>>P 产品中心 Product center
> 滑轨屏 标准模块 > 滑轨屏 成套产品 > 滑轨屏 高端定制 > 开合门 | 开合屏
>>C 案例中心 Case
> 开合屏 > 旋转滑轨屏 > 弧形滑轨屏 > 多点触控 > 数字展厅 > 虚拟展馆 > 3D 渲染 > 三维全景 > 多屏互动 > 虚拟现实
>>I 项目日志 Information
> 开合门胜利完工 > 张之洞博物馆完工 > 汽车教学 AR、VR和体感等互动 > 安徽滑轨项目施工篇 > 连云港86寸定制款滑轨屏之物料 > 连云港86寸定制款滑轨屏之施工 > 河北邯郸馆陶县互动滑轨屏项目 > 武汉绘芯辽宁项目日志
C 联系方式 Contact Us

地址: 湖北省武汉市江夏区藏龙岛九凤街谭湖一路8号

邮编: 443000

电话: +86-027-87052087

手机: +86-13329706647

邮箱: 956693667@qq.com

当前位置:首页 > 行业咨讯 > 行业咨讯

滑轨电视 来了来了!趋势预测算法大PK!

时间:2021-08-03 13:02来源:hxceshi 点击:

头图 | CSDN 付费下载自视觉中国

趋势预测在很多应用场景中都会起到至关重要的作用,比如淘宝商家会考虑库存量应该保持在多少才能够满足客户需求,商场希望得知假期会迎来多大的客流量以安排系列活动,机场想要预测五一黄金周会有多大的客运量来做相应的应急部署等。在智能运维领域,趋势预测同样具有一定的理论意义和实际应用价值。

趋势预测在运维场景中的应用背景

在实时监控系统中会采集到大量的数据,有些数据具有周期性等时间特征,也称之为时间序列。如果能挖掘出时间序列中所蕴含的信息,实现辅助人工决策,甚至是自动决策,都会为运维工作带来事半功倍的效果。

比如KPI异常检测可以衡量服务的健康程度,分析出CPU、买卖量、响应时间等指标的历史规律后,设置动态阈值,得到愈加准确的异常报警,减少漏报误报情况的发生多功能教学一体机,提高应急响应效率;通过对历史事件单的分析,预测出下次系统告警可能发生的时间或者指定时间内可能发生告警的系统等,就可以根据分析结果做出相应的响应措施,为后续运维工作带来极大的指导意义。类似这样的应用场景还有很多除了神经网络 还有什么预测算法,如何充分挖掘出时间序列中所蕴含的信息,成为智能运维领域研究中的一大热点。

那么时间序列一般会有哪些比较明显的特征呢?

一般来讲具有趋势性、季节性、周期性和随机性四种特征。但是对于时间序列预测,想要找到一个适用所有场景的通用模型几乎是不可能的,因为现实中每个预测问题的背景不同,影响预测值的因素与程度也往往不同,针对不同的问题就要采用不同的方法和模型进行统计分析,这都会给建模人员和数据分析师带来极大的难度,也使得时间序列预测问题变得复杂。

不同的模型会有各自的优势和劣势,本文将对传统时间序列预测模型ARIMA、经典神经网络模型LSTM以及Prophet模型展开具体引见,并在事件单数据集上做了初步的探索。

常用的趋势预测算法

2.1、ARIMA模型

ARIMA模型,全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model),是由博克思(Box)和詹金斯(Jenkins)于20世纪70年代初提出的一种时间序列预测方法。ARIMA模型并不是一个特定的模型,而是一类模型的总称。通常用p,d,q值来确定,记做ARIMA(p,d,q)。其中p代表自回归模型阶数,d代表差分阶数,q代表移动平均阶数。

ARIMA模型的建模步骤如下:

首先对时间序列数据进行平稳性检测,若不通过,则采取对数、差分等相应的变换将其变为平稳序列。通过平稳性检测之后,进行白噪声检测,当序列不是白噪声序列时,即可选择合适的ARIMA模型进行拟合。如果误差值通过白噪声检测,就可以采用拟合出的模型对时序数据进行预测了。

虽然ARIMA模型已经在很多个场景中得以应用,但是它存在的缺陷是不可忽视的:要求时序数据具有稳定性,或者通过差分化后是稳定的;对于数据中存在缺失值的情况,需要先进行缺失值填补,这很大程度上损害了数据的可靠性。

2.2 神经网络模型

2.2.1 网络模型初探

在人工智能领域,DNN(Deep Neural Networks,深度神经网络)的应用极其广泛,在图像分类、目标检测等领域已经取得了优良的成绩。但是在DNN中,当前网络层只和上一层神经网络有连接,没有考虑样本出现的时间顺序,只能进行逐层进行训练。

为了将时间因素包含在内,出现了RNN(循环神经网络模型),可以将神经元的输出在下一个时间戳直接作用到自身。具体来讲,就是在t时辰接收到输入

之后,隐藏层的值是

,输出值是

。关键点在于,

的值不只仅取决于

,还取决于

,也就是说当前层的输出值不只与当前时间点的输入有关,还要结合上一个时间点的输出值共同参与模型的训练。这样RNN就成为了一个在时间上传递的神经网络了。

在线客服

扫码与我交流