[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

本發明涉及人工智能技術領域，公開了一種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；調整所述初始時序分析模型的初始參數，得到時序分析模型；通過所述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。本發明還公開了一種計算機性能預測裝置、設備及可讀存儲介質。本發明提供的計算機性能預測方法提高了計算機性能預測的準確率。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種計算機性能預測方法、裝置、設備及可讀存儲介質。

背景技術

目前，往往只是對軟件的歷史數據進行預測，預測的結論是滯后的，因此不能及時發現潛在的問題，也無法對未來的計算機性能做正確的評估和預警。一旦計算機性能下降，則需要耗費大量的人力和時間成本去修復提升，目前也沒有一種較好的方案，既可以實現對計算機性能中存在的潛在風險進行預測，又可以提高預測的效果。如何提高計算機性能預測的準確度是目前本領域亟待解決的技術問題。

發明內容

本發明的主要目的在于提供一種計算機性能預測方法、裝置、設備及可讀存儲介質，旨在解決計算機性能預測準確率低的技術問題。

為實現上述目的，本發明提供一種計算機性能預測方法，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。

可選地，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。

可選地，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；