[发明专利]一种服务器中时序数据短期预测方法及系统

说明书

本发明公开了一种服务器中时序数据短期预测方法及系统，包括：提取历史数据；对历史数据进行分片，分为训练数据与测试数据；使用训练数据分别对三种模型进行训练；得到三种预测模型，对比三种预测模型中的对称平均绝对百分比误差值，找出最小的对称平均绝对百分比误差值所对应的预测模型，并将该预测模型定义为最优预测模型，并存储到数据库中；从数据库中的选取最优预测模型，从时序数据库中选择指标数据，最优预测模型与指标数据计算得出预测值；通过上述方式，本发明能够使得运维人员可以根据预测情况快速判断是否增容扩容，由此可以提升运维人员的效率，进而提升自己的产品在市场中的竞争力。

技术领域

本发明涉及云计算领域，特别是涉及一种服务器中时序数据短期预测方法及系统。

背景技术

随着云计算领域的快速发展，对实现拥有物理机性能和云弹性的裸机建设正在云计算中悄然兴起；为了使云计算中的物理机与云主机的性能达到最佳，分析监控数据对机器性能调优具有指导意义。

当前对服务器的监控数据主要包括cpu，内存，存储，网络等性能数据，这些数据包含cpu使用率，内存使用率，网络吞吐量等时序性能数据；时序数据短期预测包含平稳数据与非平稳数据的处理，针对非平稳数据短期预测模型包含Holt-Winters与ARIMA等模型，针对平稳数据可以使用AR，MA与ARMA等模型。

服务器中的指标数据包含平稳数据与非平稳数据，由于时序数据中改变平稳性的因素很多，有周期性的稳定扰动，趋势性的变化还有其他的随机扰动，如果使用同一种算法，可能会造成对一组数据效果很好，但对另一类数据效果很差。

发明内容

本发明主要解决的技术问题是提供一种服务器中时序数据短期预测方法及系统，能够采用Holt-Winters，ARIMA与STL模型共同训练预测模型，使用SMAPE评价方法对每种短期预测模型进行评价，利用评价值对短期预测模型进行选择，选取最终的短期预测模型，对时序数据进行预测。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种服务器中时序数据短期预测方法，包括：从时序数据库中提取历史数据；

将历史数据分为训练数据与测试数据，将训练数据存储在训练集中，将测试数据存储在测试集中；

使用训练集中训练数据对若干模型进行训练，训练完成后得到若干预测模型，通过若干预测模型与测试集中测试数据计算对称平均绝对百分比误差值；

对比若干预测模型中的对称平均绝对百分比误差值，找出最小的对称平均绝对百分比误差值所对应的预测模型，并将该预测模型定义为最优预测模型，并存储到数据库中；

从数据库中选取最优预测模型，从时序数据库中选择指标数据，通过最优预测模型与指标数据计算得出预测值。

进一步，模型包括霍尔特温特模型、差分整合移动平均自回归模型和时间序列分解模型；

对若干模型进行训练包括对霍尔特温特模型进行训练，对差分整合移动平均自回归模型进行训练和对时间序列分解模型进行训练。

进一步，对霍尔特温特模型进行训练包括：

将训练数据输入霍尔特温特模型中，遍历霍尔特温特模型中的若干参数组，若干参数组中每组参数生成一个霍尔特温特短期预测模型；

使用若干霍尔特温特短期预测模型进行预测，得到预测值并与测试数据进行计算，得出每组霍尔特温特短期预测模型的对称平均绝对百分比误差值；

对比所有的对称平均绝对百分比误差值，找出最小的对称平均绝对百分比误差值，并找到对应的霍尔特温特短期预测模型。

进一步，对差分整合移动平均自回归模型进行训练包括：

根据训练集中训练数据确定差分整合移动平均自回归模型参数的范围；