[發(fā)明專利]一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011355374.7
• 申請(qǐng)日: 2020-11-26
• 公開（公告）號(hào): CN112529053A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計(jì)）人: 蘇海明
• 申請(qǐng)（專利權(quán)）人: 蘇州浪潮智能科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N20/20
• 代理公司: 北京權(quán)智天下知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11638
• 代理人: 王新愛

1.一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測方法，其特征在于，包括：

從時(shí)序數(shù)據(jù)庫中提取歷史數(shù)據(jù)；

將歷史數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)存儲(chǔ)在訓(xùn)練集中，將測試數(shù)據(jù)存儲(chǔ)在測試集中；

使用訓(xùn)練集中訓(xùn)練數(shù)據(jù)對(duì)若干模型進(jìn)行訓(xùn)練，訓(xùn)練完成后得到若干預(yù)測模型，通過若干預(yù)測模型與測試集中測試數(shù)據(jù)計(jì)算對(duì)稱平均絕對(duì)百分比誤差值；

對(duì)比若干預(yù)測模型中的對(duì)稱平均絕對(duì)百分比誤差值，找出最小的對(duì)稱平均絕對(duì)百分比誤差值所對(duì)應(yīng)的預(yù)測模型，并將該預(yù)測模型定義為最優(yōu)預(yù)測模型，并存儲(chǔ)到數(shù)據(jù)庫中；

從數(shù)據(jù)庫中選取最優(yōu)預(yù)測模型，從時(shí)序數(shù)據(jù)庫中選擇指標(biāo)數(shù)據(jù)，通過最優(yōu)預(yù)測模型與指標(biāo)數(shù)據(jù)計(jì)算得出預(yù)測值。

2.根據(jù)權(quán)利要求1所述的一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測方法，其特征在于：模型包括霍爾特溫特模型、差分整合移動(dòng)平均自回歸模型和時(shí)間序列分解模型；

對(duì)若干模型進(jìn)行訓(xùn)練包括對(duì)霍爾特溫特模型進(jìn)行訓(xùn)練，對(duì)差分整合移動(dòng)平均自回歸模型進(jìn)行訓(xùn)練和對(duì)時(shí)間序列分解模型進(jìn)行訓(xùn)練。

3.根據(jù)權(quán)利要求2所述的一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測方法，其特征在于：對(duì)霍爾特溫特模型進(jìn)行訓(xùn)練包括：

將訓(xùn)練數(shù)據(jù)輸入霍爾特溫特模型中，遍歷霍爾特溫特模型中的若干參數(shù)組，若干參數(shù)組中每組參數(shù)生成一個(gè)霍爾特溫特短期預(yù)測模型；

使用若干霍爾特溫特短期預(yù)測模型進(jìn)行預(yù)測，得到預(yù)測值并與測試數(shù)據(jù)進(jìn)行計(jì)算，得出每組霍爾特溫特短期預(yù)測模型的對(duì)稱平均絕對(duì)百分比誤差值；

對(duì)比所有的對(duì)稱平均絕對(duì)百分比誤差值，找出最小的對(duì)稱平均絕對(duì)百分比誤差值，并找到對(duì)應(yīng)的霍爾特溫特短期預(yù)測模型。

4.根據(jù)權(quán)利要求2所述的一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測方法，其特征在于：對(duì)差分整合移動(dòng)平均自回歸模型進(jìn)行訓(xùn)練包括：

根據(jù)訓(xùn)練集中訓(xùn)練數(shù)據(jù)確定差分整合移動(dòng)平均自回歸模型參數(shù)的范圍；

遍歷差分整合移動(dòng)平均自回歸模型的若干參數(shù)組，若干參數(shù)組中每組參數(shù)生成一個(gè)差分整合移動(dòng)平均自回歸短期預(yù)測模型，并計(jì)算若干差分整合移動(dòng)平均自回歸短期預(yù)測模型的貝葉斯信息準(zhǔn)則評(píng)分，找到貝葉斯信息準(zhǔn)則評(píng)分最小的差分整合移動(dòng)平均自回歸短期預(yù)測模型并進(jìn)行預(yù)測，得到預(yù)測值并與測試數(shù)據(jù)計(jì)算對(duì)稱平均絕對(duì)百分比誤差值。

5.根據(jù)權(quán)利要求2所述的一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測方法，其特征在于：對(duì)時(shí)間序列分解模型進(jìn)行訓(xùn)練包括：

使用時(shí)間序列分解算法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分解，分解為趨勢項(xiàng)、季節(jié)項(xiàng)與余項(xiàng)；

對(duì)趨勢項(xiàng)使用二次指數(shù)平滑方法進(jìn)行預(yù)測；

通過圖搜索的策略選出時(shí)間序列分解預(yù)測模型；

通過二次指數(shù)平滑方法得出預(yù)測值與季節(jié)項(xiàng)相加得出最終預(yù)測值，最終預(yù)測值與測試數(shù)據(jù)計(jì)算對(duì)稱平均絕對(duì)百分比誤差值。

6.根據(jù)權(quán)利要求1所述的一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測方法，其特征在于：歷史數(shù)據(jù)為系統(tǒng)運(yùn)行指標(biāo)數(shù)據(jù)，系統(tǒng)運(yùn)行指標(biāo)數(shù)據(jù)中包括cpu使用率、磁盤使用率、內(nèi)存使用率與網(wǎng)絡(luò)流量信息。

7.一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測系統(tǒng)，其特征在于，包括：數(shù)據(jù)提取模塊、數(shù)據(jù)分片模塊、模型訓(xùn)練模塊、模型評(píng)價(jià)模塊、模型保存模塊和模型預(yù)測模塊；

所述數(shù)據(jù)提取模塊提取時(shí)序數(shù)據(jù)庫中歷史數(shù)據(jù)；

所述數(shù)據(jù)分片模塊將所述數(shù)據(jù)提取模塊提取的所述歷史數(shù)據(jù)進(jìn)行分片，分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

所述模型訓(xùn)練模塊使用所述訓(xùn)練數(shù)據(jù)對(duì)霍爾特溫特模型、差分整合移動(dòng)平均自回歸模型與時(shí)間序列分解模型進(jìn)行訓(xùn)練，訓(xùn)練完成后得到三種預(yù)測模型；

所述模型評(píng)價(jià)模塊計(jì)算所述三種預(yù)測模型的對(duì)稱平均絕對(duì)百分比誤差值，進(jìn)行對(duì)比并找出最小的所述對(duì)稱平均絕對(duì)百分比誤差值所對(duì)應(yīng)的所述預(yù)測模型，并將該所述預(yù)測模型定義為最優(yōu)預(yù)測模型，并存儲(chǔ)到數(shù)據(jù)庫中；

所述模型保存模塊將所述最優(yōu)預(yù)測模型保存所述數(shù)據(jù)庫中；

所述模型預(yù)測模塊從所述數(shù)據(jù)庫中的選取所述最優(yōu)預(yù)測模型，從所述時(shí)序數(shù)據(jù)庫中選擇指標(biāo)數(shù)據(jù)，通過所述最優(yōu)預(yù)測模型與所述指標(biāo)數(shù)據(jù)計(jì)算得出預(yù)測值。

8.根據(jù)權(quán)利要求7所述的一種服務(wù)器中時(shí)序數(shù)據(jù)短期預(yù)測系統(tǒng)，其特征在于：所述模型訓(xùn)練模塊包括霍爾特溫特模型訓(xùn)練模塊、差分整合移動(dòng)平均自回歸模型訓(xùn)練模塊和時(shí)間序列分解模型訓(xùn)練模塊；

所述霍爾特溫特模型訓(xùn)練模塊將所述訓(xùn)練數(shù)據(jù)輸入所述霍爾特溫特模型中，計(jì)算所述對(duì)稱平均絕對(duì)百分比誤差值，找到所述對(duì)稱平均絕對(duì)百分比誤差值中最小值，并找到對(duì)應(yīng)的所述霍爾特溫特模型將該模型命名為霍爾特溫特短期預(yù)測模型；

所述差分整合移動(dòng)平均自回歸模型訓(xùn)練模塊將所述訓(xùn)練數(shù)據(jù)輸入所述差分整合移動(dòng)平均自回歸模型中，計(jì)算貝葉斯信息準(zhǔn)則評(píng)分并找到所述貝葉斯信息準(zhǔn)則評(píng)分最小的所述差分整合移動(dòng)平均自回歸模型將該模型命名為差分整合移動(dòng)平均自回歸短期預(yù)測模型，并計(jì)算所述差分整合移動(dòng)平均自回歸短期預(yù)測模型的所述對(duì)稱平均絕對(duì)百分比誤差值；

所述時(shí)間序列分解模型訓(xùn)練模塊使用時(shí)間序列分解算法將所述訓(xùn)練數(shù)據(jù)分解為趨勢項(xiàng)、季節(jié)項(xiàng)與余項(xiàng)，通過圖搜索的策略選出時(shí)間序列分解模型將該模型命名為時(shí)間序列分解預(yù)測模型，對(duì)所述趨勢項(xiàng)使用二次指數(shù)平滑方法進(jìn)行預(yù)測，得到預(yù)測值并與所述季節(jié)項(xiàng)相加得到最終預(yù)測值，通過所述最終預(yù)測值計(jì)算所述對(duì)稱平均絕對(duì)百分比誤差值。