[发明专利]基于FARIMA-LSTM预测的电网主机动态阈值设定方法

权利要求书

1.一种基于FARIMA-LSTM预测的电网主机动态阈值设定方法，其特征在于，包括：

步骤1，构建FARIMA-LSTM模型；

步骤2，收集服务器的内存负载数据并输入FARIMA-LSTM模型进行数据预处理，对预处理后的内存负载数据进行周期性检验，得到周期性检验结果；

对收集的内存负载 数据进行时序数据间隔选择和数据补全的数据预处理操作，排除其他数据项指标，根据服务器内存性能指标的波动特性，选择合适的时间窗口描述该段时间内的数据特性，将选择的合适的时间窗口作为时间序列数据间隔，将每段时间的均值作为当前时间窗口至表皮状态值，表示在当前的该段时间内数据值围绕当前时间窗口指标状态值上下波动；对内存负载数据进行统计学分析，得到内存负载数据的缺失率，当缺失率小于10％时，采用KNN插值对内存负载数据进行补全，当缺失率大于10％时，重新采集内存负载数据；

采用时序图观察法对数据预处理后的内存负载 数据进行周期性检验，将预处理后的内存数据的时间序列在特定的横纵坐标系中进行展示，观测出时间序列的周期规律，根据周期规律得出周期性检验结果；

步骤3，根据所述周期性检验结果对预处理后的内存负载数据进行STL分解，得到周期分量和趋势分量，将所述周期分量作为周期预测值；

步骤4，将所述趋势分量作为趋势预测，并对所述趋势分量进行平稳性检验；

步骤5，当检验到所述趋势分量为非平稳的趋势分量时，对所述趋势分量进行差分后再进行平稳性检验，直到所述趋势分量检验为平稳；

步骤6，对平稳的趋势分量通过BIC法则进行定阶，得到平稳的趋势分量的定阶结果，根据平稳的趋势分量的定阶结果构建ARIMA模型，得到趋势预测值；

步骤7，通过StateModels方法从ARIMA模型中得到历史数据预测误差并对历史数据预测误差进行数据预处理，根据预处理后的历史数据预测误差建立训练集和测试集；

步骤8，将训练集作为残差输入LSTM网络进行训练，得到误差预测值；

步骤9，将周期预测值、趋势预测值和误差预测值相加，得到多步预测结果，将多步预测结果作为FARIMA-LSTM模型的输出；

步骤10，根据多步预测结果通过置信理论生成动态阈值区间。