性能指标预测方法及装置制造方法及图纸

本发明专利技术公开了一种性能指标预测方法及装置，涉及人工智能技术领域，该性能指标预测方法包括：获取预设的性能指标的当前时刻数值；将所述当前时刻数值输入到预设的长短时记忆网络模型中，得到所述性能指标的下一时刻预测值，其中，所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出，所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。本发明专利技术提供了一种预测准确性较高的性能指标预测方法。

【技术实现步骤摘要】
性能指标预测方法及装置
本专利技术涉及人工智能
，具体而言，涉及一种性能指标预测方法及装置。
技术介绍
当前，在系统运维中，对系统的一些关键性能指标进行监控和预测是重点，对性能指标进行监控和预测可以用于对系统中的异常事件进行识别和预测。这些性能指标随着时间变化，为标准的时序数据。长短时记忆网络(LSTM)是一种递归网络，可以对时序数据进行预测。而在将长短时记忆网络应用在性能指标预测上时，专利技术人发现了以下问题。系统运维异常普遍存在的特点为，一个异常事件在时间上会有一定延续性，例如，在时间点t1发生了异常事件，而异常事件会延续一段时间，使t2甚至更后面的时间点的性能指标都为大小相同或相似的异常数据，这就造成性能指标的时序数据中出现重复和无效的信息，导致长短时记忆网络模型的预测准确性不理想。
技术实现思路
本专利技术为了解决上述
技术介绍
中的技术问题，提出了一种性能指标预测方法及装置。为了实现上述目的，根据本专利技术的一个方面，提供了一种性能指标预测方法，该方法包括：获取预设的性能指标的当前时刻数值本文档来自技高网...

【技术保护点】
1.一种性能指标预测方法，其特征在于，包括：/n获取预设的性能指标的当前时刻数值；/n将所述当前时刻数值输入到预设的长短时记忆网络模型中，得到所述性能指标的下一时刻预测值，其中，所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出，所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。/n

【技术特征摘要】
1.一种性能指标预测方法，其特征在于，包括：
获取预设的性能指标的当前时刻数值；
将所述当前时刻数值输入到预设的长短时记忆网络模型中，得到所述性能指标的下一时刻预测值，其中，所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出，所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。


2.根据权利要求1所述的性能指标预测方法，其特征在于，所述权重值由所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值确定。


3.根据权利要求2所述的性能指标预测方法，其特征在于，所述权重值为所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值与1之差的绝对值。


4.根据权利要求1所述的性能指标预测方法，其特征在于，还包括：
获取所述性能指标的时序数据；
根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练，其中，所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。


5.根据权利要求4所述的性能指标预测方法，其特征在于，所述根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练，包括：
根据所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值计算出遗忘门中的权重值；
根据计算出的权重值确定所述遗忘门；
根据确定出的所述遗忘门、所述长短时记忆网络模型的上一时刻细胞状态以及所述长短时记忆网络模型的输入门确定所述长短时记忆网络模型的当前时刻细胞状态；
根据所述当前时刻细胞状态以及所述长短时记忆网络模型的输出门确定所述长短时记忆网络模型的当前时刻输出，其中，所述当前时刻输出为所述性能指标的下一时刻预测值。


6.一种性能指标预测装置，其特征在于，包括：
当前性能指标获取单元，用于获取预设的性能指标的当前时刻数值；
预测单元，用于将所述当前时刻数值输入到预设的长短时记忆网络模型中，得到所述性能指标的下一时刻预测值，其中，所述长短...

【专利技术属性】
技术研发人员：杨丽萦，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11