[發明專利]一種服務器中時序數據短期預測方法及系統

在審

• 申請號: 202011355374.7
• 申請日: 2020-11-26
• 公開（公告）號: CN112529053A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 蘇海明
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20
• 代理公司: 北京權智天下知識產權代理事務所(普通合伙) 11638
• 代理人: 王新愛

本發明公開了一種服務器中時序數據短期預測方法及系統，包括：提取歷史數據；對歷史數據進行分片，分為訓練數據與測試數據；使用訓練數據分別對三種模型進行訓練；得到三種預測模型，對比三種預測模型中的對稱平均絕對百分比誤差值，找出最小的對稱平均絕對百分比誤差值所對應的預測模型，并將該預測模型定義為最優預測模型，并存儲到數據庫中；從數據庫中的選取最優預測模型，從時序數據庫中選擇指標數據，最優預測模型與指標數據計算得出預測值；通過上述方式，本發明能夠使得運維人員可以根據預測情況快速判斷是否增容擴容，由此可以提升運維人員的效率，進而提升自己的產品在市場中的競爭力。

技術領域

本發明涉及云計算領域，特別是涉及一種服務器中時序數據短期預測方法及系統。

背景技術

隨著云計算領域的快速發展，對實現擁有物理機性能和云彈性的裸機建設正在云計算中悄然興起；為了使云計算中的物理機與云主機的性能達到最佳，分析監控數據對機器性能調優具有指導意義。

當前對服務器的監控數據主要包括cpu，內存，存儲，網絡等性能數據，這些數據包含cpu使用率，內存使用率，網絡吞吐量等時序性能數據；時序數據短期預測包含平穩數據與非平穩數據的處理，針對非平穩數據短期預測模型包含Holt-Winters與ARIMA等模型，針對平穩數據可以使用AR，MA與ARMA等模型。

服務器中的指標數據包含平穩數據與非平穩數據，由于時序數據中改變平穩性的因素很多，有周期性的穩定擾動，趨勢性的變化還有其他的隨機擾動，如果使用同一種算法，可能會造成對一組數據效果很好，但對另一類數據效果很差。

發明內容

本發明主要解決的技術問題是提供一種服務器中時序數據短期預測方法及系統，能夠采用Holt-Winters，ARIMA與STL模型共同訓練預測模型，使用SMAPE評價方法對每種短期預測模型進行評價，利用評價值對短期預測模型進行選擇，選取最終的短期預測模型，對時序數據進行預測。

為解決上述技術問題，本發明采用的一個技術方案是：提供一種服務器中時序數據短期預測方法，包括：從時序數據庫中提取歷史數據；

將歷史數據分為訓練數據與測試數據，將訓練數據存儲在訓練集中，將測試數據存儲在測試集中；

使用訓練集中訓練數據對若干模型進行訓練，訓練完成后得到若干預測模型，通過若干預測模型與測試集中測試數據計算對稱平均絕對百分比誤差值；

對比若干預測模型中的對稱平均絕對百分比誤差值，找出最小的對稱平均絕對百分比誤差值所對應的預測模型，并將該預測模型定義為最優預測模型，并存儲到數據庫中；

從數據庫中選取最優預測模型，從時序數據庫中選擇指標數據，通過最優預測模型與指標數據計算得出預測值。

進一步，模型包括霍爾特溫特模型、差分整合移動平均自回歸模型和時間序列分解模型；

對若干模型進行訓練包括對霍爾特溫特模型進行訓練，對差分整合移動平均自回歸模型進行訓練和對時間序列分解模型進行訓練。

進一步，對霍爾特溫特模型進行訓練包括：

將訓練數據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組，若干參數組中每組參數生成一個霍爾特溫特短期預測模型；

使用若干霍爾特溫特短期預測模型進行預測，得到預測值并與測試數據進行計算，得出每組霍爾特溫特短期預測模型的對稱平均絕對百分比誤差值；

對比所有的對稱平均絕對百分比誤差值，找出最小的對稱平均絕對百分比誤差值，并找到對應的霍爾特溫特短期預測模型。

進一步，對差分整合移動平均自回歸模型進行訓練包括：

根據訓練集中訓練數據確定差分整合移動平均自回歸模型參數的范圍；