具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

如图1所示，本发明实施例提供的一种基于多时间尺度融合的业务场景时序数据确定方法，包括如下步骤：

101、对异常处理后的分钟级时序数据进行趋势和局部周期二分量模式分解，得到趋势部分序列和局部周期模式部分序列。

对于本发明实施例，步骤101具体可以包括：针对时序T，可采用高频滤波、滑动平均、高斯平滑等方法，滤除数据中的高频振荡部分，获取趋势性分解部分T_trend0，并获取剩余部分为T1＝T-T_trend0；针对序列T1，截取时间戳区间为0：00到23:59时间段的n个完整子序列组成部分t1_i，i＝1,..n,长度为f，通过对n个子序列进行数值平均，获取基本天内周期模式：t_season_j＝sum_i(t1_ij)/n，j＝1,..f，并且根据对应的天内时间戳展开为同等长度序列T_season0＝expand(t_season)，获取剩余部分T2＝T1-T_season0；针对序列T2，设置大尺度天数据周期频率为f2，例如f2＝7Day，相应计算T2的完整采样周期为m个，通过计算周期内的序列平均值t_locseason_i(i＝1,...m，长度为f)，获取m个局部平均天周期模式，剩余不完整的周期值采用最近时间区间对应时间戳的局部周期值t_locseason_i进行填充，获取长度相等的局部周期分解部分T_locseason，并更新计算T_season＝T_season0+T_locseason，T_trend＝T-T_season；则实现时序的初步二模式分解为T＝T_trend+T_season。

对于本发明实施例，所述异常处理的过程可以包括：获取分钟级采样频率的时序数据；当分钟级时序数据存在部分采样点数据缺失或是存在明显异常点时，利用分钟级时序数据时序数据的均值对所述异常数据进行修正。对于本发明实施例，在进行数据分解之前，通过对异常数据进行修正，可以进一步提升数据预测的准确性。

其中，对所述异常数据进行修正的过程具体可以包括：针对读入的时序数据T，计算序列的均值u和标准差std；计算序列的标准化值：T’＝abs(T-u)/std，并计算其最大值和均值maxT’＝max(T’)，meanT’＝mean(T’)；如果maxT’>meanT’*10，则idx＝(T’>maxT/10),T[idx]＝mean(T)，并记录去除的异常点时间戳信息time1[idx]。

102、对所述趋势部分序列进行以天为采样单位的数据整合，并通过预置分解算法对整合后的天级时序数据进行二次分解，得到所述天级时序数据对应的光滑性趋势分量和平稳波动性分量。

对于本发明实施例，通过预置分解算法对整合后的天级时序数据进行二次分解的步骤包括：通过经验模态分解算法EMD对整合后的天级时序数据进行二次分解。具体地，针对T_trend以天为采样周期进行数据重新整合，将一天内时序数据进行求和合并，获取新频率为天的时序数据T_trend’,设定初始T_station＝T_trend’，T_smooth＝0；进行如下的迭代计算：针对T_station进行是否为平稳时间序列的ADF验证，如果满足为平稳时间序列则返回T_smooth，T_station，迭代停止，否则进行下一步；针对T_station，利用EMD进行模式分解T＝sum_k(Tk)，获取最低频分量更新T_smooth＝T_smooth+T0，T_station＝T_station-T0，返回上一步。

103、对所述光滑性趋势分量和平稳波动性分量分别进行时序预测得到光滑性趋势分量估计序列、平稳波动性分量估计序列、平稳波动性分量的残差统计量估计值。

对于本发明实施例，步骤103具体可以包括：通过ARIMA算法针对光滑性趋势分量T_smooth进行长度为np的预测，生成光滑性趋势分量估计序列Tpred_smooth，所述np为以天为单位的预测时间步长；利用奇异谱分析SSA算法针对平稳波动性分量T_station进行长度为np的预测，生成平稳波动性分量估计序列Tpred_station以及数据拟合部分Tfit_station；针对估计误差进行统计计算，得到平稳波动性分量的残差统计量估计值，所述估计误差是根据公式Terr_station＝T_station-Tfit_station计算得到的。

进一步地，合并上述分量预测结果为一个整体趋势性预测序列Tpred_trend＝Tpred_smooth+Tpred_station+u，并给出相应上下界误差限制：Tpred_trend_upper＝Tpred_trend+std，Tpred_trend_low＝Tpred_trend-std。

104、根据所述光滑性趋势分量估计序列、所述平稳波动性分量估计序列、所述平稳波动性分量的残差统计量估计值，获取天级业务时序数据对应的趋势预测数据。

对于本发明实施例，步骤104具体可以包括：根据公式Tpred_trend＝Tpred_smooth+Tpred_station+u获取天级业务时序数据对应的趋势预测数据，其中，u为针对平稳波动性分量的残差序列进行统计量估计中的均值；根据公式Tpred_trend_upper＝Tpred_trend+std和Tpred_trend_low＝Tpred_trend-std计算天级业务时序数据对应的上下界误差限制，std为针对平稳波动性分量的残差序列进行统计量估计中的标准差。

105、根据天级趋势预测数据获取天内数据采样频率的平均值，并与所述分钟级时序数据局部周期模式部分序列进行逐个周期的时序数据合并，得到分钟级长时间的业务量估计值。

对于本发明实施例，步骤105具体可以包括：根据公式tpred_i＝trend_i+t_season进行计算，其中，tpred_i为分钟级长时间的业务量估计值，trend_i为天级趋势性预测的分钟级平均值，t_season为日模式业务数据。

进一步地，预测结果Tpred＝{tpred_i，tpred_upper_i，tpred_low_i，i＝1,...np}以及相应的异常点序列time1、time2，可以通过中间可视化结果图的行驶进行展示，如时序数据分解，估计误差正态性评估qq图等，用于后续的各类分析工作。

本发明实施例提供的一种基于多时间尺度融合的业务场景时序数据确定方法，利用历史业务时序数据以及相关数据，通过进行分钟级和天级两种不同时间尺度的数据分解，并根据分解后的时序数据特征分别采用不同的方法进行时序预测，最终通过两种时间尺度时序数据的融合，实现针对业务时序数据的长周期以及分钟级短时间尺度的精细业务量预测任务，从而实现了更为稳定的以天为时间单位的长周期趋势性波动预测，还可以利用提取的分钟级24小时时序模式实现未来时间段内的细粒度业务量预测，并且由于本申请采用了信号分解步骤，使得整体计算流程更为简洁稳定，无需复杂的调参过程以及包含多个长业务周期的大量时序数据的计算，从而提升了业务场景时序数据的确定效率。

为实现本发明实施例提供的方法，本发明实施例提供一种基于多时间尺度融合的业务场景时序数据确定系统，如图2所示，该系统包括：分解模块21、预测模块22、获取模块23。

分解模块21，用于对异常处理后的分钟级时序数据进行趋势和局部周期二分量模式分解，得到趋势部分序列和局部周期模式部分序列。

所述分解模块21，还用于对所述趋势部分序列进行以天为采样单位的数据整合，并通过预置分解算法对整合后的天级时序数据进行二次分解，得到所述天级时序数据对应的光滑性趋势分量和平稳波动性分量。

预测模块22，用于对所述光滑性趋势分量和平稳波动性分量分别进行时序预测得到光滑性趋势分量估计序列、平稳波动性分量估计序列、平稳波动性分量的残差统计量估计值。

获取模块23，用于根据所述光滑性趋势分量估计序列、所述平稳波动性分量估计序列、所述平稳波动性分量的残差统计量估计值，获取天级业务时序数据对应的趋势预测数据。

所述获取模块23，还用于根据天级趋势预测数据获取天内数据采样频率的平均值，并与所述分钟级时序数据局部周期模式部分序列进行逐个周期的时序数据合并，得到分钟级长时间的业务量估计值。

进一步地，所述系统还包括：修正模块24；

所述修正模块24，用于获取分钟级采样频率的时序数据；当分钟级时序数据存在部分采样点数据缺失或是存在明显异常点时，利用分钟级时序数据时序数据的均值对所述异常数据进行修正。

进一步地，所述分解模块21，具体用于通过经验模态分解算法EMD对整合后的天级时序数据进行二次分解。。

进一步地，所述预测模块22，具体用于通过ARIMA算法针对光滑性趋势分量T_smooth进行长度为np的预测，生成光滑性趋势分量估计序列Tpred_smooth，所述np为以天为单位的预测时间步长；利用奇异谱分析SSA算法针对平稳波动性分量T_station进行长度为np的预测，生成平稳波动性分量估计序列Tpred_station以及数据拟合部分Tfit_station；针对估计误差进行统计计算，得到平稳波动性分量的残差统计量估计值，所述估计误差是根据公式Terr_station＝T_station-Tfit_station计算得到的。

进一步地，所述获取模块23，具体还用于根据公式Tpred_trend＝Tpred_smooth+Tpred_station+u获取天级业务时序数据对应的趋势预测数据，其中，u为针对平稳波动性分量的残差序列进行统计量估计中的均值；根据公式Tpred_trend_upper＝Tpred_trend+std和Tpred_trend_low＝Tpred_trend-std计算天级业务时序数据对应的上下界误差限制，std为针对平稳波动性分量的残差序列进行统计量估计中的标准差。

进一步地，所述获取模块23，具体还用于根据公式tpred_i＝trend_i+t_season进行计算，其中，tpred_i为分钟级长时间的业务量估计值，trend_i为天级趋势性预测的分钟级平均值，t_season为日模式业务数据。

本发明实施例提供的一种基于多时间尺度融合的业务场景时序数据确定系统，利用历史业务时序数据以及相关数据，通过进行分钟级和天级两种不同时间尺度的数据分解，并根据分解后的时序数据特征分别采用不同的方法进行时序预测，最终通过两种时间尺度时序数据的融合，实现针对业务时序数据的长周期以及分钟级短时间尺度的精细业务量预测任务，从而实现了更为稳定的以天为时间单位的长周期趋势性波动预测，还可以利用提取的分钟级24小时时序模式实现未来时间段内的细粒度业务量预测，并且由于本申请采用了信号分解步骤，使得整体计算流程更为简洁稳定，无需复杂的调参过程以及包含多个长业务周期的大量时序数据的计算，从而提升了业务场景时序数据的确定效率。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，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方式而已，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。。