计算机性能预测方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，公开了一种计算机性能预测方法，包括以下步骤：收集计算机性能数据，其中，所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据；使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合，得到所述初始时序分析模型的初始参数；调整所述初始时序分析模型的初始参数，得到时序分析模型；通过所述时序分析模型对待预测的计算机性能数据进行预测，得到预测结果。本发明专利技术还公开了一种计算机性能预测装置、设备及可读存储介质。本发明专利技术提供的计算机性能预测方法提高了计算机性能预测的准确率。

Computer performance prediction method, device, equipment and readable storage medium

【技术实现步骤摘要】
计算机性能预测方法、装置、设备及可读存储介质
本专利技术涉及人工智能
，尤其涉及一种计算机性能预测方法、装置、设备及可读存储介质。
技术介绍
目前，往往只是对软件的历史数据进行预测，预测的结论是滞后的，因此不能及时发现潜在的问题，也无法对未来的计算机性能做正确的评估和预警。一旦计算机性能下降，则需要耗费大量的人力和时间成本去修复提升，目前也没有一种较好的方案，既可以实现对计算机性能中存在的潜在风险进行预测，又可以提高预测的效果。如何提高计算机性能预测的准确度是目前本领域亟待解决的技术问题。
技术实现思路
本专利技术的主要目的在于提供一种计算机性能预测方法、装置、设备及可读存储介质，旨在解决计算机性能预测准确率低的技术问题。为实现上述目的，本专利技术提供一种计算机性能预测方法，所述计算机性能预测方法包括以下步骤：收集计算机性能数据，其中，所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据；使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合，得到所述初始时序分析模型的初始参数，其中，所述预置时序分析模型包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T；调整所述初始时序分析模型的初始参数，得到目标时序分析模型；通过所述目标时序分析模型对待预测的计算机性能数据进行预测，得到预测结果。可选地，所述使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合，得到所述初始时序分析模型的初始参数，其中，所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T，包括以下步骤：判断所述计算机性能数据是否为非平稳时间序列数据；若所述计算机性能数据为非平稳时间序列数据，则进行d阶差分运算，将所述非平稳时间序列数据转化为平稳时间序列数据；若所述计算机性能数据为平稳时间序列数据，则计算所述平稳时间序列数据的自相关系数和偏自相关系数；基于所述自相关系数和所述偏自相关系数，对自相关图和偏自相关图进行分析，得到预置时序分析模型集中所述初始时序分析模型的初始参数，其中，所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T。可选地，所述调整所述初始时序分析模型的初始参数，得到目标时序分析模型，包括以下步骤：以穷举的方式通过所述初始时序分析模型对预置计算机性能数据进行拟合，得到第一拟合结果；计算所述第一拟合结果的拟合优度；判断所述第一拟合结果的拟合优度是否大于或等于第一预设阈值；若所述拟合优度大于或等于所述第一预设阈值，则得到目标时序分析模型；若所述第一拟合结果的拟合优度小于所述第一预设阈值，则调整所述初始时序分析模型的初始参数，直至所述拟合优度大于或等于所述第一预设阈值，得到目标时序分析模型。可选地，所述通过述时序分析模型集对待预测的计算机性能数据进行预测，得到预测结果，包括以下步骤：根据计算机性能数据随时间出现的频率，将所述计算机性能数据划分为不同类型，其中，所述不同类型包括周期性计算机性能数据类和/或非周期性计算机性能数据类；根据所述计算机性能数据的类型，确定目标时序分析模型的目标类型，并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测，得到预测结果。可选地，所述根据所述计算机性能数据的不同类型，确定目标时序分析模型的目标类型，并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测，得到预测结果，包括以下步骤：判断所述计算机性能数据的类型是否为周期性计算机性能数据类；若所述计算机性能数据的类型为周期性计算机性能数据类，则采用Prophet模型对待预测的计算机性能数据进行预测，得到第一预测结果，并将所述第一预测结果作为预测结果；若所述计算机性能数据的类型为非周期性计算机性能数据类，则采用ARIMA模型对待预测的计算机性能数据进行预测，得到第二预测结果，并将所述第二预测结果作为预测结果。可选地，在所述通过所述目标时序分析模型对待预测的计算机性能数据进行预测，得到预测结果之后，所述计算机性能预测方法还包括以下步骤：判断是否存在多个第一子预测结果或多个第二子预测结果；若存在多个第一子预测结果或多个第二子预测结果，则通过最小二乘法对所述多个第一子预测结果或多个第二子预测结果进行线性拟合，得到第二拟合结果。可选地，在所述若存在多个第一子预测结果或多个第二子预测结果，则通过最小二乘法对所述多个第一子预测结果或多个第二子预测结果进行线性拟合，得到第二拟合结果之后，所述计算机性能预测方法还包括以下步骤：计算所述第二拟合结果的拟合优度；判断所述第二拟合结果的拟合优度是否小于或等于第二预设阈值；若所述第二拟合结果的拟合优度小于或等于第二预设阈值，则调节目标时序分析模型的参数，直至所述第二拟合结果的拟合优度大于所述第二预设阈值。进一步地，为实现上述目的，本专利技术还提供一种计算机性能预测装置，所述计算机性能预测装置包括以下模块：收集模块，用于收集计算机性能数据，其中，所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据；拟合模块，用于使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合，得到所述初始时序分析模型的初始参数，其中，所述初始时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T；调整模块，用于调整所述初始时序分析模型的初始参数，得到目标时序分析模型；预测模块，用于通过所述目标时序分析模型对待预测的计算机性能数据进行预测，得到预测结果。可选地，所述拟合模块包括以下单元：判断单元，用于判断所述计算机性能数据是否为非平稳时间序列数据；运算单元，用于若计算机性能数据为非平稳时间序列数据，则进行d阶差分运算，将所述非平稳时间序列数据转化为平稳时间序列数据，若计算机性能数据为平稳时间序列数据，则计算所述平稳时间序列数据的自相关系数和偏自相关系数；分析单元，用于基于所述自相关系数和偏自相关系数，对自相关图和偏自相关图进行分析，得到预置时序分析模型集中所述初始时序分析模型的初始参数，其中，所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T。可选地，所述调整本文档来自技高网...

【技术保护点】
1.一种计算机性能预测方法，其特征在于，所述计算机性能预测方法包括以下步骤：/n收集计算机性能数据，其中，所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据；/n使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合，得到所述初始时序分析模型的初始参数，其中，所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T；/n调整所述初始时序分析模型的初始参数，得到目标时序分析模型；/n通过所述目标时序分析模型对待预测的计算机性能数据进行预测，得到预测结果。/n

【技术特征摘要】
1.一种计算机性能预测方法，其特征在于，所述计算机性能预测方法包括以下步骤：
收集计算机性能数据，其中，所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据；
使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合，得到所述初始时序分析模型的初始参数，其中，所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T；
调整所述初始时序分析模型的初始参数，得到目标时序分析模型；
通过所述目标时序分析模型对待预测的计算机性能数据进行预测，得到预测结果。


2.如权利要求1所述的计算机性能预测方法，其特征在于，所述使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合，得到所述初始时序分析模型的初始参数，其中，所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T，包括以下步骤：
判断所述计算机性能数据是否为非平稳时间序列数据；
若所述计算机性能数据为非平稳时间序列数据，则进行d阶差分运算，将所述非平稳时间序列数据转化为平稳时间序列数据；
若所述计算机性能数据为平稳时间序列数据，则计算所述平稳时间序列数据的自相关系数和偏自相关系数；
基于所述自相关系数和所述偏自相关系数，对自相关图和偏自相关图进行分析，得到预置时序分析模型集中所述初始时序分析模型的初始参数，其中，所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型，所述初始参数包括：差分系数d、自回归阶数p、滑动平均阶数q和周期T。


3.如权利要求1所述的计算机性能预测方法，其特征在于，所述调整所述初始时序分析模型的初始参数，得到目标时序分析模型，包括以下步骤：
以穷举的方式通过所述初始时序分析模型对预置计算机性能数据进行拟合，得到第一拟合结果；
计算所述第一拟合结果的拟合优度；
判断所述第一拟合结果的拟合优度是否大于或等于第一预设阈值；
若所述第一拟合结果的拟合优度大于或等于所述第一预设阈值，则得到目标时序分析模型；
若所述第一拟合结果小于所述第一预设阈值，则调整所述初始时序分析模型的初始参数，直至所述拟合优度大于或等于所述第一预设阈值，得到目标时序分析模型。


4.如权利要求1所述的计算机性能预测方法，其特征在于，所述通过述目标时序分析模型对待预测的计算机性能数据进行预测，得到预测结果，包括以下步骤：
根据计算机性能数据随时间出现的频率，将所述计算机性能数据划分为不同类型，其中，所述不同类型包括周期性计算机性能数据类和/或非周期性计算机性能数据类；
根据所述计算机性能数据的类型，确定目标时序分析模型的目标类型，并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测，得到预测结果。

【专利技术属性】
技术研发人员：冉翀，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：广东;44