CN114548173A - 一种精准的周期性检测方法、***及存储介质 - Google Patents
一种精准的周期性检测方法、***及存储介质 Download PDFInfo
- Publication number
- CN114548173A CN114548173A CN202210165849.9A CN202210165849A CN114548173A CN 114548173 A CN114548173 A CN 114548173A CN 202210165849 A CN202210165849 A CN 202210165849A CN 114548173 A CN114548173 A CN 114548173A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- value
- data
- period
- prediction
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000000737 periodic effect Effects 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000265 homogenisation Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种精准的周期性检测方法、***及存储介质，该方法包括：基于去除异常点方法，对捕获的时间序列进行预处理，得到预处理后的时间序列；对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列；对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值；结合历史数据对候选周期值进行周期性验证计算，得到最终周期值。该***包括：第一数据获取模块、第二数据获取模块、第三数据获取模块和最终数据获取模块。通过使用本发明，能够在不降低预测效率的同时提高预测结果的精准性。本发明作为一种精准的周期性检测方法、***及存储介质，可广泛应用于计算机数据处理技术领域。
Description
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种精准的周期性检测方法、***及存储介质。
背景技术
随着数据规模和应用程序的爆发式增长，云计算已经成为一种快速有效的解决手段。在租户使用云计算服务的过程中，产生了大量的时间序列。由于租户的行为中有大量周期性行为，体现在时间序列中也包含周期性信息。周期性检测是时间序列处理中的一项重要任务，在分类、聚类、调度等时间序列的应用中起到至关重要的作用，但是现阶段的时间序列周期性预测方法，常受异常点和噪声的干扰，得到大量预测不精确的结果。
发明内容
为了解决上述技术问题，本发明的目的是提供一种精准的周期性检测方法、***及存储介质，能够在不降低预测效率的同时提高了预测结果的精准性。
本发明所采用的第一技术方案是：一种精准的周期性检测方法，包括以下步骤：
基于去除异常点方法，对捕获的时间序列进行预处理，得到预处理后的时间序列；
对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列；
对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值；
结合历史数据对候选周期值进行周期性验证计算，得到最终周期值。
进一步，所述基于去除异常点方法，对捕获的时间序列进行预处理，得到预处理后的时间序列这一步骤，其具体包括：
根据网络流量数据的使用信息捕获原始时间序列；
对原始时间序列进行数据平滑处理，得到平滑时间序列；
对平滑时间序列进行去除异常点处理，得到预处理后的时间序列。
进一步，所述对平滑时间序列进行去除异常点处理，得到预处理后的时间序列这一步骤，其具体包括：
对平滑时间序列进行数据监测，得到异常点时间序列；
对异常点时间序列进行分类，得到***误差异常点时间序列和非***误差异常点时间序列；
基于平均值代替异常值方法对***误差异常点时间序列进行处理，得到第一处理时间序列；
基于均匀化方法对非***误差异常点时间序列进行处理，得到第二处理时间序列；
结合第一处理时间序列和第二处理时间序列，得到预处理后的时间序列。
进一步，所述对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列这一步骤，其具体包括：
将预处理后的时间序列进行多层次尺度系数的转换，并构建多层次尺度系数；
对多层次尺度系数进行零填充处理，得到零填充尺度系数；
将零填充尺度系数反变换为原始域，得到不同层次的去噪时间序列。
进一步，所述对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值这一步骤，其具体包括：
通过自相关函数对不同层次的去噪时间序列的不同层次分别进行计算，得到多个周期预测值的预测结果；
根据周期预测值的预测结果进行判断；
判断到预测结果中存在重复值，选取结果中的众数周期值作为候选周期值；
判断到预测结果呈两极化分布，选取预测结果的两极周期值作为候选周期值；
判断到预测结果中存在异常点周期预测值，剔除异常点周期值，选取其余预测结果的均值作为候选周期值。
进一步，所述自相关函数的公式表示如下：
上式中，ACFk为自相关函数，μ为时间序列的均值，σ2为时间序列的方差，X＝(X0,X1,...,XN-1)为时间序列，N表示时间序列的长度，k表示常数系数值。
进一步，所述结合历史数据对候选周期值进行周期性验证计算，得到最终周期值这一步骤，其具体包括：
选取部分历史数据进行离散小波变换去噪处理和自相关函数计算，得到多个历史数据候选周期值；
对多个历史数据候选周期值在第一处理时间序列中进行验证处理，得到最终预测周期值；
基于多个历史数据候选周期值对历史数据进行加权计算，得到未来数据预测值；
对历史数据的长度进行判断，判断到历史数据长度≧3倍周期长度，则预测未来数据，对未来数据的时间序列与第一处理时间序列进行比较，验证候选周期值的正确性；
分别计算使用未来数据预测值和第一处理时间序列之间的皮尔逊系数，得到多个皮尔逊系数值；
选取皮尔逊系数的最大值，对皮尔逊系数值进行判断，判断到皮尔逊系数值高于设定的阈值，进行周期预测的正确性验证；
选取皮尔逊系数最大值的候选周期值作为最终周期值，增加历史数据长度继续预测，进行周期预测的稳定性验证，得到长远未来数据预测值；
对长远未来数据预测值与第一处理时间序列进行比较，对周期预测的稳定性进行判断，判断到两者的时间序列比较接近则输出最终周期值。
本发明所采用的第二技术方案是：一种精准的周期性检测***，包括：
第一数据获取模块，用于对捕获的时间序列进行预处理得到预处理后的时间序列；
第二数据获取模块，用于对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列；
第三数据获取模块，用于对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值；
最终数据获取模块，用于结合历史数据对候选周期值进行周期性验证计算，得到最终周期值。
一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的数据预测方法。
本发明方法及***的有益效果是：本发明利用基于频率-时间联合域的精准周期预测方法，通过离散小波变换(DWT)去噪处理技术，保留原本频域信息的同时去除高频噪声，再通过自相关函数(ACF)计算候选周期值，最后对候选周期值进行周期性验证，在保证计算准确率的前提下提升计算结果的精确率。
附图说明
图1是本发明一种精准的周期性检测方法的步骤流程图；
图2是本发明一种精准的周期性检测***的结构框图；
图3是本发明获取时间序列异常点和波动的示意图；
图4是本发明DWT算法的计算流程图；
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明利用基于频率-时间联合域的精准周期预测方法，通过离散小波变换(DWT)，保留原本频域信息的同时去除高频噪声，再通过自相关函数计算(ACF)计算候选周期，能够在不降低预测效率的同时提高了预测结果的精准性。
参照图1，本发明提供了一种精准的周期性检测方法，该方法包括以下步骤：
S1、基于去除异常点方法，对捕获的时间序列进行预处理，得到预处理后的时间序列。
S11、根据网络流量数据的使用信息捕获原始时间序列；
S12、对原始时间序列进行数据平滑处理，得到平滑时间序列；
具体地，参照图3，采集原始的网络流量数据，通过采集到的网络流量数据中获取时间序列，对网络流量数据的采集过程中，会有短暂的数据缺失现象，例如当网络处于高负荷运载情况下，为了保证流量数据的传输，会暂时停止对网络流量数据的采集，短暂的流量数据采集缺失会表现在时间序列数据的缺失，产生一个极小值，导致数据的波动，对此类***误差导致的异常点需要通过数据预处理去除。由于用户的使用，流量上可能会产生瞬时流量峰值，这是由于用户的正常业务导致的，但也可能因此产生连续的峰值，因此，需要在保留流量的变化波动的情况下，对数据进行平滑处理，尽量减小波动中毛刺的出现。
S13、对平滑时间序列进行去除异常点处理，得到预处理后的时间序列。
S131、将平滑时间序列中存在数据波动变化的平滑时间序列片段进行数据检测，得到异常点时间序列；
具体地，以数据的变化量构成新的序列，通过图基检验方法对数据进行检测，将异常点分类处理。图基检验方法是通过计算数据的上四分位数Q3和下四分位数Q1，并根据系数k求出最大值估计Q3+k(Q3-Q1)和最小值估计Q1-k(Q3-Q1)，本文采用图基检验方法得到的结果k＝1.5，以此寻找数据中异常点序列。
S132、对异常点时间序列进行分类，得到***误差异常点时间序列和非***误差异常点时间序列；
S133、基于平均值代替异常值方法对***误差异常点时间序列进行处理，得到第一处理时间序列；
S134、基于均匀化方法对非***误差异常点时间序列进行处理，得到第二处理时间序列；
S135、结合第一处理时间序列和第二处理时间序列，得到预处理后的时间序列。
具体地，采用数据的变化量序列求异常点序列是为了便于区分不同类型的异常点，对于***误差导致的极小值，体现在异常点序列中是长度为2的连续序列，第一个值小于最小值估计，第二个值大于最大值估计，对于这类异常点，采用前后数据的平均值代替异常值。对于其他类型的异常值，采用均匀化方法，将原始的异常值序列替换为均匀间隔的先增后减序列，以平滑数据，同时保留流的变化信息，输出预处理后的时间序列。
S2、对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列。
S21、将预处理后的时间序列进行多层次尺度系数的转换，并构建多层次尺度系数；
S22、对多层次尺度系数进行零填充处理，得到零填充尺度系数；
S23、将零填充尺度系数反变换为原始域，得到不同层次的去噪时间序列。
具体地，采用离散小波变换DWT算法对输入时间序列进行不同层次的去噪，便于后期对周期值进行周期性检测，对预处理后的时间序列进行DWT计算，假设长度为N的时间序列X＝(X0,X1,...,XN-1)，根据如下公式计算j层小波系数wj和尺度系数vj
上式中，j表示时间序列的层次，wj表示时间序列的小波系数，vj表示时间序列的尺度系数，hl表示高通滤波器，gl表示低通滤波器，k表示常数系数值，N为时间序列的长度，且Nj≡N*2-j，v0＝X。
针对预处理后的时间序列，低频成分相当重要，它常常蕴含着时间序列的特征，而高频成分则对应时间序列的细节或差别，对于周期性预测的任务，高频成分中虽然也蕴含少量的周期信息，但大多数则为噪声，去除高频部分可以增加ACF预测的准确率，因此，采用零填充的方法，去除各层计算得到的小波系数，只使用比例系数进行小波重构，得到不同层次的去噪时间序列，输出不同层次的去噪时间序列。
S3、对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值。
S31、通过自相关函数对不同层次的去噪时间序列的不同层次分别进行计算，得到多个周期预测值的预测结果；
S32、根据周期预测值的预测结果进行判断；
S33、判断到预测结果中存在重复值，选取结果中的众数周期值作为候选周期值；
S34、判断到预测结果呈两极化分布，选取预测结果的两极周期值作为候选周期值；
S35、判断到预测结果中存在异常点周期预测值，剔除异常点周期值，选取其余预测结果的均值作为候选周期值。
具体地，参照图4，通过DWT得到不同层次的去噪时间序列后，采用ACF计算不同层次去噪后的时间序列的周期。通过ACF计算可以得到具有滞后值的任何序列的自相关值。具体来说，它描述了该序列的当前值与其未来值之间的相关程度，时间序列可以包含趋势、季节性、周期性和残差等成分，ACF在寻找相关性时会考虑所有这些成分，包括直接和间接的相关性信息对于长度为N的时间序列X＝(X0,X1,...,XN-1)，根据如下公式计算ACFk：
上式中，ACFk为自相关函数，μ为时间序列的均值，σ2为时间序列的方差，X＝(X0,X1,...,XN-1)为时间序列，N表示时间序列的长度，k表示常数系数值，
基于得到ACF的计算结果后，进一步选取局部峰值中的最大值作为ACF计算得到的周期，对于不同层次的去噪时间序列，分别计算出不同的ACF预测结果，得到多个周期的预测值，根据周期预测值的预测结果进行判断，当周期的预测结果中有重复值，选取预测结果中的众数作为候选周期，当周期的预测结果呈现两极化分布时，由于DWT过程中有误差，会导致ACF分别预测出长周期和短周期，选取预测结果的两级作为候选周期，当周期的预测结果中出现异常点，将该异常点去除，选取其余预测结果的均值作为候选周期。
S4、结合历史数据对候选周期值进行周期性验证计算，得到最终周期值。
S41、选取部分历史数据进行离散小波变换去噪处理和自相关函数计算，得到多个历史数据候选周期值；
具体地，由于ACF的计算过程导致倾向于发现长周期，而且容易出现异常值和噪声，计算结果会也会因为DWT过程中的计算误差或时间序列中的异常点而产生误差。因此，需要验证候选周期值的正确性和稳定性，以达到精准预测周期的目的，对于已有的历史数据，首先选取其中少部分数据进行周期性预测，在根据预测的结果决定使用更多数据预测周期或验证周期的稳定性，取出部分历史数据，通过DWT和ACF得到多个历史数据候选周期值。
S42、对多个历史数据候选周期值在第一处理时间序列中进行验证处理，得到最终预测周期值；
S43、基于多个历史数据候选周期值对历史数据进行加权计算，得到未来数据预测值；
具体地，由于ACF的计算可能会产生多个周期的预测结果，需要对每个历史数据候选周期值在源数据中进行验证，找出最适合的历史数据候选周期值，得到第一历史数据周期值，基于得到的第一历史数据周期值，对第一历史数据周期值进行加权处理得到未来数据周期预测值。
S44、对历史数据的长度进行判断，判断到历史数据长度≧3倍周期长度，则预测未来数据，对未来数据的时间序列与第一处理时间序列进行比较，验证候选周期值的正确性；
具体地，对于长度为N时间序列X＝(X0,X1,...,XN-1)，得到周期T后，对t时刻的预测结果为Xt＝(Xt-T+Xt-2T+Xt-3T)/3，当未来数据周期预测值不足3个周期时，使用真实数据作为预测数据，进一步等到有足够多历史信息在进行周期的正确性验证，对于周期预测的正确性验证，基于候选周期值对未来数据周期预测值进行预测，并将预测结果和真实数据进行比较，若预测结果和真实时间序列比较接近，则认为候选周期值预测的结果正确。
S45、分别计算使用未来数据预测值和第一处理时间序列之间的皮尔逊系数，得到多个皮尔逊系数值；
S46、选取皮尔逊系数的最大值，对皮尔逊系数值进行判断，判断到皮尔逊系数值高于设定的阈值，进行周期预测的正确性验证；
S47、选取皮尔逊系数最大值的候选周期值作为最终周期值，增加历史数据长度继续预测，进行周期预测的稳定性验证，得到长远未来数据预测值；
具体地，基于得到的多个历史数据候选周期值，计算使用候选周期值对未来时间序列的预测结果和第一处理时间序列之间的的皮尔逊系数(PCC)，用来表示预测结果和真实结果间的相关程度，计算结果越接近1，则表示越强的相关性，进一步取PCC最大值对应的周期作为预测周期值。若PCC的结果高于预定义的阈值，则说明预测结果和真实数据有较强相关性，说明周期的预测正确，可以用该周期继续预测更长远的数据来验证周期的稳定性，得到长远未来数据周期预测值，若PCC的结果低于预定义的阈值，说明预测结果和真实数据间有一定的差异，不能用预测数据表示真实数据，因此需要增加历史数据，对周期值重新预测。
S48、对长远未来数据预测值与第一处理时间序列进行比较，对周期预测的稳定性进行判断，判断到两者的时间序列比较接近则输出最终周期值。
具体地，对于周期预测的稳定性，基于历史数据周期值继续预测更长远的未来数据，得到长远未来数据预测值，若能长期保持预测结果和真实时间序列接近，则说明该周期能长期稳定存在，认为该周期比较稳定。本发明的仿真实验数据如下表：
参照图2，一种精准的周期性检测***，包括：
第一数据获取模块，用于对捕获的时间序列进行预处理得到预处理后的时间序列；
第二数据获取模块，用于对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列；
第三数据获取模块，用于对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值；
最终数据获取模块，用于结合历史数据对候选周期值进行周期性验证计算，得到最终周期值。
本发明还提供一种计算机存储介质，其上存储有计算机程序，本发明的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在该计算机存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机存储介质不包括电载波信号和电信信号。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种精准的周期性检测方法，其特征在于，包括以下步骤：
基于去除异常点方法，对捕获的时间序列进行预处理，得到预处理后的时间序列；
对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列；
对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值；
结合历史数据对候选周期值进行周期性验证计算，得到最终周期值。
2.根据权利要求1所述一种精准的周期性检测方法，其特征在于，所述基于去除异常点方法，对捕获的时间序列进行预处理，得到预处理后的时间序列这一步骤，其具体包括：
根据网络流量数据的使用信息捕获原始时间序列；
对原始时间序列进行数据平滑处理，得到平滑时间序列；
对平滑时间序列进行去除异常点处理，得到预处理后的时间序列。
3.根据权力要求2所述一种精准的周期性检测方法，其特征在于，所述对平滑时间序列进行去除异常点处理，得到预处理后的时间序列这一步骤，其具体包括：
对平滑时间序列进行数据监测，得到异常点时间序列；
对异常点时间序列进行分类，得到***误差异常点时间序列和非***误差异常点时间序列；
基于平均值代替异常值方法对***误差异常点时间序列进行处理，得到第一处理时间序列；
基于均匀化方法对非***误差异常点时间序列进行处理，得到第二处理时间序列；
结合第一处理时间序列和第二处理时间序列，得到预处理后的时间序列。
4.根据权利要求3所述一种精准的周期性检测方法，其特征在于，所述对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列这一步骤，其具体包括：
将预处理后的时间序列进行多层次尺度系数的转换，并构建多层次尺度系数；
对多层次尺度系数进行零填充处理，得到零填充尺度系数；
将零填充尺度系数反变换为原始域，得到不同层次的去噪时间序列。
5.根据权利要求4所述一种精准的周期性检测方法，其特征在于，所述对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值这一步骤，其具体包括：
通过自相关函数对不同层次的去噪时间序列的不同层次分别进行计算，得到多个周期预测值的预测结果；
根据周期预测值的预测结果进行判断；
判断到预测结果中存在重复值，选取结果中的众数周期值作为候选周期值；
判断到预测结果呈两极化分布，选取预测结果的两极周期值作为候选周期值；
判断到预测结果中存在异常点周期预测值，剔除异常点周期值，选取其余预测结果的均值作为候选周期值。
6.根据权利要求5所述一种精准的周期性检测方法，其特征在于，所述自相关函数的公式表示如下：
上式中，ACFk为自相关函数，μ为时间序列的均值，σ2为时间序列的方差，X＝(X0,X1,...,XN-1)为时间序列，N表示时间序列的长度，k表示常数系数值。
7.根据权利要求6所述一种精准的周期性检测方法，其特征在于，所述结合历史数据对候选周期值进行周期性验证计算，得到最终周期值这一步骤，其具体包括：
选取部分历史数据进行离散小波变换去噪处理和自相关函数计算，得到多个历史数据候选周期值；
对多个历史数据候选周期值在第一处理时间序列中进行验证处理，得到最终预测周期值；
基于多个历史数据候选周期值对历史数据进行加权计算，得到未来数据预测值；
对历史数据的长度进行判断，判断到历史数据长度≧3倍周期长度，则预测未来数据，对未来数据的时间序列与第一处理时间序列进行比较，验证候选周期值的正确性；
分别计算使用未来数据预测值和第一处理时间序列之间的皮尔逊系数，得到多个皮尔逊系数值；
选取皮尔逊系数的最大值，对皮尔逊系数值进行判断，判断到皮尔逊系数值高于设定的阈值，进行周期预测的正确性验证；
选取皮尔逊系数最大值的候选周期值作为最终周期值，增加历史数据长度继续预测，进行周期预测的稳定性验证，得到长远未来数据预测值；
对长远未来数据预测值与第一处理时间序列进行比较，对周期预测的稳定性进行判断，判断到两者的时间序列比较接近则输出最终周期值。
8.一种精准的周期性检测***，其特征在于，包括以下模块：
第一数据获取模块，用于对捕获的时间序列进行预处理得到预处理后的时间序列；
第二数据获取模块，用于对预处理后的时间序列进行离散小波变换去噪处理，得到不同层次的去噪时间序列；
第三数据获取模块，用于对不同层次的去噪时间序列进行自相关函数计算，得到候选周期值；
最终数据获取模块，用于结合历史数据对候选周期值进行周期性验证计算，得到最终周期值。
9.计算机可读存储介质，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权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165849.9A CN114548173A (zh) | 2022-02-23 | 2022-02-23 | 一种精准的周期性检测方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165849.9A CN114548173A (zh) | 2022-02-23 | 2022-02-23 | 一种精准的周期性检测方法、***及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548173A true CN114548173A (zh) | 2022-05-27 |
Family
ID=81677643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210165849.9A Pending CN114548173A (zh) | 2022-02-23 | 2022-02-23 | 一种精准的周期性检测方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548173A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115150159B (zh) * | 2022-06-30 | 2023-11-10 | 深信服科技股份有限公司 | 一种流量检测方法、装置、设备及可读存储介质 |
-
2022
- 2022-02-23 CN CN202210165849.9A patent/CN114548173A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115150159B (zh) * | 2022-06-30 | 2023-11-10 | 深信服科技股份有限公司 | 一种流量检测方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110839016B (zh) | 异常流量监测方法、装置、设备及存储介质 | |
| CN108880931B (zh) | 用于输出信息的方法和装置 | |
| CN117370329B (zh) | 基于工业物联网的设备数据智能化管理方法及*** | |
| US20120078814A1 (en) | System and method for forecasting realized volatility via wavelets and non-linear dynamics | |
| CN113570396A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
| CN110909306B (zh) | 业务异常检测方法、装置、电子设备和存储设备 | |
| CN112734494A (zh) | 一种销量预测方法、装置、终端设备及可读存储介质 | |
| CN105718848A (zh) | 一种指纹图像的质量评估方法及装置 | |
| CN108111353B (zh) | 预付卡剩余流量预测方法、网络终端和存储介质 | |
| CN112506752A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
| CN112631881A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
| CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
| CN114548173A (zh) | 一种精准的周期性检测方法、***及存储介质 | |
| CN113837806A (zh) | 产品流转量预测方法、装置、电子设备和存储介质 | |
| CN117149293B (zh) | 一种操作***个性化配置方法 | |
| CN113127803A (zh) | 业务集群容量预估模型的建立方法、装置及电子设备 | |
| CN110134575B (zh) | 一种服务器集群的服务能力计算方法及装置 | |
| CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
| CN115130026A (zh) | 目标对象的确定方法、装置、介质及电子设备 | |
| CN113190429A (zh) | 服务器性能预测方法、装置及终端设备 | |
| Jung et al. | Robust statistical pixel estimation | |
| CN112882822B (zh) | 生成负载预测模型的方法、装置、设备和存储介质 | |
| CN112418534B (zh) | 揽件量预测方法及装置、电子设备、计算机可读存储介质 | |
| CN115982455B (zh) | 基于模糊断点回归模型的流量调整方法、装置和电子设备 | |
| CN117473275B (zh) | 一种数据中心的能耗检测方法 |
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 |