[发明专利]一种基于机器学习算法的IDC流量数据预测方法及装置

说明书

本发明实施例公开了一种基于机器学习算法的IDC流量数据预测方法及装置，方法包括：利用滑窗对任一时刻IDC流量数据进行特征提取，以获取流量数据特征；其中，流量数据特征至少包括时序特征、固有特征和统计特征；将上述特征输入到预置的IDC流量数据预测模型中，得到任一时刻的下一时刻的流量数据；预置的IDC流量数据预测模型为，以具有周期性的IDC历史流量数据在历史任一时刻对应的时序特征、固有特征和统计特征为输入，以历史任一时刻的下一时刻的IDC历史流量数据为输出对机器学习模型进行训练得到。本发明实施例通过将提取的流量数据特征输入预置的IDC流量数据预测模型中，得到未来的流量数据，达到了对未来流量数据进行时间序列预测的目的。

技术领域

本发明涉及移动通信网管技术领域。尤其涉及一种基于机器学习算法的IDC流量数据预测方法及装置。

背景技术

随着互联网数据中心(Internet Data Center，IDC)流量数据规模的不断扩大，预测IDC流量数据未来发展趋势显得愈发重要。

现有的IDC机房管理系统中缺乏流量数据预测手段，无法预先感知流量数据的未来发展趋势，无法对流量数据可能造成的阻塞情况进行预警，在故障发生后才应急响应，造成扩容的被动。出于对IDC机房的流量数据情况进行监控的需要，往往委派大量的工作人员驻场对流量数据进行检测，通过观察对比历史的流量数据情况来对IDC机房的运作情况进行管控。这样反复投入人工分析占用较多时间，耗费大量人力资源，且不能很好的掌控IDC业务的异常波动情况，存在监控风险。

为了解决人工检查费时费力效果差的问题，现有的做法通常是采用滑窗平均的方法对时序流量数据进行直接计算。首先工程人员需要将设备采集到的流量数据存储到Oracle数据库中，然后通过环比规则将历史同一时间点的流量数据加权求取均值，来预测流量数据的未来发展趋势。这种方法虽然实施方案简单易于理解，但是没有考虑到窗口内的流量数据趋势，导致预测的趋势总是滞后于实际趋势，预测的结果不准确，鲁棒性较差；对于突发的异常情况或者节假日等特殊日期的预测效果较差，往往会在实际工作中带来较大的误差，影响机房正常运作。在实际的业务开展过程中，流量数据变化如业务开关、宕机、突发访问等情况都会造成该方法的失效。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种基于机器学习算法的IDC流量数据预测方法及装置。

第一方面，本发明实施例提出一种基于机器学习算法的IDC流量数据预测方法，包括：

利用滑窗对任一时刻IDC流量数据进行特征提取，以获取流量数据特征；其中，所述流量数据特征至少包括IDC流量数据的时序特征、固有特征和统计特征；

将所述IDC流量数据的时序特征、固有特征和统计特征输入到预置的IDC流量数据预测模型中，得到所述任一时刻的下一时刻的流量数据；其中，所述预置的IDC流量数据预测模型为，以具有周期性的IDC历史流量数据在历史任一时刻对应的时序特征、固有特征和统计特征为输入，以所述历史任一时刻的下一时刻的IDC历史流量数据为输出对机器学习模型进行训练得到。

在一种可能的实现中，所述利用滑窗对任一时刻IDC流量数据进行特征提取，以获取流量数据特征，包括:

利用滑窗对所述任一时刻IDC流量数据进行特征提取；

利用相关系数法和前向搜素法对提取的特征进行选择，获取到所述任一时刻IDC流量数据的流量数据特征。

在一种可能的实现中，所述利用滑窗对任一时刻IDC流量数据进行特征提取，以获取流量数据特征之前，所述方法还包括：

对所述任一时刻IDC流量数据进行预处理；其中，所述预处理至少包括：缺失值处理、异常值处理和/或数据平滑处理。