[发明专利]一种基于回归分析的学科预测算法

说明书

本发明公开了一种基于回归分析的学科预测算法，包括：基于系统初始采样数据序列计算系统线性回归预测模型的初始模型系数，并记录；随系统采样点的每次增加获取新的系统采样数据序列，确定增加的系统采样点数据和减少的系统采样点数据；基于增加/减少的系统采样点数据以及当前模型系数，更新模型系数；然后基于减少/增加的系统采样点数据以及更新后的模型系数，再次更新模型系数，作为每次系统采样点增加对应的模型系数并记录。本发明可避免计算过程中对服务器资源的大量占用，提高系统线性回归模型系数计算的效率，保障对线性回归模型系数计算的实时性。

技术领域

本发明涉及计算机数据分析处理技术领域，特别涉及一种基于回归分析的学科预测算法。

背景技术

实际工业系统在运行过程中，有状态监控子系统记录系统中关键设备的运行参数，这些参数通常是温度、压力、流量、电流、电压等数据。而在对系统进行分析优化的过程中，通常更关心组件性能衰减、预期收益、运维计划等数据。这些数据并不能从监控子系统获取的数据中直观获得，而体现在这些数据的长期变化趋势中。

基于对系统原理的分析，可以对系统进行线性化或者局部线性化，获得系统参数数据间的简单线性表示形式，即系统的线性模型。根据系统原理，模型中的系数与系统组件性能、转换效率，维护阈值等直接相关。因此，根据模型系数的长期变化趋势，即可实现对系统性能衰减评估、远期收益预测、运维节点优化等工作。

线性化后的系统模型可记为Y^T＝W^TX，其中X＝[X1 X2 ... Xn]为若干采样点的系统输入，Y^T＝[y1 y2 ...]为对应采样点模型预测的系统输出，W为模型系数。实际系统中，在不同的采样点可以得到不同的实际系统输入和输出参数数值，带入到模型中构成一个超定方程组，通过最小二乘方法即可估计出模型系数W的值。因此可根据预测采样点之前的若干组系统实际参数，估算系统在预测采样点的模型系数，进而根据模型系数的变化趋势进行系统性能分析。

最小二乘法在模型维数较高，或者方程组计算的数据参数组数较大时，涉及到大量矩阵运算，并需要对中间矩阵求逆，耗费大量计算资源。因此，在服务器上对系统模型进行详细分析计算时，会占用大量系统计算资源。一方面增加服务器压力，同时也会降低对系统模型详细分析求解的可行性。

为了充分消除随机误差以及突发干扰对模型系数估算的影响，通常在计算时需要引入较长时间范围内的系统实测数据参与运算。例如，实际计算为了获得一个采样点的模型系数，可能需要此前系统连续一个月甚至一年的运行数据。如果每次计算都需要获取如此大量数据，对服务器存储IO带宽、内存容量等都将形成巨大压力。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于回归分析的学科预测算法，利用迭代的方式计算模型系数，避免计算过程中对服务器资源的大量占用，提高系统线性回归模型系数计算的效率，保障对线性回归模型系数计算的实时性。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供一种基于回归分析的学科预测算法，包括以下步骤：

S1，基于预设的数据窗口长度，获取系统初始采样数据序列，利用初始采样数据序列计算系统线性回归预测模型的模型系数，并记录；

S2，获取增加的系统采样点数据，基于预设的数据窗口长度，形成新的系统采样数据序列；确定新的系统采样数据序列较初始采样数据序列所增加的系统采样点数据和减少的系统采样点数据；

S3，基于增加/减少的系统采样点数据以及当前模型系数，更新模型系数；然后基于减少/增加的系统采样点数据以及更新后的模型系数，再次更新模型系数，并记录；

S4，随系统采样点的增加重复步骤S2至步骤S4，得到每次采样点数据增加、采样数据序列变化后的模型系数，并记录。