本发明涉及数据处理，尤其涉及一种业务异常管理方法、装置、电子设备及存储介质。
背景技术：
1、随着物联网的规模化发展，能够联网的设备数量和种类越来越多，物联网广泛应用于各个领域。由于物联网系统业务技术链路长，一旦出现故障，需要耗费较长的时间和人力进行排查和处理，对物联网业务系统的运行情况进行实时监控越来越重要。
2、物联网技术体系一般分为感知层、网络层、平台层、应用层四大层级，其中平台层在物联网体系中起承上启下作用，主要将来自感知层的数据进行汇总、处理和分析，并分发到不同的应用。在已有技术中，平台层常见的方式是中间件的报错及资源使用情况，其监测范围覆盖全平台的客户和业务，无法实现客户级等更细颗粒度的监控；应用层的监控常见的是通过设备上报的实际业务数据的分析，实现对业务场景的监控，无法实现对例如设备失联、设备离线等物联网设备本身的异常监控。现有的物联网业务监测细粒度和准确度较低。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提出一种业务异常管理方法、装置、电子设备及存储介质，能够精准进行业务异常管理。
2、一方面，本发明实施例提供了一种业务异常管理方法，包括：
3、基于预先配置的目标对象信息，周期性获取目标对象的物联网数据；基于物联网数据整理得到全量数据和近期数据；
4、基于全量数据训练预先配置的自回归积分滑动平均模型，进而利用训练完成的自回归积分滑动平均模型预测得到目标周期的预测数据；
5、根据目标周期的物联网数据和预测数据得到第一差值；
6、基于近期数据计算得到数据平均值，根据目标周期的物联网数据和数据平均值得到第二差值；
7、对第一差值和第二差值进行大小比较，根据大小比较的结果确定下一周期的告警阈值；告警阈值包括预测数据和数据平均值中的任一项；
8、当下一周期的物联网数据达到告警阈值，向目标对象发送告警信息。
9、可选地，方法还包括：
10、对目标数据进行数据可视化处理；
11、其中，目标数据包括物联网数据、预测数据、数据平均值和告警信息中的一种或多种。
12、可选地，基于物联网数据整理得到全量数据和近期数据，包括：
13、根据当前周期获取的物联网数据整理得到近期数据；
14、根据所有周期获取的物联网数据累积整理得到全量数据。
15、可选地，全量数据包括所有周期获取的物联网数据；基于全量数据训练预先配置的自回归积分滑动平均模型，包括：
16、根据全量数据中所有周期的物联网数据，整理得到目标时间序列；
17、对目标时间序列进行单位根检验，根据单位根检验的结果获得目标时间序列的平稳性结果；
18、当平稳性结果为平稳，利用目标时间序列训练预先配置的自回归积分滑动平均模型。
19、可选地，方法还包括：
20、当平稳性结果为不平稳，基于预设差分阶数对目标时间序列进行差分运算，获得差分序列，将差分序列作为目标时间序列。
21、可选地，利用目标时间序列训练预先配置的自回归积分滑动平均模型，包括：
22、根据目标时间序列分别得到自相关系数和偏自相关系数；
23、根据自相关系数和偏自相关系数的目标滞后点获得阶层候选值和阶数候选值；
24、将阶层候选值和阶数候选值代入自回归积分滑动平均模型，进而遍历搜索赤池信息准则和贝叶斯信息准则的最小参数组，得到目标阶层和目标阶数；
25、根据目标阶层和目标阶数拟合得到训练完成的自回归积分滑动平均模型。
26、可选地，根据大小比较的结果确定下一周期的告警阈值，包括：
27、当第一差值小于第二差值，确定预测数据为下一周期的告警阈值；
28、当第一差值大于第二差值，确定数据平均值为下一周期的告警阈值。
29、另一方面，本发明实施例提供了一种业务异常管理装置，包括：
30、第一模块，用于基于预先配置的目标对象信息，周期性获取目标对象的物联网数据；基于物联网数据整理得到全量数据和近期数据；
31、第二模块，用于基于全量数据训练预先配置的自回归积分滑动平均模型，进而利用训练完成的自回归积分滑动平均模型预测得到目标周期的预测数据；
32、第三模块，用于根据目标周期的物联网数据和预测数据得到第一差值；
33、第四模块，用于基于近期数据计算得到数据平均值，根据目标周期的物联网数据和数据平均值得到第二差值；
34、第五模块，用于对第一差值和第二差值进行大小比较，根据大小比较的结果确定下一周期的告警阈值；告警阈值包括预测数据和数据平均值中的任一项；
35、第六模块，用于当下一周期的物联网数据达到告警阈值，向目标对象发送告警信息。
36、可选地，装置还包括：
37、第七模块，用于对目标数据进行数据可视化处理；
38、其中，目标数据包括物联网数据、预测数据、数据平均值和告警信息中的一种或多种。
39、可选地，装置还包括：
40、第八模块，用于当平稳性结果为不平稳，基于预设差分阶数对目标时间序列进行差分运算，获得差分序列，将差分序列作为目标时间序列。
41、另一方面，本发明实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述业务异常管理方法。
42、另一方面，本发明实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述业务异常管理方法。
43、本发明实施例基于预先配置的目标对象信息，周期性获取目标对象的物联网数据；基于物联网数据整理得到全量数据和近期数据；基于全量数据训练预先配置的自回归积分滑动平均模型，进而利用训练完成的自回归积分滑动平均模型预测得到目标周期的预测数据；根据目标周期的物联网数据和预测数据得到第一差值；基于近期数据计算得到数据平均值，根据目标周期的物联网数据和数据平均值得到第二差值；对第一差值和第二差值进行大小比较，根据大小比较的结果确定下一周期的告警阈值；告警阈值包括预测数据和数据平均值中的任一项；当下一周期的物联网数据达到告警阈值，向目标对象发送告警信息。本发明实施例通过采集计算目标客户某一时间段内的物联网数据，与以历史数据统计为基准的、可配置的阈值进行对比，实现对物联网系统不同的环节的监控，解决物联网数据中台在海量终端连接的场景下对目标客户的业务的实时监控和告警问题。本发明实施例能够精准实现业务异常管理。
1.一种业务异常管理方法，其特征在于，包括：
2.根据权利要求1所述的业务异常管理方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的业务异常管理方法，其特征在于，所述基于所述物联网数据整理得到全量数据和近期数据，包括：
4.根据权利要求1所述的业务异常管理方法，其特征在于，所述全量数据包括所有周期获取的所述物联网数据；所述基于所述全量数据训练预先配置的自回归积分滑动平均模型，包括：
5.根据权利要求4所述的业务异常管理方法，其特征在于，所述方法还包括：
6.根据权利要求4所述的业务异常管理方法，其特征在于，所述利用所述目标时间序列训练预先配置的自回归积分滑动平均模型，包括：
7.根据权利要求1所述的业务异常管理方法，其特征在于，所述根据所述大小比较的结果确定下一周期的告警阈值，包括：
8.一种业务异常管理装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的方法。
