多重业务

关键词： 业务 电商 跨境 电子商务

多重业务（精选三篇）

多重业务 篇1

在全球快速增长的跨境电子商务市场, 世界电商巨头都在加紧布局全球跨境业务。目前, 欧美等地电子商务企业势头迅猛, 跨境电商发展大步向前。根据美国支付公司Pay Pal的研究数据显示, 今年跨境电商的交易额将达到1 050亿美元, 到2018年将达到3 070亿美元。研究预测, 今年在网上实现跨境购物的顾客为9 370万人次, 到2018年这一数字将升至1.3亿人次。

点评:作为一项新兴的贸易业务形态, 跨境电商发展潜力无限, 然而面临的挑战也很明显。一是监管, 二是语言和文化差异所带来的多语言客户服务能否维持消费者忠诚度, 三是跨境电商的货币支付处理问题, 四是跨境业务中最关键的一点——支付安全。

多重研讨多重收获 篇2

本学期以来，我园的教研工作本着理论联系实际，面向教育实践的原则，把提高教师的教科研水平和促进幼儿的全面发展作为工作的核心，从幼儿园现有师资、现有水平出发，充分调动全园教师的积极性，以年级组为单位，探索“多重研讨”的模式，通过比较不同的教学策略，尝试新的教学方法和组织形式，研讨教学中的困惑、存在问题及目标的价值取向等，有目的地把教研活动和课题研究结合起来，促进教师和幼儿的共同成长。

一、突出人人参与，营造良好研究氛围

一个幼儿园的教育质量取决于教师的整体素质，而非一个或几个优秀教师力所能及，所以，在实施课程改革的过程中，要求每位教师都是参与者、研究者，为了使研究工作扎实有序地进行，我们建立了园长——业务园长——教科室主任——教研组长——全体教师等五级研究网络，强调问题来自于教师、强调自下而上的研究。

通过多次理论学习和组织教师参与式培训，教师结合自身工作，教师提出了很多问题和困惑。教师们的困惑就是我们研究的重点，帮助教师们发现问题，解决问题的过程，就是促进教师专业成长的过程。

有压力才会有动力，有动力才会有活力。给每位教师适宜的教科研任务，并且是她们要付出一定的努力才能够完成的，使她们既能得到锻炼，又能获得成功感；对取得好成绩的、积极肯钻研的教师给予嘉奖和表扬，对她们的教科研成果先在本园推广，号召大家向她们学习，同时帮助她们把论文推出去，如交流、投搞等；学期末，在平时教科研的基础上，评出好中之好，树立典型，使这些在教科研中较拔尖的教师能够得到应有的肯定。通过这一系列的活动，我园教师之间活跃着积极向上、敢于创新、乐于研究的浓浓气氛。

二、以需求为起点，激励年轻教师主动作为

“多重研讨”活动是指教研组针对同一活动内容，由同一教师或不同教师进行多次实践研究的活动。考虑到本学期我园青年教师数量增多，而一些青年教师充满教学热情但缺乏实践经验，理论水平更有待提高的现状，我们就采取由一位青年老师上实践课，课后由教研组的全体教师一起研讨，培养教师的反思意识和合作意识。在研究讨论的过程中，除了发现存在的问题，还要找出成功的经验和特色；除了找出解决问题的对策，还要深入研讨“为什么”，找到经验背后的理论支撑。发挥集体的力量，互相启发，互相合作，使年轻教师从中发现自己教学中的优缺点，不断调整教育观念和行为。同时，我们加强了“年级教研”和“班级教研”。年级教研时，由年级组长负责，教师们在平行班中讨论研究实践中遇到的问题，自己找理论依据，寻找解决的方法，记录下来，再到实践中验证，最后写出体会和点滴经验，班级教研也是这样。在围绕课题的研究活动中，我们始终将研究的内容对准教师的需求，以解决教师工作中的难点作为教科研的切入点，激励教师主动积极地探究问题解决的方法，以提高理论水平和实践经验。使教师真正成为教科研活动的主人。

三、发挥教师特长，促进教师成长

在第一阶段的基础上，我们把重点放在促进教师形成自己的教学风格上。于是采取了集体选材——设计活动方案——说课——研究实践——研讨反思——修改方案、再实践、再反思——再修改、三次实践、三次反思——形成较有特色的活动方案的“多重研讨”模式。在研讨中，我们主要分析不同活动方案中所采用的不同策略及其理论和实践依据以及幼儿的发展等。在浓厚的教研氛围中，我园骨干教师率先垂范，主动带头开展课题研究，上好课题研究课，指导其他教师深入开展教学研究，发挥了以点带面作用。在每个活动过程中，都充分发挥了集体的力量，新老教师共同学习理论，分析教材，教研组长亲自组织活动，起了示范作用，并对青年教师提出问题；年轻教师也带着问题在一次次的听课、评课、研讨反思中找到了问题的答案，观察、思考能力得到了锻炼，教学观念逐步改变，信息化技术水平得到充分展示，逐渐形成了自己独特的教学风格。

四、赏析名家风采，采其所长

对于省内外名教师的优秀教学，能够到现场听课的教师人数较少。怎样才能让全园的教师都能观摩到名教师的课，分享他们的教学风采呢？我们就让每次外出听课的教师都带上摄像机，将名教师组织的教学活动拍录下来，利用业务学习的时间进行观看。观看结束后，再进行相互交流：从名教师课中学到了什么，哪些方法自己在今后的教学中能够学以致用，哪些教学理念值得借鉴。而且通过比较，老师们相互学到了很多教学方法和策略；也知道了同一个课程题材，目标的定位不同，会有许多不同的上课方法；所教幼儿的年龄不同，虽然是同一个故事，但采用的方法和手段也是各不相同的。为了进一步提高实效性，我们将研究的目光聚焦于课堂，推出多种课堂研究的途径，比如观摩课、研讨课、自荐课，以多人一课与一人多课的有效模式。特别要求对同一问题具有共同关注点的教师聚集到一起，相互观摩，相互评论，最终获得不同程度的提高与发展，从而有效地提高教师的教学水平和设计和组织教学活动的能力。

五、“多重研讨”活动的收获

“人人有机会，人人可成才”的教研土壤，“人人敢创新，人人要发展”的教研氛围，使我园的教师们学习着、研究着、收获着、快乐着，也使我们的教育教研质量不断的提高。首先，教师为了促进幼儿的发展，需要了解先进的教育理念，了解幼儿的年龄特征和身心特点，由此产生主动学习新理论的积极性，并在实践中加深对理论的理解。其次，教师能根据培养目标选择教材，考虑目标的全面性和适应性，做到明确具体。教师能凭借集体的力量，在反思中修正自己的教育行为，形成自己的教学风格。再次，激发了教师的研究兴趣，改变了教师传统的思维方式。在活动中，教师学习用新的理念审视自己的教育行为，发现了许多自己从未意识到的问题，体验到了大胆尝试、研究的成功感。最后，“多重研讨”活动创造了分享、合作与支持的集体环境，全体教师在活动中形成了团结、合作的良好氛围，增进了教师间的沟通，使大家在活动中了解他人、了解自己，分享各自的经验和成功，讨论、解决教育教学中的困惑。教师的收获同样也使我们的孩子得到了很好的发展。

教师的专业化成长是一个长期甚至艰辛的过程，但我们坚信，经过不懈的努力和探索，“学会立志、学会认真、学会学习、学会合作、学会研究”的专业型教师将离我们越来越近。

多重业务 篇3

关键词：FARIMA,GARCH,多重分形,建模

对网络业务流的建模和预测在网络研究的很多领域起着重要的作用,比如:网络自适应控制,拥塞控制,接入控制以及无线和网络管理等方面。

大量的对网络业务流的研究表明,长相关和自相似特性不但在局域网数据流存在还在不同的网络应用中存在,如:FTP,WWW等。为了描述网络的长相关特性和自相似特性,FBM(Fractional Brownian Motion)、FARIMA,ON/OFF模型等被提出来对网络自相似建模。然而,更进一步的研究发现,在真实环境中的网络流呈现出相当明显的时域上的高可变性和空间域上的高可变性,该特性体现为在不同尺度上存在着不同分形行为,称之为:多重分形特性(multi-fractal)[1,2,3,4,5,6,7]。 这样,前述的建模方法显得不适用了,为了描述网络的多重分形特性,Riedi等提出了基于离散小波(discrete wavelet transform,DWT)的多重分形模型(DWT-based wavelet-coefficients model,DWWM)用来对网络业务流进行多重分形建模[8,9,10,11], Feldmann,Gilbert等人[12]则提出了利用守恒瀑布模型来建模网络业务流的方法。

多重分形特性在实际观测中常常体现为网络流量在许多不同的观测尺度上的流量突发特性,而对于突发特性的一种较好的描述方法就是描述该突发发生时的方差。通用自回归条件异方差模型[13](Generalized Autoregressive Conditional Heteroskedastic,GARCH)作为一种广泛应用于金融和经济领域中用来分析波动特性的时间序列模型能够对金融和经济数据的方差变化情况较好地描述,但是该模型在网络领域的研究还很少,因此如何将GARCH模型和其他时间序列模型结合起来更好地对网络业务流进行多重分形建模和预测是一个有待深入研究的问题。文献[14] 提出了采用ARIMA/GARCH模型对网络业务流进行建模和预测的方法,但是显然ARIMA模型对于有自相似特性的网络业务流描述较差。

FARIMA作为一种特殊的时间序列模型能够很好地描述具有自相似特性和短相关特性的网络业务流[15],而GARCH模型通过条件方差的估计能够有效的分析网络业务流的波动特性。因此,现研究如何利用FARIMA/GARCH组合模型来有效建模网络业务流的方法。

1 FARIMA/GARCH 模型

时间序列分析是一种比较成熟的预测理论和方法[16],尤其是在20世纪70年代以后,时间序列分析理论的日益成熟,为时间序列预测和分析的广泛应用打下了坚实的基础。常用时间序列预测模型有自回归模型(AR)、滑动平均模型(MA)、自回归-滑动平均模型(ARMA)、累积式自回归-滑动平均模型(ARIMA)。近年来,一种可以描述长相关特性的分数累积式自回归-滑动平均模型(FARIMA)被用来对时间序列进行分析和预测,由于FARIMA模型具有分数差分处理步骤,因此能较好地处理具有长相关特性和短相关特性的时间序列。

FARIMA(r,d,m)模型(其中,d是差分的阶数,p是自回归阶数,q是滑动平均阶数,p,q是非负整数,d是非整数)可以用如下公式描述

$\Phi (B)\Delta {}^{d}X{}_t=\Theta (B)\epsilon {}_t(1)$

式(1)中,{εt:t=…,-1,0,1,…}是一个均值为零,方差为δ2的白噪声序列N(0,δ2),并且

$\begin{array}{l}\Phi (B)=1-\Phi {}_{1}B-\Phi {}_{2}B{}^2-\cdots -\Phi {}_{r}B{}^r(2)\\ \Theta (B)=1-\Theta {}_{1}B-\Theta {}_{2}B{}^2-\cdots -\Theta {}_{m}B{}^m(3)\end{array}$

其中,B是后向移动算子,即BXt=Xt-1,Δ=(1-B)为差分算子,Δd表示差分算子。FARIMA模型可以看作ARIMA过程的特殊形式,与ARIMA不同的是,FARIMA的差分系数d为分数。分数差分计算无法通过直接差分来得到,通常需要以二项展开表示为:

$\text{Δ}{}^d=(1-B){}^d={\displaystyle \sum _{k=0}^{\infty }\left|\begin{array}{c}d\\ k\end{array}\right|}(-B){}^k(4)$

式(4)中,

$\left|\begin{array}{c}d\\ k\end{array}\right|=\frac{\Gamma (d+1)}{\Gamma (k+1)\Gamma (d-k+1)}。$

Γ代表伽马函数。从FARIMA的定义容易看出,当d=0时,它是普通的ARMA(p,q)过程,是短相关的。当d∈(0,0.5)时,FARIMA过程为长相关过程。另外,如果p=q=0,即FARIMA(0,d,0),它是FARIMA最简单的形式,一般称为分数差分噪声,与FGN等价,差分系数d表示长相关的强度。

FARIMA的差分处理可以较好地描述长相关过程,而利用自回归和滑动平均模型又可以描述短相关过程。所以,FARIMA模型适合处理同时具有长相关和短相关特性的时间序列。

GARCH(自回归条件异方差)模型是经济学家Engle[14]提出来的,其目的是用来描述金融领域中残差序列的条件方差,主要特点是方差随时间的变化而变化,这样就可以研究金融中风险变化的统计规律,GARCH模型为

$\{\begin{array}{l}\epsilon {}_t~{\rm N}(0,h{}_t)\\ h{}_t=a{}_0+a{}_1\epsilon {}_{t-1}^2+\cdots +a{}_p\epsilon {}_{t-p}^2+\\ \beta {}_{1}h{}_{t-1}+\cdots +\beta {}_{q}h{}_{t-q}\end{array}(5)$

式(5)中εt-1,εt-2,…表示到t-1时刻为止的全部残差信息,a0>0,ai≥0,βi≥0,且

${\displaystyle \sum _{i=1}^{p}a}{}_i+{\displaystyle \sum _{j=1}^q\beta }{}_j<1(6)$

从GARCH的表达式可以看出,通过将过去时间的条件方差引入,ht的取值和该时间点以前的观测信息εt-1,εt-2,…都有关系,因此对于ht的预测也比较准确。

由于FARIMA模型[15]可以较好地描述网络业务流(Trace)的长相关特性和短相关特性,GARCH模型[13]可以较好地描述网络业务流的波动(方差)变化情况,因此如果将这两个模型结合起来就可以有效地描述网络业务流的自相似和多重分形特性,现提出的 FARIMA(r,d,m)/GARCH(p,q)组合模型表达式如下。

$\{\begin{array}{l}\text{Δ}{}^{d}X{}_t={\displaystyle \sum _{i=1}^r\Phi }{}_i\text{Δ}{}^{d}X{}_{t-i}+\epsilon {}_t+{\displaystyle \sum _{i=1}^m\Theta }{}_i\epsilon {}_{t-i}；\\ \epsilon {}_t~{\rm N}(0,h{}_t)\\ h{}_t=\alpha {}_0+{\displaystyle \sum _{i=1}^p\alpha }{}_i\epsilon {}_{t-i}^2+{\displaystyle \sum _{i=1}^q\beta }{}_{i}h{}_{t-i}\end{array}(7)$

对于该模型,可以看到残差εt是通过取某个分布(这里是正态分布)的随机值来得到的。

从上式可以看到要利用改进的FARIMA/GARCH模型进行建模和预测需要获得5个参数。因为这些参数分别来自两个模型,所以可以先FARIMA模型后GARCH模型分别进行参数估计。

FARIMA的模型参数拟合估计在统计学领域仍是一个难解的问题,虽然FARIMA来自ARMA,但是参数d的出现使得FARIMA的拟合要比ARMA困难得多,但是由于ARMA模型的拟合方法比较成熟,所以可以先把FARIMA问题转化成为ARMA问题,进行相关参数的辨识[16]。FARIMA公式可改写为以下形式:

$W{}_t=\text{Δ}{}^{d}X{}_t(8)$

式(8)中,Wt=Φ-1(B)Θ(B)εt,因此对于一个给定的时间序列,只需要估计参数d就可以获得Wt。差分系数d可以根据d同Hurst参数的关系得到,如果估计得到序列Xt的Hurst参数H,则即d=H-0.5。计算Hurst参数有很多种方法,像方差-时间图法(variance-time plots),R/S分析方法和基于周期图(periodogram-based plots)的方法等。目前一些基于小波的方法可以得到更精确的Hurst参数H。得到Wt后就可以利用ARMA参数估计方法来得到Φ(B)和Θ(B)了。

从差分公式可见,对于序列Xt的分数差分计算过程需要用到观测点之前的数据Xt-1,Xt-2,…而且其表达形式为无穷求和,因此在实际应用中必须采取近似形式才能计算。具体策略为当求和项数大于M时,用均值0来替代具体数据,由于对于长相关序列用均值0代替观测点之前的具体值会造成大的误差,所以这里M的选择应足够大以使得这种替代合理。

建立FARIMA模型后,可以利用序列Xt来获得残差(innovations)εt,然后采用GARCH模型就可以描述εt的方差变动情况,具体GARCH参数估计过程可以参见文献[13]。需要注意的是估计得到的GARCH参数都必须大于零,而且所有GARCH系数之和必须小于1。

2 建模仿真

仿真中,使用了BellCore实验室获得的以太网业务流轨迹pAug.TL,该数据可以通过Internet从公共域上下载得到。数据描述了一个小时内网络业务流中所有到达包的时间戳和该包的大小。

为了获得一个时间序列,将数据整理为间隔时间为0.01 s内到达的包数的时间序列,该序列均有比较明显的自相似特性和多重分形特性。

从图1的方差-时间图可以看出拟合得到的直线的斜率是负数,从图中可以得到H值为0.816 3。所有序列呈现非常明显的自相似特性。

图2是分析序列多重分形特性的分区函数～尺度系数图,由图中可以看到,每一条曲线都近似一条直线,说明该序列有很好的多分析比例特性,分形特性在很大范围内存在。

在网络业务流建模中,首先对前10 000个数据进行建模,建模过程中对比了betaMWM模型,FARIMA模型,ARMA/GARCH模型,以及本文提出的FARIMA/GARCH模型,同时为了表明本文提出组合建模思想的合理性,还相应地对ARMA/GARCH模型进了仿真。

多重分形建模仿真中,以上各个模型首先利用实际网络业务流得到各自的模型参数,然后用这些参数来生成模拟的网络业务流,最后由模拟的网络业务流来计算得到各模型的多重分形谱。通过和实际业务流的多重分形谱比较,就可以分析各模型多重分形建模的好坏。

在建模中,采用FARIMA(1,d,1)/GARCH(1,1)组合模型对该实际业务流进行建模,由前述参数估计步骤得到的模型参数如表1所示。

图3就是得到的4个模型的多重分形谱和实际网络流多重分形谱的对比图。从图中可以看到,按照与实际业务流的多重分形Legendre谱相似度排列:FARIMA/GARCH组合模型>FARIMA>ARIMA/GARCH组合模型>Beta-MWM模型,这表明本文提出的FARIMA/GARCH组合模型能够较好的描述网络业务流的多重分形特性。从FARIMA/GARCH组合模型优于FARIMA模型可以看出将GARCH模型引入网络业务流的建模的确有效的提高了对多重分形特性描述的精度,这验证了组合建模思想在描述网络业务多重分形特性时的可行性和有效性。ARIMA/GARCH组合模型虽然采用了组合建模的方式,但对网络多重分形特性的描述要差于FARIMA模型,主要原因在于选用的ARIMA模型无法有效的描述网络业务流自相似特性。在4个模型中,对网络业务流的多重分形特性描述较差的是Beta-MWM模型,这显示该模型还有进一步改进的潜力。

3 结论

对网络业务流的深入研究发现网络业务流中不仅存在长相关和短相关特性,而且存在着多重分形特性,该特性具体表现为网络业务流的突发性(burst)。利用GARCH模型能够有效描述时间序列的方差变动的特点和FARIMA模型能够有效描述长相关和短相关特性的特点,采FARIMA/GARCH组合模型是很有前景的用来描述网络业务流的模型。网络业务流的建模仿真结果表明,本文提出的FARIMA/GARCH组合模型较好描述了网络业务流的多重分形特性。