[发明专利]一种融合孤立森林与长短期记忆网络的系统负载预测方法

权利要求书

1.一种融合孤立森林与长短期记忆网络的系统负载预测方法，其特征在于，包括如下步骤：

步骤1、对信息系统运行的负载监测数据进行数据预处理，对数据中的异常值进行剔除；

步骤2、采用经验模态分解EMD算法将预处理过后的数据分解为不同频率的本征模函数IMF分量；

步骤3、神经网络训练：对每组本征模函数IMF分量进行LSTM神经网络训练，得到分离的LSTM神经网络；

步骤4、神经网络预测：分别采用分离的LSTM神经网络对各本征模函数IMF和残差进行预测，从每个LSTM神经网络中重建预测值。

2.根据权利要求1所述的方法，其特征在于，步骤1包括如下步骤：

步骤1-1，建立孤立森林；

步骤1-2，对数据中的异常值进行剔除。

3.根据权利要求2所述的方法，其特征在于，步骤1-1包括：

步骤1-1-1，将信息系统运行的负载监测数据作为输入数据；

步骤1-1-2，选择负载监测数据的一个正常值value作为阈值；

步骤1-1-3，对每条负载监测数据进行分类，如果一个记录的值value大于阈值，则将该记录放在左子树上，否则放在右子树上；

步骤1-1-4，递归构造左子树和右子树，直到满足条件：输入监测数据集只有一条或两条以上一样的记录，并且树的高度达到了高度阈值；

步骤1-1-5，左子树和右子树构成一个孤立树iTree，两个以上的孤立树组成孤立森林。

4.根据权利要求3所述的方法，其特征在于，步骤1-2包括：

将测试的负载监测数据从iTree根节点开始搜索，确定测试记录落在哪个叶子节点上，叶子节点到根节点的的路径为h(x)，采用如下归一化公式计算异常指数S(x,n)：

H(k)＝ln(k)+ξ (3)

其中，c(n)是给定n的情况下路径的平均值，ξ为欧拉常数，n为样本的大小，k为样本序列号，H(k)为监测数据x在孤立树iTree上的高度；S(x,n)的取值范围为[0,1]，越接近1表示是异常值的可能性越高，越接近0表示是正常值的可能性越高，如果超过70％的训练样本的S(x,n)都接近0.5，则表示无明显异常点。