[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

说明书

本发明提供了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，考虑原始数据中存在噪声和异常点的问题，采用孤立森林算法对数据中的异常点进行剔除；利用经验模态分解(EMD(经验模态分解))算法将输入数据分解为不同频率的本征模函数(IMF(本征模函数))分量；分别采用分离的长短期记忆神经网络(LSTM(长短期记忆网络))对各IMF(本征模函数)和残差进行预测，综合每个LSTM(长短期记忆网络)模型中重建预测值。本发明的方法实现了具有时间序列特征的系统负载趋势预测，有助于提高系统对外部攻击或内部扰动造成系统负载过高的提前预警能力。

技术领域

本发明涉及信息系统技术领域，特别是涉及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。

背景技术

信息系统负载预测在军事、民用领域的指挥控制、智能电网、金融系统的资源管理调度等方法具有重要的作用。然而，由于各种外界干扰以及内部属性的相互影响，实现系统负载的精准预测是十分困难的。在信息系统中监控系统获取的数据通常具有时间特征，被称为时间序列，将某种统计指标的数值按照时间先后顺序排列形成的数列。时间序列趋势预测方法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年可能达到的水平。

目前很多科研机构、企业都在尝试通过趋势预测的方式，提前预测系统或业务的未来发展状况。普遍采用的方法是利用统计学的算法，如Holter-Winter、ARIMA、3Sigma等，结合历史数据进行趋势预测。基于EMD/EEMD-ARIMA的混合预测模型，通过经验模态分解(EMD)和集成经验模态分解(EEMD)对原始水文时间序列中具有不同时间尺度特征的分量进行分解，用于黄河上游的长期径流预测。基于-全局人工鱼群算法(GAFSA)优化支持向量机(SVR)模型的网络流量预测方法，采用GAFSA对SVR预测模型进行参数寻优,改善了基于SVR网络流量预测模型多次预测结果相差较大的问题，提高预测精准度。基于集成BP神经网络预测方法，集成多个具有不同初始权值和训练集的BP模型，并以加权平均值的方法作为结合方法，实现对交通流量的预测。

现有的信息系统负载预测方法多为针对平稳时间序列、线性变化的监测数据的预测模型，如趋势拟合模型、季节调整模型、移动平均法、指数平滑法、ARIMA模型烦等，能够实现对含有噪声的实际运行数据准确预测的方法较为少见，然而，在实际系统运行过程中，由于受到外界干扰或者内部调整，系统负载的变化是负载多变的，其具有非线性、非平稳性。因此，针对复杂环境下的信息系统，如何进行原始数据的去噪处理，如何设计适合的算法进行负载预测的问题，对于实现系统负载精准预测具有重要的现实意义。上述问题的解决，将有助于提高系统的预警能力，规避风险。

发明内容

发明目的：本发明提供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，考虑原始数据中存在噪声和异常点的问题，采用孤立森林算法对数据中的异常点进行剔除；利用经验模态分解(EMD)算法将输入数据分解为不同频率的本征模函数(IMF)分量；分别采用分离的长短期记忆神经网络(LSTM)对各IMF(本征模函数)和残差进行预测，综合每个LSTM(长短期记忆网络)模型中重建预测值。本发明的方法实现了具有时间序列特征的系统负载趋势预测，有助于提高系统对外部攻击或内部扰动造成系统负载过高的提前预警能力。

实现本发明目的的技术解决方案包括以下内容：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，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(长短期记忆网络)神经网络训练，得到分离的LSTM(长短期记忆网络)神经网络；