[發明專利]一種基于回歸分析的學科預測算法

在審

• 申請號: 201911383311.X
• 申請日: 2019-12-28
• 公開（公告）號: CN111222691A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 賈新志
• 申請（專利權）人: 上海驥灝網絡股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/16;G16Y40/10;G16Y40/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于回歸分析的學科預測算法，包括：基于系統初始采樣數據序列計算系統線性回歸預測模型的初始模型系數，并記錄；隨系統采樣點的每次增加獲取新的系統采樣數據序列，確定增加的系統采樣點數據和減少的系統采樣點數據；基于增加/減少的系統采樣點數據以及當前模型系數，更新模型系數；然后基于減少/增加的系統采樣點數據以及更新后的模型系數，再次更新模型系數，作為每次系統采樣點增加對應的模型系數并記錄。本發明可避免計算過程中對服務器資源的大量占用，提高系統線性回歸模型系數計算的效率，保障對線性回歸模型系數計算的實時性。

技術領域

本發明涉及計算機數據分析處理技術領域，特別涉及一種基于回歸分析的學科預測算法。

背景技術

實際工業系統在運行過程中，有狀態監控子系統記錄系統中關鍵設備的運行參數，這些參數通常是溫度、壓力、流量、電流、電壓等數據。而在對系統進行分析優化的過程中，通常更關心組件性能衰減、預期收益、運維計劃等數據。這些數據并不能從監控子系統獲取的數據中直觀獲得，而體現在這些數據的長期變化趨勢中。

基于對系統原理的分析，可以對系統進行線性化或者局部線性化，獲得系統參數數據間的簡單線性表示形式，即系統的線性模型。根據系統原理，模型中的系數與系統組件性能、轉換效率，維護閾值等直接相關。因此，根據模型系數的長期變化趨勢，即可實現對系統性能衰減評估、遠期收益預測、運維節點優化等工作。

線性化后的系統模型可記為Y^T＝W^TX，其中X＝[X1 X2 ... Xn]為若干采樣點的系統輸入，Y^T＝[y1 y2 ...]為對應采樣點模型預測的系統輸出，W為模型系數。實際系統中，在不同的采樣點可以得到不同的實際系統輸入和輸出參數數值，帶入到模型中構成一個超定方程組，通過最小二乘方法即可估計出模型系數W的值。因此可根據預測采樣點之前的若干組系統實際參數，估算系統在預測采樣點的模型系數，進而根據模型系數的變化趨勢進行系統性能分析。

最小二乘法在模型維數較高，或者方程組計算的數據參數組數較大時，涉及到大量矩陣運算，并需要對中間矩陣求逆，耗費大量計算資源。因此，在服務器上對系統模型進行詳細分析計算時，會占用大量系統計算資源。一方面增加服務器壓力，同時也會降低對系統模型詳細分析求解的可行性。

為了充分消除隨機誤差以及突發干擾對模型系數估算的影響，通常在計算時需要引入較長時間范圍內的系統實測數據參與運算。例如，實際計算為了獲得一個采樣點的模型系數，可能需要此前系統連續一個月甚至一年的運行數據。如果每次計算都需要獲取如此大量數據，對服務器存儲IO帶寬、內存容量等都將形成巨大壓力。

發明內容

本發明要解決的技術問題是克服現有技術的缺陷，提供一種基于回歸分析的學科預測算法，利用迭代的方式計算模型系數，避免計算過程中對服務器資源的大量占用，提高系統線性回歸模型系數計算的效率，保障對線性回歸模型系數計算的實時性。

為了解決上述技術問題，本發明提供了如下的技術方案：

本發明提供一種基于回歸分析的學科預測算法，包括以下步驟：

S1，基于預設的數據窗口長度，獲取系統初始采樣數據序列，利用初始采樣數據序列計算系統線性回歸預測模型的模型系數，并記錄；

S2，獲取增加的系統采樣點數據，基于預設的數據窗口長度，形成新的系統采樣數據序列；確定新的系統采樣數據序列較初始采樣數據序列所增加的系統采樣點數據和減少的系統采樣點數據；

S3，基于增加/減少的系統采樣點數據以及當前模型系數，更新模型系數；然后基于減少/增加的系統采樣點數據以及更新后的模型系數，再次更新模型系數，并記錄；

S4，隨系統采樣點的增加重復步驟S2至步驟S4，得到每次采樣點數據增加、采樣數據序列變化后的模型系數，并記錄。