一种KPI预测方法、装置及存储介质制造方法及图纸

本公开提出了一种KPI预测方法、装置及存储介质，用于解决GluonTS对包含季节性特性的时间序列预测效率低、灵活性差，准确性低的技术问题。本公开在进行KPI时间序列预测时，使用独立的季节性分解组件剔除KPI时间序列中季节性分量并组合使用适合于KPI特性的时间序列预测算法进行预测，在保证预测效果的前提下，降低CPU使用率及内存占有率，提高了预测性能。同时由于不同的数据趋势特征不同，独立的季节性分解组件使得针对不同KPI选择适合的时间序列预测算法成为可能，提高了预测的准确性灵活性。

【技术实现步骤摘要】
一种KPI预测方法、装置及存储介质
本公开涉及通信
，尤其涉及一种KPI预测方法、装置及存储介质。
技术介绍
为及时掌握无线设备的使用情况，以及及时对可能存在的不良状况进行预警以便提前采取适当的补救措施，关键性能指标(KeyPerformanceIndicator，KPI)预测显得尤为重要。在无线网络的KPI预测中，每个场合可能有上千个KPI，由于同一KPI在不同场合的趋势信息不同，所以通常情况下都使用GluonTS(GluonTimeSeries)工具包根据不同的KPI选取不同的算法进行预测。GluonTS一种用于构建、评估以及比较基于深度学习的时间序列模型的python工具包。GluonTS中的Prophet算法能够用于对包含季节性影响因素的时间序列进行预测，Prophet算法的核心过程是一个加性回归模型，主要包括4个部分：第一部分为线性或逻辑增长曲线的趋势，Prophet通过从数据中选择变更点来自动检测趋势的变化。第二部分为用傅里叶级数建模的年季节性成分。第三部分为使用虚拟变量的每周季节性成分。第四部分为给用户提供主要的假期列表。例如，若要对1000个场合的数据进行预测，每个场所有5个KPI，当预测开始时，为了提高预测速度，将同时启动多个Prophet进程来进行预测。使用Prophet进行时间序列预测有两方面缺点。第一是Prophet进行变点检测时会检测出大量的变点。例如有些变点是KPI的正常拐点，但是由于Prophet过于灵敏检测出大量变点，会破坏数据的正常趋势，导致预测的不准确性。第二就是Prophet进程启动之后会进行大量的参数运算，导致预测进程缓慢，经常在规定时间无法完成所有预测任务。因此部分预测任务会被跳过，无法保证所有场合的KPI同步预测。同时在预测过程中，由于大量的参数计算，导致CPU使用率过高，占用了大量内存，使系统性能下降。
技术实现思路
通常情况下，在使用GluonTS工具包进行时间序列的预测时，会根据不同场合中KPI的特点选择GluonTS中不同的预测算法。虽然GluonTS包含了多种时间序列的预测算法，但GluonTS缺少独立的季节性分解组件，如果所有包含季节性特性KPI的时间序列都使用Prophet算法进行预测，对时间序列预测的准确性和性能都会比较低。有鉴于此，本公开提出了一种包含独立的季节性分解组件的KPI预测方法、装置及存储介质，用于解决GluonTS对包含季节性特性的时间序列预测效率低、灵活性差，准确性低的技术问题。图1为本公开提供的一种KPI预测方法的步骤流程图，该方法包括：步骤101.获取包含季节性特性的KPI时间序列；步骤102.使用独立的季节性分解组件对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；步骤103.根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。进一步地，获取多场合的KPI时间序列，所述多场合的KPI时间序列中包含季节性特性的KPI时间序列；通过定制KPI预测任务，使用所述方法对多场合的KPI时间序列进行预测。进一步地，所述时间序列预测算法为GluonTS中的时间序列预测算法，所述季节性分解组件包含于GluonTS中。进一步地，所述季节性分解组件使用基于季节趋势的分解算法将所述KPI时间序列分解为趋势分量、周期分量和余项；所述剔除所述KPI时间序列中季节性分量是指剔除所述KPI时间序列中的周期分量。本公开提供的KPI预测方法在进行KPI时间序列预测时，使用独立的季节性分解组件剔除KPI时间序列中季节性分量并组合使用适合于KPI特性的时间序列预测算法进行预测，在保证预测效果的前提下，降低CPU使用率及内存占有率，提高了预测性能。同时由于不同的数据趋势特征不同，独立的季节性分解组件使得针对不同KPI选择适合的时间序列预测算法成为可能，提高了预测的准确性灵活性。图2为本公开一实施例提供的一种KPI预测装置结构示意图，该装置200中的各功能模块可以采用软件、硬件或软硬件相结合的方式实现。各模块可部署在一个硬件设备上实施上述方法的所有步骤，也可分散部署在不同硬件设备上由多个硬件设备分别实施上述方法中的一个或若干步骤从而共同实施以实现本公开的专利技术目的。当由多个硬件设备共同实施时，由于各硬件设备之间相互协作的目的是共同实现本专利技术目的，一方的动作和处理结果确定了另一方的动作执行的时机及可能获得的结果，因此，在逻辑上可视为各模块彼此之间具有相互指挥和控制关系。该装置200包括：序列获取模块201，用于获取包含季节性特性的KPI时间序列；季节性分解组件202，用于对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；预测模块203，用于根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。进一步地，所述装置还包括任务配置模块，用于定制KPI预测任务；所述任务配置模块用于调用序列获取模块201获取多场合的KPI时间序列，调用所述季节性分解组件202分别对不同场合的KPI时间序列进行处理，调用预测模块203分别根据为各场合的KPI时间序列选定的适合的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。进一步地，预测模块203所使用的时间序列预测算法为GluonTS中的时间序列预测算法，所述季节性分解组件202包含于GluonTS中。进一步地，所述季节性分解组件202使用基于季节趋势的分解算法将所述KPI时间序列分解为趋势分量、周期分量和余项；所述剔除所述KPI时间序列中季节性分量是指剔除所述KPI时间序列中的周期分量。图3为本公开一实施例提供的一种电子设备结构示意图，该设备300包括：诸如中央处理单元(CPU)的处理器310、通信总线320、通信接口340以及存储介质330。其中，处理器310与存储介质330可以通过通信总线320相互通信。存储介质330内存储有计算机程序，当该计算机程序被处理器310执行时即可实现本公开提供的KPI预测方法的各步骤。其中，存储介质可以包括随机存取存储器(RandomAccessMemory，RAM)，也可以包括非易失性存储器(Non-VolatileMemory，NVM)，例如至少一个磁盘存储器。另外，存储介质还可以是至少一个位于远离前述处理器的存储装置。处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或其他可编程逻辑器件本文档来自技高网...

【技术保护点】
1.一种KPI预测方法，其特征在于，所述方法包括：/n获取包含季节性特性的关键性能指标KPI时间序列；/n使用独立的季节性分解组件对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；/n根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。/n

【技术特征摘要】
1.一种KPI预测方法，其特征在于，所述方法包括：
获取包含季节性特性的关键性能指标KPI时间序列；
使用独立的季节性分解组件对所述KPI时间序列进行分解，剔除所述KPI时间序列中季节性分量，得到不包含季节性分量的KPI时间序列；
根据选定的适合所述KPI特性的时间序列预测算法，对所述剔除季节性分量的KPI时间序列进行预测。


2.根据权利要求1所述的方法，其特征在于，
获取多场合的KPI时间序列，所述多场合的KPI时间序列中包含季节性特性的KPI时间序列；
通过定制KPI预测任务，使用所述方法对多场合的KPI时间序列进行预测。


3.根据权利要求1所述的方法，其特征在于，
所述时间序列预测算法为GluonTS中的时间序列预测算法，所述季节性分解组件包含于GluonTS中。


4.根据权利要求1所述的方法，其特征在于，
所述季节性分解组件使用基于季节趋势的分解算法将所述KPI时间序列分解为趋势分量、周期分量和余项；所述剔除所述KPI时间序列中季节性分量指剔除所述KPI时间序列中的周期分量。


5.根据权利要求1所述的方法，其特征在于，所述KPI为以下指标中的一种或多种的组合：平均认证时长，接入成功率，接入终端数，终端流量。


6.一种KPI预测装置，其特征在于，该装置包括：
序列获取模块，用于...

【专利技术属性】
技术研发人员：王美娟，
申请(专利权)人：新华三技术有限公司，
类型：发明
国别省市：浙江;33