一种基于多时间粒度的实时客流查询优化算法

doi:10.3969/j.issn.1006-2475.2011.08.041

计算机与现代化 ›› 2011, Vol. 1 ›› Issue (8): 149-152.doi: 10.3969/j.issn.1006-2475.2011.08.041

一种基于多时间粒度的实时客流查询优化算法

苏礼楷

广东商学院教育技术中心，广东广州 510320

收稿日期:2011-06-16 修回日期:1900-01-01 出版日期:2011-08-10 发布日期:2011-08-10

An Optimization Algorithm of Real-time Customer-counting Query Based on Multiple Time Granularities

SU Li-kai

Educational Technology Center, Guangdong University of Business Studies, Guangzhou 510320, China

Received:2011-06-16 Revised:1900-01-01 Online:2011-08-10 Published:2011-08-10

摘要/Abstract

摘要： 随时间实时变化的客流数据属于时间序列数据，本文根据客流数据的接收频率，应用关系模型实现客流数据的存储建模；为了减弱数据采集频率对实时客流查询效率的影响，建立多时间粒度的客流视图，可提高实时客流查询的计算效率。

关键词: 多时间粒度, 时间序列, 查询优化

Abstract: The real-time flow of customer data changed with time is classified as the time series. According to the receiving frequency, the relational model is applied for the storage of the customer data. In order to weaken the influence of the query efficiency of the real-time customer-counting by the receiving frequency, the views of the customer data with multiple time granularities are established and the query efficiency is improved.

Key words: multiple time granularities, time series, query optimization

中图分类号:

TP301

苏礼楷. 一种基于多时间粒度的实时客流查询优化算法[J]. 计算机与现代化, 2011, 1(8): 149-152.

SU Li-kai. An Optimization Algorithm of Real-time Customer-counting Query Based on Multiple Time Granularities[J]. Computer and Modernization, 2011, 1(8): 149-152.

[1]	刘瑞雪, 李文, 刘芳, 杜守国. 用于具有缺失值的时间序列预测的张量自回归补全算法[J]. 计算机与现代化, 2023, 0(09): 51-58.
[2]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[3]	张子森, 徐晓钟. 基于分解和多分量集成学习的负荷预测方法[J]. 计算机与现代化, 2023, 0(03): 96-101.
[4]	石志伟, 武志峰, 张哲. 纠正学习策略下LightGBM-GRU模型的股票波动率预测[J]. 计算机与现代化, 2023, 0(01): 95-102.
[5]	周昌野, 李程. 基于GS-LSTM模型的铁路货运量预测[J]. 计算机与现代化, 2022, 0(10): 24-28.
[6]	张苏宁, 王芳, 朱燕, 景栋盛. 基于极端梯度提升的跨地区多种类电力需求预测[J]. 计算机与现代化, 2022, 0(03): 18-22.
[7]	陈晓雷, 王星星, 申浩阳. 智慧农业中时序数据组合预测模型[J]. 计算机与现代化, 2021, 0(09): 121-126.
[8]	朱旭, 朱晓晓, 王继民. 基于Matrix Profile的时间序列变长模体挖掘[J]. 计算机与现代化, 2021, 0(05): 44-50.
[9]	杨永娇，肖建毅，赵创业，周开东. 基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法[J]. 计算机与现代化, 2020, 0(03): 99-.
[10]	李兆桐，张卫山，郭武武. 基于LSTM的工业互联网设备工作状态预测[J]. 计算机与现代化, 2020, 0(01): 1-.
[11]	许国艳1,朱进1,司存友2,胡文斌2,刘凡1. 基于CNN和MC的水文时间序列预测组合模型[J]. 计算机与现代化, 2019, 0(11): 23-.
[12]	王宇飞1,杜天苍1,2. 基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用[J]. 计算机与现代化, 2019, 0(11): 29-.
[13]	余丽玲，金浩宇 . 基于K-均值聚类的RBF神经网络血糖浓度预测[J]. 计算机与现代化, 2019, 0(03): 9-.
[14]	黎镭，陈蔼祥，李伟书，梁伟琪，杨思桐. GRU递归神经网络对股票收盘价的预测研究[J]. 计算机与现代化, 2018, 0(11): 103-.
[15]	郑永坤，刘春. 基于ARIMA模型的二手房价格预测[J]. 计算机与现代化, 2018, 0(04): 122-.

一种基于多时间粒度的实时客流查询优化算法

An Optimization Algorithm of Real-time Customer-counting Query Based on Multiple Time Granularities

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价