[发明专利]基于模式融合的CPU负载多步预测方法

权利要求书

1.一种基于模式融合的CPU负载多步预测方法，其特征在于，包括以下步骤： 

步骤1：模式抽取 

把一个时间序列数据切分成多个数据模式的集合，并统计各个数据模式的个数； 

步骤2：模式过滤 

经过步骤1得到所有的模式与个数，过滤一些不常出现的模式，对这些模式统计，根据个数从大到小进行排序，给定一个过滤因子α，使过滤后的模式能够覆盖大部分模式； 

步骤3：模式融合、匹配 

对于一些模式相差不大的模式，合并成一些通用的趋势模式，并根据这些通用的趋势模式进行匹配，在匹配过程中，采用汉明距离来度量模式与模式之间的方向距离，然后使用欧几里得距离来度量实际距离； 

步骤4：模式加权预测 

经过步骤3找到一些近似模式后，采用平均规则策略或均匀下降策略根据这些模式的后面的值来进行多步预测； 

步骤5：预测结果融合 

采用多个模式长度来指导预测，并根据每个模式长度的预测值进行融合，采用机器学习Adaboost算法进行合成，得到最终结果。 

2.根据权利要求1所述的基于模式融合的CPU负载多步预测方法，其特征在于，步骤1中： 

所述时间序列数据是一系列数据x₁,x₂,x₃,…,x_n，这些数据之间存在有序性； 

所述数据模式是给定一个时间序列数据，从时间序列数据中找打一个子序列C_p＝x_p,x_p+1,…,x_p+w-1,这个子序列在历史数据中经常出现。 

3.根据权利要求2所述的基于模式融合的CPU负载多步预测方法，其特征在于，步骤2中，过滤因子α满足以下条件： 

其中，Qi是一个长度为i的模式集合； 

number(Qi)是在Qi中模式的个数； 

filter(Qi)是过滤后模式的个数。 

4.根据权利要求2所述的基于模式融合的CPU负载多步预测方法，其特征在于，步骤3中模式匹配包括以下步骤： 

步骤31：趋势匹配 

通过度量汉明距离计算模式之间的趋势距离，采用参数λ来进行评估： 

其中，||X_i′-m_j′||是度量两个模式的汉明距离； 

λ是匹配参数； 

X_i′与m_j′是第i个和第j个模式的趋势方向； 

步骤32：欧几里得距离 

经过步骤31后的模式匹配，可以得到一些相似的模式，计算欧几里得距离： 

dist(i，j)＝|X_i-m_j| 

其中i和j是模式的序号； 

X_i是第i个模式； 

m_j是第j个模式； 

|X_i-m_j|为两个模式之间的欧几里得距离； 

步骤33，根据步骤32后计算的每个模式与模式之间的欧几里得距离，对这些距离进行排序，然后从中选择前K个欧几里得距离最小的作为最接近的模式。 

5.根据权利要求4所述的基于模式融合的CPU负载多步预测方法，其特征在于，步骤4中所述平均规则策略为：从历史中找到一些近似模式后，从这些近似模式后续值直接加权平均后作为预测的结果值，预测结果值如下： 

其中，h是预测步数的长度； 

d是从历史数据中找到近似模式的个数； 

n是已知数据的长度； 

CP_i是找到的一些候选近似模式。