重要程度也不同,通常情况下,距离当前时刻越远的数据,历史参考意义越小,对当前下一时刻波形的走势和取值影响也就越小。
由此,在一个实施例中,当待预测指标为周期性数据指标的情况下,上述待预测时间段可以包括:待预测指标的一个或多个待预测周期;上述S101可以通过如下步骤来实现:获取各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值;根据各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值,对待预测指标在各个历史周期内的指标数据进行加权平均计算,得到待预测指标在待预测时间段内的第一指标数据。通过该实施例,给不同周期、不同时刻的历史数据赋予合适的权重值,参与对未来数据取值的预测,能够得到更准确的预测结果。
在具体实施时,本发明实施例引入时间衰减函数f1和f2,利用f1表征在一个周期T内,随时间远去的数据对当前下一时刻数据影响的权重为f1(t1),其中,-T1≤t1≤0;利用f2表征不同周期内整体的历史数据对当前下一时刻数据影响的权重为f2(t2),其中,t2为非正整数,t2=0表示当前周期,t2=-1表示上一个周期)。t2可以根据实际的情况选取|T2|个取值,例如,只考虑最近三个周期的数据,则t2可分别取值为0、-1、-2。
通过如下公式计算待预测数据指标下一时刻的指标值DataNextVal:
其中,
f1(t)=eα·t,(t<=0,α为常数因子);
f2(t)=1/(t+1)β,(t<=0,且为整数,β为常数因子);
Data(t)=data,(t<=0,该函数用于得到过去某时刻波值);
其中,Data为历史数据的函数,Data(0)表示当前数据,Data(t)表示距离当前t时刻的数据。
本发明实施例中,给不同以周期不同权重,每一周期内不同时刻以不同权重,最后经过将加权后的各个周期历史数据叠加,得到当前下一时刻的预测数据PreData。
需要注意的是,本发明实施例中f1和f2的公式可以替换,根据具体应用情况的不同,可以选择效果最好的公式。
S102,根据各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据,其中,关联指标为与待预测指标具有关联关系的数据指标。
需要说明的是,在实际应用场景中,一个数据指标的变化,往往与其他数据指标有一定的关联性,因而,通过分析一些关联指标的指标数据,能够有助于对待预测指标的预测。
需要注意的是,与待预测指标具有关联关系的数据指标可能是周期性数据指标,也可能是非周期性数据指标,还可能是离散数据指标,则上述S102可以通过如下任意一种或多种方式来实现:
方式一:如果关联指标为周期性数据指标,则根据关联指标在多个历史周期内的指标数据,确定关联指标在待预测时间段内的指标数据;
方式二:如果关联指标为非周期性数据指标,则基于长短期记忆网络模型,确定关联指标在待预测时间段内的指标数据;
方式三:如果关联指标为离散数据指标,则基于朴素贝叶斯分类模型,确定关联指标在待预测时间段内的指标数据。
S103,根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据。
在具体实施时,可以基于预先训练好的AdaBoost算法回归模型,根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据。
S104,根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果。
由上可知,本发明实施例中提供的数据指标的波形预测方法,在根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据后,根据与待预测指标具有关联关系的各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据,进而根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据,最后根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果。
通过本发明实施例中提供的数据指标的波形预测方法,结合待预测指标和关联指标的历史指标数据,对待预测指标进行预测,能够使得数据指标的波形预测结果更加准确。
在一个实施例中,如图2所示,本发明实施例中提供的数据指标的波形预测方法,可以通过如下步骤来确定与待预测指标具有关联关系的各个关联指标:
S201,获取预先配置的关联指标映射表,其中,关联指标映射表中包含各个数据指标之间的关联关系;
S202,根据关联指标映射表,确定待预测指标的关联指标集合,其中,关联指标集合内包含:与待预测指标具有关联关系的一个或多个关联指标。
表1示出了一种关联指标映射表,假设使用X表示待测指标波形,用Y表示与待测指标相关的运维指标集合,Yi表示集合中第i个指标;对Y中各个指标分别进行数据预测。如果相关指标集合有周期波形,非周期波形和离散数据指标,则对于周期波形,方法同第一部分进行预测;如果是非周期波形,通过LTSM进行预测;如果是离散指标数据,则通过朴素贝叶斯训练的多分类模型进行预测。最终得到Y的预测值Ypre。
在根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的指标数据(即第二指标数据)的时候,可以假设t时刻X的值为Xt,Y的值为Yt(Yt是个集合)。对于X和Y的历史数据,取若干个时刻点对应的Xt和Yt,组成训练集;使用AdaBoost回归模型,将Yt作为模型输入,将Xt作为模型输出,对模型进行训练,得到基于Y预测X的模型M-ada;在训练好模型M-ada之后,将关联指标的预测值Ypre输入到模型M-ada,得到待预测指标的指标值Xpre;最后对PreData和Xpre求均值,得到待预测数据指标的预测值,即X-fin=(PreData+Xpre)/2。
在具体实施时,本发明实施例中提供的数据指标波形预测方法可以通过如下步骤来实现:
第一步:调用N6模块,N6调用N0模块,N0内部各个模块关系如下:
①调用M1,确定待测指标是否为周期性数据指标,若是,则确定其周期T1。
②调用M2,确定需要使用的时间衰减函数f1,确定其中的常数因子。
③调用M3,确定需要使用的时间衰减函数f2,确定其中的常数因子。
④调用M4,M4调用M5(M5底层调用M7)读取历史数据,同时调用M2获取f1,调用M3获取f2,协助M4完成在线预测(在线预测用到的公式为上述求解DataNextVal的公式)。输出下一时刻的数据波预测值。如果不需要预测未来一段时间的数据波值,则退出,否则进入⑤。
⑤确定需要预测未来一段数据波的时长F。迭代调用M4(将每一轮M4预测数据模拟历史数据),从而迭代得到未来一段时间F的预测数据波,输出预测结果。
第二步:调用N3模块,确定待测指标的关联指标集合。
第三步:调用N4,N4根据关联指标集合调用N0、N1、N2,分别得到各个关联指标的预测值。
第四步:调用N5的AdaBoost模型(需要提前基于Adaboost训练好模型)。
第五步:调用N7,接收N5和N6输出的预测结果,整合后输出最终预测结果。
其中,M1为周期确定模块;M2为f1时间衰减函数模块;M3为f2时间衰减函数模块;M4为在线预测函数模块;M5为历史数据读取模块;M6为未来一段数据波值预测模块;M7为数据库模块;N0为周期连续数据预测模块;N1为非周期连续数据预测模块(LSTM);N2为离散数据预测模块(朴素贝叶斯);N3为关联指标映射表读取模块;N4为关联指标预测模块;N5为基于关联指标预测待预测指标模块;N6为基于待预测指标历史数据预测待预测指标的模块;N7为结果整合模块。
下面对各个模块的功能进行说明:
(1)模块N0:
M1接收历史数据和业务知识,输出数据波周期T1。传送给M4。输出f1和f2的常数因子,分别传送给M2和M3;
M2接收t1,表征一个历史数据在一个周期中的位置,输出该位置对应的历史数据的权重f1(t1)。传送给M4;
M3接收t2,表征一个历史数据距离当前数据,隔了T2个周期,输出属于该周期的全体历史数据的权重f2(t2),传送给M4;
M5接收过去某一时刻的时间t,调用M7,输出该时刻数据波的历史数据Data,传送给M4;
M4输入数据波周期T1和需要回溯的历史周期个数T2,调用M5、M2和M3,输出下一时刻数据波预测值。如果M4被M6调用,结果传送给M6,否则直接输出终端;
M6输入需要预测未来多久一段时间的参数F,迭代调用M4,得到未来一段时间长度为F的数据波连续取值;
M7输入为t,表征过去某时刻距离当前时刻的时间长度,输出历史上距离现在t时刻的数据波取值,结果传送给M5。
模块N1、N2:在初始化阶段:接收N3的关联指标映射表,对涉及的所有指标分别训练预测模型;在服务阶段:接收待测指标的各个关联指标,调用相关模型,输出各个关联指标的预测结果。
模块N3:获取运维人员预先配置的关联指标映射表;
模块N4:接收待测指标的各个关联指标,调用对应的N1、N2的模型进行预测。将N1、N2的返回值作为输出结果。
模块N5:在初始化阶段:接收N3的关联指标映射表,根据表中两列数据的关系,针对表中每一行,分别训练出对应的AdaBoost模型;在服务阶段:接收N4的输出,调用相关模型,输出待测指标的预测值。
模块N6:调用N0,得到预测值。
模块N7:接收N5、N6的输出,整合后输出最终结果。
基于同一发明构思,本发明实施例中还提供了一种数据指标波形预测装置,如下面的实施例所述。由于该装置解决问题的原理与上述数据指标波形预测方法相似,因此该装置的实施可以参见上述数据指标波形预测方法的实施,重复之处不再赘述。
图3为本发明实施例中提供一种数据指标波形预测装置示意图,如图3所示,该装置可以包括:指标预测模块31、关联指标预测模块32、指标数据处理模块33和波形预测模块34。
其中,指标预测模块31,用于根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据;关联指标预测模块32,用于根据各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据,其中,关联指标为与待预测指标具有关联关系的数据指标;指标数据处理模块33,用于根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据;波形预测模块34,用于根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果。
由上可知,本发明实施例中提供的数据指标的波形预测装置,通过指标预测模块31根据待预测指标的历史指标数据,确定待预测指标在待预测时间段内的第一指标数据;通过关联指标预测模块32根据与待预测指标具有关联关系的各个关联指标的历史指标数据,确定各个关联指标在待预测时间段内的指标数据;通过指标数据处理模块33根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据;通过波形预测模块34根据待预测指标在待预测时间段内的第一指标数据和第二指标数据,确定待预测指标在待预测时间段内的波形预测结果。
通过本发明实施例中提供的数据指标的波形预测装置,结合待预测指标和关联指标的历史指标数据,对待预测指标进行预测,能够使得数据指标的波形预测结果更加准确。
在一个实施例中,本发明实施例中提供的数据指标波形预测装置中,待预测指标可以是周期性数据指标,待预测时间段可以包括:待预测指标的一个或多个待预测周期;如图4所示,上述指标预测模块31可以包括:权重配置模块311,用于获取各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值;指标计算模块312,用于根据各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值,对待预测指标在各个历史周期内的指标数据进行加权平均计算,得到待预测指标在待预测时间段内的第一指标数据。
在一个实施例中,如图4所示,上述关联指标预测模块32包括:第一关联指标预测模块321,用于如果关联指标为周期性数据指标,则根据关联指标在多个历史周期内的指标数据,确定关联指标在待预测时间段内的指标数据;第二关联指标预测模块322,用于如果关联指标为非周期性数据指标,则基于长短期记忆网络模型,确定关联指标在待预测时间段内的指标数据;第三关联指标预测模块323,用于基于朴素贝叶斯分类模型,确定关联指标在待预测时间段内的指标数据。
在一个实施例中,如图4所示,本发明实施例中提供的数据指标波形预测装置还可以包括:关联指标映射表获取模块35,用于获取预先配置的关联指标映射表,其中,关联指标映射表中包含各个数据指标之间的关联关系;关联指标确定模块36,用于根据关联指标映射表,确定待预测指标的关联指标集合,其中,关联指标集合内包含:与待预测指标具有关联关系的一个或多个关联指标。
可选地,上述指标数据处理模块33还可以用于基于预先训练好的AdaBoost算法回归模型,根据各个关联指标在待预测时间段内的指标数据,确定待预测指标在待预测时间段内的第二指标数据。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,用以解决现有数据指标预测方法,仅考虑待预测数据指标的历史波形走势,存在预测结果不准确的技术问题,图5为本发明实施例中提供一种计算机设备示意图,如图5所示,该计算机设备50包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序,处理器502执行计算机程序时实现上述数据指标波形预测方法。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,用以解决现有数据指标预测方法,仅考虑待预测数据指标的历史波形走势,存在预测结果不准确的技术问题,该计算机可读存储介质存储有执行上述数据指标波形预测方法的计算机程序。
综上所述,本发明实施例中提供了一种数据指标波形预测方法、装置、计算机设备及计算机可读存储介质,与现有技术中仅考虑待预测数据指标的历史波形走势对待预测数据指标的波形进行预测的技术方案相比,本发明实施例结合待预测指标和关联指标的历史指标数据,对待预测指标进行预测,能够使得数据指标的波形预测结果更加准确。
需要注意的是,现有技术利用神经网络模型预测数据指标的波形走势,对于具有周期性走势的数据波,神经网络模型的可解释性差,没有清晰的逻辑,且模型一旦训练好,则利用模型进行预测,缺乏灵活性;如果需要扩大对历史数据的参考范围,需要重新训练模型,但深度学习的训练相对较慢,从而导致缺乏快速更改配置的反应能力,另外,神经网络模型的运算复杂,对于硬件要求过高,终端设备不一定能部署。而本发明实施例提供的数据指标波形预测方案,对于周期的确定依赖的是客观世界的现实观察和分析,充分利用业务逻辑的先验知识确认,可解释性强;如果需要扩大对历史数据的参考范围,只需要修改时间衰减函数f2自变量的取值范围即可快速实现,由于仅涉及到数学运算,硬件要求低;利用关联指标的信息辅助待测指标的预测,能够使得预测结果更加精确。
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。
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。
以上所述的具体实施例,对本发明的目的、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,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种数据指标波形预测方法,其特征在于,包括:
根据待预测指标的历史指标数据,确定所述待预测指标在待预测时间段内的第一指标数据;
根据各个关联指标的历史指标数据,确定各个关联指标在所述待预测时间段内的指标数据,其中,所述关联指标为与所述待预测指标具有关联关系的数据指标;
根据各个关联指标在所述待预测时间段内的指标数据,确定所述待预测指标在所述待预测时间段内的第二指标数据;
根据所述待预测指标在所述待预测时间段内的第一指标数据和第二指标数据,确定所述待预测指标在所述待预测时间段内的波形预测结果;
其中,所述待预测指标为周期性数据指标,所述待预测时间段包括:所述待预测指标的一个或多个待预测周期;其中,根据待预测指标的历史指标数据,确定所述待预测指标在待预测时间段内的第一指标数据,包括:
获取各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值;
根据各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值,对所述待预测指标在各个历史周期内的指标数据进行加权平均计算,得到所述待预测指标在所述待预测时间段内的第一指标数据;
根据各个关联指标的历史指标数据,确定各个关联指标在所述待预测时间段内的指标数据,包括:
如果关联指标为周期性数据指标,则根据关联指标在多个历史周期内的指标数据,确定关联指标在所述待预测时间段内的指标数据;
如果关联指标为非周期性数据指标,则基于长短期记忆网络模型,确定关联指标在所述待预测时间段内的指标数据;
如果关联指标为离散数据指标,则基于朴素贝叶斯分类模型,确定关联指标在所述待预测时间段内的指标数据。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取预先配置的关联指标映射表,其中,所述关联指标映射表中包含各个数据指标之间的关联关系;
根据所述关联指标映射表,确定待预测指标的关联指标集合,其中,所述关联指标集合内包含:与所述待预测指标具有关联关系的一个或多个关联指标。
3.如权利要求1所述的方法,其特征在于,根据各个关联指标在所述待预测时间段内的指标数据,确定所述待预测指标在所述待预测时间段内的第二指标数据,包括:
基于预先训练好的AdaBoost算法回归模型,根据各个关联指标在所述待预测时间段内的指标数据,确定所述待预测指标在所述待预测时间段内的第二指标数据。
4.一种数据指标波形预测装置,其特征在于,包括:
指标预测模块,用于根据待预测指标的历史指标数据,确定所述待预测指标在待预测时间段内的第一指标数据;
关联指标预测模块,用于根据各个关联指标的历史指标数据,确定各个关联指标在所述待预测时间段内的指标数据,其中,所述关联指标为与所述待预测指标具有关联关系的数据指标;
指标数据处理模块,用于根据各个关联指标在所述待预测时间段内的指标数据,确定所述待预测指标在所述待预测时间段内的第二指标数据;
波形预测模块,用于根据所述待预测指标在所述待预测时间段内的第一指标数据和第二指标数据,确定所述待预测指标在所述待预测时间段内的波形预测结果;
其中,所述待预测指标为周期性数据指标,所述待预测时间段包括:所述待预测指标的一个或多个待预测周期;所述指标预测模块包括:
权重配置模块,用于获取各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值;
指标计算模块,用于根据各个历史周期对应的权重值和每个历史周期内各个预设时刻对应的权重值,对所述待预测指标在各个历史周期内的指标数据进行加权平均计算,得到所述待预测指标在所述待预测时间段内的第一指标数据;
所述关联指标预测模块包括:
第一关联指标预测模块,用于如果关联指标为周期性数据指标,则根据关联指标在多个历史周期内的指标数据,确定关联指标在所述待预测时间段内的指标数据;
第二关联指标预测模块,用于如果关联指标为非周期性数据指标,则基于长短期记忆网络模型,确定关联指标在所述待预测时间段内的指标数据;
第三关联指标预测模块,用于基于朴素贝叶斯分类模型,确定关联指标在所述待预测时间段内的指标数据。
5.如权利要求4所述的装置,其特征在于,所述装置还包括:
关联指标映射表获取模块,用于获取预先配置的关联指标映射表,其中,所述关联指标映射表中包含各个数据指标之间的关联关系;
关联指标确定模块,用于根据所述关联指标映射表,确定待预测指标的关联指标集合,其中,所述关联指标集合内包含:与所述待预测指标具有关联关系的一个或多个关联指标。
6.如权利要求4所述的装置,其特征在于,所述指标数据处理模块还用于基于预先训练好的AdaBoost算法回归模型,根据各个关联指标在所述待预测时间段内的指标数据,确定所述待预测指标在所述待预测时间段内的第二指标数据。
7.一种计算机设备,包括存储器、处理器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计算机程序时实现权利要求1至3任一项所述数据指标波形预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至3任一项所述数据指标波形预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010836482.XA CN111985713B (zh) | 2020-08-19 | 2020-08-19 | 数据指标波形预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010836482.XA CN111985713B (zh) | 2020-08-19 | 2020-08-19 | 数据指标波形预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985713A CN111985713A (zh) | 2020-11-24 |
CN111985713B true CN111985713B (zh) | 2023-08-18 |
Family
ID=73435424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010836482.XA Active CN111985713B (zh) | 2020-08-19 | 2020-08-19 | 数据指标波形预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985713B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617564A (zh) * | 2013-12-04 | 2014-03-05 | 国家电网公司 | 基于区域负荷预测值综合评价的全网负荷预测方法 |
CN106156875A (zh) * | 2015-04-10 | 2016-11-23 | 株式会社日立制作所 | 用于对预测对象进行预测的方法和装置 |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、***和容量管理装置 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、***、计算机设备及存储介质 |
-
2020
- 2020-08-19 CN CN202010836482.XA patent/CN111985713B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617564A (zh) * | 2013-12-04 | 2014-03-05 | 国家电网公司 | 基于区域负荷预测值综合评价的全网负荷预测方法 |
CN106156875A (zh) * | 2015-04-10 | 2016-11-23 | 株式会社日立制作所 | 用于对预测对象进行预测的方法和装置 |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、***和容量管理装置 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、***、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111985713A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216741B2 (en) | Analysis apparatus, analysis method, and non-transitory computer readable medium | |
US9047559B2 (en) | Computer-implemented systems and methods for testing large scale automatic forecast combinations | |
EP3537317A1 (en) | System and method for determination of air entrapment in ladles | |
US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
KR20200075071A (ko) | 불확실성 예측을 위한 샘플링 모델 생성 장치 및 방법, 불확실성 예측 장치 | |
CN109472412A (zh) | 一种事件的预测方法及装置 | |
EP3239905A1 (en) | Methods and apparatus for use in predicting non-stationary time-series data | |
CN112381320A (zh) | 一种社区人员流量预测方法、***、存储介质及设备 | |
CN114417733A (zh) | 构建功耗预测模型的方法、装置、电子设备及存储介质 | |
CN111563236B (zh) | 一种短期风速预测方法及装置 | |
Bhardwaj et al. | Health insurance amount prediction | |
CN113988264A (zh) | 获得用于执行流量预测业务的图神经网络的方法及装置 | |
CN111985713B (zh) | 数据指标波形预测方法及装置 | |
Minitaeva | Analysis of the multi-criteria decision-making problem under conditions of heterogeneous interval uncertainty | |
Maslovskyi et al. | Adaptive test system of student knowledge based on neural networks | |
CN110909884A (zh) | 一种用于更新参数模型的方法、装置、产品及介质 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN114612231A (zh) | 股票量化交易方法、装置、终端设备及可读存储介质 | |
Crone et al. | Feature selection of autoregressive neural network inputs for trend time series forecasting | |
RU2622858C1 (ru) | Способ оценки информации об эффективности функционирования системы и устройство на его основе для решения задач управления, контроля и диагностики | |
Chen et al. | A novel interval estimation framework for wind power forecasting using multi-objective gradient descent optimization | |
CN117234954B (zh) | 一种基于机器学习算法的智能在线测试方法及*** | |
US20230267363A1 (en) | Machine learning with periodic data | |
RU2671301C1 (ru) | Способ и устройство оценки эффективности стратегии долгосрочного планирования мероприятий по обеспечению требуемого состояния сложной организационно-технической системы | |
Riesterer et al. | Implications of guessing types in multinomial processing tree models: Conditional reasoning as an example |
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 |