【技术实现步骤摘要】
本专利技术涉及数据处理，具体而言，涉及一种服务量预测方法、装置、非易失性存储介质和计算机设备。
技术介绍
1、服务量分布是不稳定的，经常受很多因素的影响而变化，同时服务量序列具有高噪声、非平稳、多尺度和长记忆等特点，与其他因素之间存在复杂的关联关系，并且在不同尺度序列中蕴含着不同的特征信息。然而在处理过程中，传统的统计模型难以建模时间序列复杂的相互关联关系，对非平稳时间序列的预测误差较大；基于机器学习方法的时间序列预测模型结果存在滞后现象，而常用的深度学习方法，例如rnn在建模的过程中存在着梯度爆炸/消失等问题或缺乏内存保留，使得其在预测性能上存在一定缺陷，并且训练时需要大量内存无法并行处理，导致服务量的预测不够准确。
2、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种服务量预测方法、装置、非易失性存储介质和计算机设备，以至少解决服务量分布不稳定且受到众多因素影响导致服务量预测不准确的技术问题。
2、根据本专利技术实施例的一个方面，提供了一种服务量预测方法，包括：获取历史服务量，其中，历史服务量表征预设历史时段中实际处理请求、服务事件或交易的数量；基于预设的多种分解尺度，将历史服务量分解，得到多种分解尺度各自对应的分解序列，其中，多种分解尺度对应的频率成分不同；设置与多种分解尺度各自对应的时间卷积模型；将多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，得到多种分解尺度各自对应的预测结果；基于多种分解尺
3、可选地，基于预设的多种分解尺度，将历史服务量分解，得到多种分解尺度各自对应的分解序列，包括：根据历史服务量，确定原始序列，其中，原始序列为基于预设时间顺序排列的历史服务量；从原始序列中选取满足第一预设条件的服务量，组成参考序列；将原始序列减去参考序列，得到目标序列；重复上述得到目标序列的操作，直至目标序列满足第二预设条件的情况下，确定目标序列为分解序列，其中，第二预设条件基于多种分解尺度设置；重复上述得到分解序列的操作，直至满足结束条件，得到多种分解尺度各自对应的分解序列。
4、可选地，设置与多种分解尺度各自对应的时间卷积模型，包括：获取原始时间卷积模型和多种分解尺度各自对应的波动特征类型；基于多种分解尺度各自对应的波动特征类型，分别调整原始时间卷积模型中的参数值，得到多种分解尺度各自对应的时间卷积模型。
5、可选地，将多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，得到多种分解尺度各自对应的预测结果，包括：将多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，通过时间卷积模型中的卷积层，确定多种分解尺度各自对应的分解序列的动态特征；基于多种分解尺度各自对应的分解序列的动态特征进行预测，得到多种分解尺度各自对应的预测结果。
6、可选地，基于多种分解尺度对应的预测结果，确定目标服务量预测结果，包括：基于多种分解尺度各自对应的预测结果，确定多种分解尺度各自对应的分量预测值；将多种分解尺度各自对应的分量预测值相加，确定目标服务量预测结果。
7、可选地，时间卷积模型为因果卷积网络和膨胀因果卷积的组合模型。
8、根据本专利技术实施例的另一方面，还提供了一种服务量预测装置，包括：获取模块，用于获取历史服务量，其中，历史服务量观测值表征预设历史时段中实际处理请求、服务事件或交易的数量数据；分解模块，用于基于预设的多种分解尺度，将历史服务量分解，得到多种分解尺度各自对应的分解序列，其中，多种分解尺度对应的频率成分不同；设置模块，用于设置与多种分解尺度各自对应的时间卷积模型；预测模块，用于将多种分解尺度对应的分解序列输入至各自对应的时间卷积模型中，得到多种分解尺度各自对应的预测结果；确定模块，用于基于多种分解尺度各自对应的预测结果，确定目标服务量预测结果。
9、根据本专利技术实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项服务量预测方法。
10、根据本专利技术实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项服务量预测方法。
11、根据本专利技术实施例的再一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述中任意一项服务量预测方法。
12、在本专利技术实施例中，采用服务量预测方法的方式，通过获取历史服务量，其中，历史服务量表征预设历史时段中实际处理请求、服务事件或交易的数量；基于预设的多种分解尺度，将历史服务量分解，得到多种分解尺度各自对应的分解序列，其中，多种分解尺度对应的频率成分不同；设置与多种分解尺度各自对应的时间卷积模型；将多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，得到多种分解尺度各自对应的预测结果；基于多种分解尺度各自对应的预测结果，确定目标服务量预测结果，达到了采用多尺度分解从多个特征中学习不同因素对服务量的影响的目的，从而实现了提高服务量预测的准确度的技术效果，进而解决了服务量分布不稳定且受到众多因素影响导致服务量预测不准确的技术问题。
本文档来自技高网...【技术保护点】
1.一种服务量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于预设的多种分解尺度，将所述历史服务量分解，得到所述多种分解尺度各自对应的分解序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述设置与所述多种分解尺度各自对应的时间卷积模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，得到所述多种分解尺度各自对应的预测结果，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述多种分解尺度对应的预测结果，确定目标服务量预测结果，包括：
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述时间卷积模型为因果卷积网络和膨胀因果卷积的组合模型。
7.一种服务量预测装置，其特征在于，包括：
8.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至6中任意一项所述服务量预测方法。
9.
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任意一项所述服务量预测方法。
...【技术特征摘要】
1.一种服务量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于预设的多种分解尺度，将所述历史服务量分解，得到所述多种分解尺度各自对应的分解序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述设置与所述多种分解尺度各自对应的时间卷积模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述多种分解尺度各自对应的分解序列输入至各自对应的时间卷积模型中，得到所述多种分解尺度各自对应的预测结果，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述多种分解尺度对应的预测结果，确定目标服务量预测...
【专利技术属性】
技术研发人员：黄华川，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。