[发明专利]一种时间序列的预测处理方法、装置及设备

说明书

本发明公开了一种时间序列的预测处理方法、装置及设备，方法包括：获得运维系统的监控数据的原始时间序列数据；根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果；根据所述中间预测结果和所述基学习器对应的预测边界，获得目标预测结果；根据所述目标预测结果对所述运维系统的运行指标进行预警分析，得到预警分析结果。通过上述方式，本发明可以根据该目标预测结果进行运维系统的预警分析，提前预警给予运维人员充足的时间排查并解决问题，从而避免机器或者服务故障。

技术领域

本发明涉及运维系统数据处理技术领域，特别是指一种时间序列的预测处理方法、装置及设备。

背景技术

随着企业数字化转型的发展，运维行业作为数字化时代的护航者越来越受到各行各业的重视。在智能运维领域的海量运维数据中，KPI、指标数据占据着不容忽视的地位，这类数据通常由一列时间戳和一列对应数值组成，我们称其为时间序列数据。时间序列数据的预测在运维领域应用广泛，常见的应用场景包括磁盘，CPU的容量预测，业务量预测，产能规划等。时间序列数据一般来讲拥有趋势性、季节性、周期性和随机性等特征，所以在进行时间序列预测时需要充分考虑数据特征。现有的时序预测方法大致分为三类，传统的统计类方法例如ARIMA，现代的深度学习类方法如LSTM，以及时间序列分解类方法如主流的Prophet。统计类方法要求时序数据不含缺失值，并且是稳定的，或者通过差分化之后是稳定的，而且该类算法只能捕捉线性规律，所以对短期预测有较好的效果，而在长期预测上表现不佳。深度学习类方法虽然能够捕捉复杂的非线性规律，但是模型的可解释性差、模型参数多，算法调参十分困难。时间序列分解类算法通过将数据分解为趋势性分量，周期性分量，噪声分量等三个正交的部分，具有较高的可解释性，但是在获取近期趋势上容易形成过拟合。由于时间序列预测在真实场景中遇到的需求不同，数据类型多样，同一种模型无法适用于所有数据，预测结果的鲁棒性高度依赖于数据和预测模型，所以针对不同的场景可能需要使用不同的预测模型，这为时间序列预测的应用带来了极大的挑战。

发明内容

本发明要解决的技术问题是如何提供一种时间序列的预测处理方法、装置及设备。解决现有技术中运维系统的监控数据的预测结果鲁棒性差不能很好地对运维系统进行预警的问题。

为解决上述技术问题，本发明的技术方案如下：

一种时间序列的预测处理方法，包括：

获得运维系统的监控数据的原始时间序列数据；

根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果；

根据所述中间预测结果和所述基学习器对应的预测边界，获得目标预测结果；

根据所述目标预测结果对所述运维系统的运行指标进行预警分析，得到预警分析结果。

可选的，所述基学习器包括以下至少一种：

差分自回归滑动平均基学习器；

时间序列分解基学习器；

三次指数平滑基学习器。

可选的，根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果，包括：

对所述原始时间序列数据进行第一预处理，得到所述原始时间序列数据的趋势数据和残差部分数据；

对所述趋势数据和所述残差部分数据使用差分自回归滑动平均基学习器进行预测，得到第一中间预测结果。

可选的，根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果，包括：

对所述原始时间序列数据进行第二预处理，得到异常值剔除之后的数据；所述异常值是将超过设定倍数标准差的数据，所述标准差是固定窗口中数据的统计学标准差；