[发明专利]基于FARIMA-LSTM预测的电网主机动态阈值设定方法

说明书

本发明提供了一种基于FARIMA‑LSTM预测的电网主机动态阈值设定方法，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。本发明预测方法准确，适用范围广，运行时间短，通过周期调整消除了时间序列中的周期性影响，能够更清晰地揭示趋势，降低了周期对ARIMA模型拟合效果的影响，提高了趋势预测精度，利用服务器内存历史数据预测并估算设备运行指标动态阈值，实时的对服务器内存历史数据变化情况进行监控，及时的通知运维人员对设备进行运行状态检查，提高了设备故障的预知能力，充分提升了运维监控和故障抢修工作的主动性，提高了运维效率。

技术领域

本发明涉及数据分析技术领域，特别涉及一种基于FARIMA-LSTM预测的电网主机动态阈值设定方法。

背景技术

基于时间序列周期获得阈值，采用基于时间周期序列的动态阈值设定方式，首先进行均值水平估计，再根据数据浮动特征调整上下限制阈值对均值水平的比例，但这种阈值设定方式还存在着不稳定、误报等问题；基于传感器数据信息修改阈值，采用监视设备可操作其传感器获得的数据信息，结合患者的特定状况，修改监视器中存储的警报阈值，为患者提供更准确的阈值警报；以上方法对于数据的依赖性较强，当指标值周期性较弱或采集信息不明确时，阈值设定将会不准确。

发明内容

本发明提供了一种基于FARIMA-LSTM预测的电网主机动态阈值设定方法，其目的是为了解决传统的获取阈值和修改阈值的方法，不稳定且会产生误报，对数据的依赖性较强，当指标值周期性较弱或采集信息不明确时，阈值设定将会不准确的问题。

为了达到上述目的，本发明的实施例提供了一种基于FARIMA-LSTM预测的电网主机动态阈值设定方法，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；

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，当检测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。

其中，所述步骤2具体包括：