本申请公开了一种基于业务数据的资源用量预测方法及装置，方法包括：在目标内部平台获取多类业务数据，并整理成业务数据列表，业务数据列表的列为时序；采用预设ARIMA模型对业务数据列表中的时序业务数据集进行差分预测分析，得到时序资源预测结果；采用预设回归分析模型对业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果。考虑了数据的时序特性，更加符合实际情况，所以得到的预测结果更加可靠。因此，本申请能够解决现有技术分析的数据单一缺乏针对性，且并未考虑无时序关联的数据的影响，导致预测结果缺乏准确性和可靠性的技术问题。果缺乏准确性和可靠性的技术问题。果缺乏准确性和可靠性的技术问题。
【技术实现步骤摘要】
一种基于业务数据的资源用量预测方法及装置
[0001]本申请涉及数据分析
，尤其涉及一种基于业务数据的资源用量预测方法及装置。
技术介绍
[0002]资源用量是指在在运营过程中资源占用量，当前的资源分析任务中多是针对已发生的资源占用量，对未来资源用量的预测能力较差，主要原因是现有技术大部分指基于单个云厂商的单个资源进行预测，缺乏实际针对性，导致预测结果缺乏准确性和可靠性，而且，最新的基于机器学习或者神经网络的预测模型将所有的影响数据都基于时序处理，但是很多数据在时序上其实没有强相关关系，对预测结果帮助不大，还会增加计算量，降低预测效率。
技术实现思路
[0003]本申请提供了一种基于业务数据的资源用量预测方法及装置，用于解决现有技术分析的数据单一缺乏针对性，且并未考虑无时序关联的数据的影响，导致预测结果缺乏准确性和可靠性的技术问题。
[0004]有鉴于此，本申请第一方面提供了一种基于业务数据的资源用量预测方法，包括：
[0005]在目标内部平台获取多类业务数据，并整理成业务数据列表，所述业务数据列表的列为时序；
[0006]采用预设ARIMA模型对所述业务数据列表中的时序业务数据集进行差分预测分析，得到时序资源预测结果；
[0007]采用预设回归分析模型对所述业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果。
[0008]优选地，所述在目标内部平台获取多类业务数据，并整理成业务数据列表，所述业务数据列表的列为时序，包括：
[0009]通过预置工具在目标内部平台获取多个业务数据，得到初始业务数据；
[0010]根据时序将所述初始业务数据整理成业务数据列表，并对所述业务数据列表中的业务数据进行归一化处理。
[0011]优选地，所述采用预设ARIMA模型对所述业务数据列表中的时序业务数据集进行差分预测分析，得到时序资源预测结果，之前还包括：
[0012]对所述业务数据列表中的业务数据进行数据特性分析，得到时序业务数据集合非时序业务数据集，所述数据特性包括趋势性、序列相关性和随机性。
[0013]优选地，所述采用预设回归分析模型对所述业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果，之前还包括：
[0014]获取平台在历史时间的历史业务数据，并整理成历史业务数据列表，所述历史业务数据列表包括历史资源用量；
[0015]基于所述历史业务数据列表进行初次回归分析，得到业务因子数据集，所述业务因子数据集包括对应的业务资源用量；
[0016]依据所述业务因子数据集进行资源预测的线性回归分析训练，得到初始回归分析模型；
[0017]通过预设优化条件对所述初始回归分析模型进行优化调整，得到优化回归分析模型；
[0018]采用业务数据测试集对所述优化回归分析模型进行验证，得到预设回归分析模型。
[0019]优选地，所述采用业务数据测试集对所述优化回归分析模型进行验证，得到预设回归分析模型，之后还包括：
[0020]判断所述预设回归分析模型的拟合度和相关性是否均在预设范围内，若是，则将所述预设回归分析模型用于非时序资源预测；
[0021]若否，则判断所述业务数据列表中的非时序业务数据集是否满足单调递增特性，若是，则根据预置历史资源增长量预测未来资源增长量，并依据所述未来资源增长量计算非时序资源预测结果，若否，则根据预设比例和所述非时序业务数据集计算所述非时序资源预测结果。
[0022]优选地，所述采用预设回归分析模型对所述业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果，之后还包括：
[0023]若所述时序资源预测结果和所述非时序资源预测结果对应的业务数据为弱相关数据，则基于所述时序资源预测结果和所述非时序资源预测结果分别进行二次资源用量分析，得到目标资源预测结果。
[0024]本申请第二方面提供了一种基于业务数据的资源用量预测装置，包括：
[0025]数据准备单元，用于在目标内部平台获取多类业务数据，并整理成业务数据列表，所述业务数据列表的列为时序；
[0026]第一预测单元，用于采用预设ARIMA模型对所述业务数据列表中的时序业务数据集进行差分预测分析，得到时序资源预测结果；
[0027]第二预测单元，用于采用预设回归分析模型对所述业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果。
[0028]优选地，所述数据准备单元，具体同于：
[0029]通过预置工具在目标内部平台获取多个业务数据，得到初始业务数据；
[0030]根据时序将所述初始业务数据整理成业务数据列表，并对所述业务数据列表中的业务数据进行归一化处理。
[0031]优选地，还包括：
[0032]数据特性分析单元，用于对所述业务数据列表中的业务数据进行数据特性分析，得到时序业务数据集合非时序业务数据集，所述数据特性包括趋势性、序列相关性和随机性。
[0033]优选地，还包括：
[0034]数据获取单元，用于获取平台在历史时间的历史业务数据，并整理成历史业务数据列表，所述历史业务数据列表包括历史资源用量；
[0035]数据处理单元，用于基于所述历史业务数据列表进行初次回归分析，得到业务因子数据集，所述业务因子数据集包括对应的业务资源用量；
[0036]模型训练单元，用于依据所述业务因子数据集进行资源预测的线性回归分析训练，得到初始回归分析模型；
[0037]模型优化单元，用于通过预设优化条件对所述初始回归分析模型进行优化调整，得到优化回归分析模型；
[0038]模型验证单元，用于采用业务数据测试集对所述优化回归分析模型进行验证，得到预设回归分析模型。
[0039]从以上技术方案可以看出，本申请实施例具有以下优点：
[0040]本申请中，提供了一种基于业务数据的资源用量预测方法，包括：在目标内部平台获取多类业务数据，并整理成业务数据列表，业务数据列表的列为时序；采用预设ARIMA模型对业务数据列表中的时序业务数据集进行差分预测分析，得到时序资源预测结果；采用预设回归分析模型对业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果。
[0041]本申请提供的基于业务数据的资源用量预测方法，获取内部平台业务层面的数据进行资源预测分析，且业务数据的不同来源形成了多种不同类型的数据，能够更加针对性的实现资源用量预测；此外，通过不同的模型分别对时序业务数据集和非时序业务数据集进行分析处理，并预测出更加准确的资源预测结果。考虑了数据的时序特性，更加符合实际情况，所以得到的预测结果更加可靠。因此，本申请能够解决现有技术分析的数据单一缺乏针对性，且并未考虑无时序关联的数据的影响，导致预测结果缺乏准确性和可靠性的技术问题。
附图说明
[0042]图1为本申请实施例提供的一种基于业务数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于业务数据的资源用量预测方法，其特征在于，包括：在目标内部平台获取多类业务数据，并整理成业务数据列表，所述业务数据列表的列为时序；采用预设ARIMA模型对所述业务数据列表中的时序业务数据集进行差分预测分析，得到时序资源预测结果；采用预设回归分析模型对所述业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果。2.根据权利要求1所述的基于业务数据的资源用量预测方法，其特征在于，所述在目标内部平台获取多类业务数据，并整理成业务数据列表，所述业务数据列表的列为时序，包括：通过预置工具在目标内部平台获取多个业务数据，得到初始业务数据；根据时序将所述初始业务数据整理成业务数据列表，并对所述业务数据列表中的业务数据进行归一化处理。3.根据权利要求1所述的基于业务数据的资源用量预测方法，其特征在于，所述采用预设ARIMA模型对所述业务数据列表中的时序业务数据集进行差分预测分析，得到时序资源预测结果，之前还包括：对所述业务数据列表中的业务数据进行数据特性分析，得到时序业务数据集合非时序业务数据集，所述数据特性包括趋势性、序列相关性和随机性。4.根据权利要求1所述的基于业务数据的资源用量预测方法，其特征在于，所述采用预设回归分析模型对所述业务数据列表中的非时序业务数据集进行线性回归分析，得到非时序资源预测结果，之前还包括：获取平台在历史时间的历史业务数据，并整理成历史业务数据列表，所述历史业务数据列表包括历史资源用量；基于所述历史业务数据列表进行初次回归分析，得到业务因子数据集，所述业务因子数据集包括对应的业务资源用量；依据所述业务因子数据集进行资源预测的线性回归分析训练，得到初始回归分析模型；通过预设优化条件对所述初始回归分析模型进行优化调整，得到优化回归分析模型；采用业务数据测试集对所述优化回归分析模型进行验证，得到预设回归分析模型。5.根据权利要求4所述的基于业务数据的资源用量预测方法，其特征在于，所述采用业务数据测试集对所述优化回归分析模型进行验证，得到预设回归分析模型，之后还包括：判断所述预设回归分析模型的拟合度和相关性是否均在预设范围内，若是，则将所述预设回归分析模型用于非时序资源预测；若否，则判断所述业务数据列表中的非时序业务数据集是否满足单调递增特性，若是，则根据预置历史资源增长量预测未来资源增长量，并...
【专利技术属性】
技术研发人员：张时健，危文钊，
申请(专利权)人：广州趣研网络科技有限公司，
类型：发明
国别省市：
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。