【技术实现步骤摘要】
一种服务器中时序数据短期预测方法及系统
本专利技术涉及云计算领域，特别是涉及一种服务器中时序数据短期预测方法及系统。
技术介绍
随着云计算领域的快速发展，对实现拥有物理机性能和云弹性的裸机建设正在云计算中悄然兴起；为了使云计算中的物理机与云主机的性能达到最佳，分析监控数据对机器性能调优具有指导意义。当前对服务器的监控数据主要包括cpu，内存，存储，网络等性能数据，这些数据包含cpu使用率，内存使用率，网络吞吐量等时序性能数据；时序数据短期预测包含平稳数据与非平稳数据的处理，针对非平稳数据短期预测模型包含Holt-Winters与ARIMA等模型，针对平稳数据可以使用AR，MA与ARMA等模型。服务器中的指标数据包含平稳数据与非平稳数据，由于时序数据中改变平稳性的因素很多，有周期性的稳定扰动，趋势性的变化还有其他的随机扰动，如果使用同一种算法，可能会造成对一组数据效果很好，但对另一类数据效果很差。
技术实现思路
本专利技术主要解决的技术问题是提供一种服务器中时序数据短期预测方法及系统，能够采...
【技术保护点】
1.一种服务器中时序数据短期预测方法，其特征在于，包括：/n从时序数据库中提取历史数据；/n将历史数据分为训练数据与测试数据，将训练数据存储在训练集中，将测试数据存储在测试集中；/n使用训练集中训练数据对若干模型进行训练，训练完成后得到若干预测模型，通过若干预测模型与测试集中测试数据计算对称平均绝对百分比误差值；/n对比若干预测模型中的对称平均绝对百分比误差值，找出最小的对称平均绝对百分比误差值所对应的预测模型，并将该预测模型定义为最优预测模型，并存储到数据库中；/n从数据库中选取最优预测模型，从时序数据库中选择指标数据，通过最优预测模型与指标数据计算得出预测值。/n
【技术特征摘要】
1.一种服务器中时序数据短期预测方法，其特征在于，包括：
从时序数据库中提取历史数据；
将历史数据分为训练数据与测试数据，将训练数据存储在训练集中，将测试数据存储在测试集中；
使用训练集中训练数据对若干模型进行训练，训练完成后得到若干预测模型，通过若干预测模型与测试集中测试数据计算对称平均绝对百分比误差值；
对比若干预测模型中的对称平均绝对百分比误差值，找出最小的对称平均绝对百分比误差值所对应的预测模型，并将该预测模型定义为最优预测模型，并存储到数据库中；
从数据库中选取最优预测模型，从时序数据库中选择指标数据，通过最优预测模型与指标数据计算得出预测值。
2.根据权利要求1所述的一种服务器中时序数据短期预测方法，其特征在于：模型包括霍尔特温特模型、差分整合移动平均自回归模型和时间序列分解模型；
对若干模型进行训练包括对霍尔特温特模型进行训练，对差分整合移动平均自回归模型进行训练和对时间序列分解模型进行训练。
3.根据权利要求2所述的一种服务器中时序数据短期预测方法，其特征在于：对霍尔特温特模型进行训练包括：
将训练数据输入霍尔特温特模型中，遍历霍尔特温特模型中的若干参数组，若干参数组中每组参数生成一个霍尔特温特短期预测模型；
使用若干霍尔特温特短期预测模型进行预测，得到预测值并与测试数据进行计算，得出每组霍尔特温特短期预测模型的对称平均绝对百分比误差值；
对比所有的对称平均绝对百分比误差值，找出最小的对称平均绝对百分比误差值，并找到对应的霍尔特温特短期预测模型。
4.根据权利要求2所述的一种服务器中时序数据短期预测方法，其特征在于：对差分整合移动平均自回归模型进行训练包括：
根据训练集中训练数据确定差分整合移动平均自回归模型参数的范围；
遍历差分整合移动平均自回归模型的若干参数组，若干参数组中每组参数生成一个差分整合移动平均自回归短期预测模型，并计算若干差分整合移动平均自回归短期预测模型的贝叶斯信息准则评分，找到贝叶斯信息准则评分最小的差分整合移动平均自回归短期预测模型并进行预测，得到预测值并与测试数据计算对称平均绝对百分比误差值。
5.根据权利要求2所述的一种服务器中时序数据短期预测方法，其特征在于：对时间序列分解模型进行训练包括：
使用时间序列分解算法对训练数据进行分解，分解为趋势项、季节项与余项；
对趋势项使用二次指数平滑方法进行预测；
通过图搜索的策略选出时间序列分解预测模型；<...
【专利技术属性】
技术研发人员：苏海明，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。