[發明專利]計算機性能預測方法、裝置、設備及可讀存儲介質

在審

• 申請號: 202010036218.8
• 申請日: 2020-01-14
• 公開（公告）號: CN111258866A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 冉翀
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F11/34
• 分類號: G06F11/34
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 劉挽瀾

1.一種計算機性能預測方法，其特征在于，所述計算機性能預測方法包括以下步驟：

收集計算機性能數據，其中，所述計算機性能數據包括周期性計算機性能數據和非周期性計算機性能數據；

使用預置時序分析模型集中的初始時序分析模型對所述計算機性能數據進行擬合，得到所述初始時序分析模型的初始參數，其中，所述預置時序分析模型集包括用于對周期性計算機性能數據進行預測的第一模型和用于對非周期性計算機性能數據進行預測的第二模型，所述初始參數包括：差分系數d、自回歸階數p、滑動平均階數q和周期T；

調整所述初始時序分析模型的初始參數，得到目標時序分析模型；

通過所述目標時序分析模型對待預測的計算機性能數據進行預測，得到預測結果。

2.如權利要求1所述的計算機性能預測方法，其特征在于，所述使用預置時序分析模型集中的初始時序分析模型對所述計算機性能數據進行擬合，得到所述初始時序分析模型的初始參數，其中，所述預置時序分析模型集包括用于對周期性計算機性能數據進行預測的第一模型和用于對非周期性計算機性能數據進行預測的第二模型，所述初始參數包括：差分系數d、自回歸階數p、滑動平均階數q和周期T，包括以下步驟：

判斷所述計算機性能數據是否為非平穩時間序列數據；

若所述計算機性能數據為非平穩時間序列數據，則進行d階差分運算，將所述非平穩時間序列數據轉化為平穩時間序列數據；

若所述計算機性能數據為平穩時間序列數據，則計算所述平穩時間序列數據的自相關系數和偏自相關系數；

基于所述自相關系數和所述偏自相關系數，對自相關圖和偏自相關圖進行分析，得到預置時序分析模型集中所述初始時序分析模型的初始參數，其中，所述預置時序分析模型集包括用于對周期性計算機性能數據進行預測的第一模型和用于對非周期性計算機性能數據進行預測的第二模型，所述初始參數包括：差分系數d、自回歸階數p、滑動平均階數q和周期T。

3.如權利要求1所述的計算機性能預測方法，其特征在于，所述調整所述初始時序分析模型的初始參數，得到目標時序分析模型，包括以下步驟：

以窮舉的方式通過所述初始時序分析模型對預置計算機性能數據進行擬合，得到第一擬合結果；

計算所述第一擬合結果的擬合優度；

判斷所述第一擬合結果的擬合優度是否大于或等于第一預設閾值；

若所述第一擬合結果的擬合優度大于或等于所述第一預設閾值，則得到目標時序分析模型；

若所述第一擬合結果小于所述第一預設閾值，則調整所述初始時序分析模型的初始參數，直至所述擬合優度大于或等于所述第一預設閾值，得到目標時序分析模型。

4.如權利要求1所述的計算機性能預測方法，其特征在于，所述通過述目標時序分析模型對待預測的計算機性能數據進行預測，得到預測結果，包括以下步驟：

根據計算機性能數據隨時間出現的頻率，將所述計算機性能數據劃分為不同類型，其中，所述不同類型包括周期性計算機性能數據類和/或非周期性計算機性能數據類；

根據所述計算機性能數據的類型，確定目標時序分析模型的目標類型，并通過所述目標類型的時序分析模型對待預測的計算機性能數據進行預測，得到預測結果。

5.如權利要求4所述的計算機性能預測方法，其特征在于，所述根據所述計算機性能數據的不同類型，確定目標時序分析模型的目標類型，并通過所述目標類型的時序分析模型對待預測的計算機性能數據進行預測，得到預測結果，包括以下步驟：

判斷所述計算機性能數據的類型是否為周期性計算機性能數據類；

若所述計算機性能數據的類型為周期性計算機性能數據類，則采用Prophet模型對待預測的計算機性能數據進行預測，得到第一預測結果，并將所述第一預測結果作為預測結果；

若所述計算機性能數據的類型為非周期性計算機性能數據類，則采用ARIMA模型對待預測的計算機性能數據進行預測，得到第二預測結果，并將所述第二預測結果作為預測結果。