[发明专利]容器资源使用率的预测方法及装置

说明书

本发明提供一种容器资源使用率的预测方法及装置，其中方法包括：基于容器资源的历史使用率数据确定历史使用率时间序列；将历史使用率时间序列输入至目标Holt Winters模型中，得到目标Holt Winters模型输出的第一预测序列；基于历史使用率时间序列和第一预测序列确定残差序列；将残差序列输入至目标LSTM模型中，得到目标LSTM模型输出的第二预测序列；基于第一预测序列和第二预测序列确定目标预测序列；本发明目标Holt Winters模型能够提取出历史使用率时间序列中的数据的趋势性和周期性，避免数据的趋势性和周期性丢失，并利用目标LSTM模型对残差序列进行预测，进而提高目标预测序列的准确性。

技术领域

本发明涉及信息技术领域，尤其涉及一种容器资源使用率的预测方法及装置。

背景技术

在日常运维中，运维人员需要通过对容器资源的监测来进行日常维护和维修保障工作。通常，运维人员通过监测容器资源使用率的当前状态，结合历史数据变化规律来预测当前容器资源的运行情况。如果只简单依赖人工进行预测，不仅需要付出极大的人工成本，也难以覆盖全部容器资源监控指标，从而无法得到相对精准的预测结果。这样的背景之下，针对容器资源相关时序指标的预测方法逐渐变成运维服务使用者的刚需。

现有技术中，容器资源预测方法是利用季节时间序列模型(SeasonalAutoregressive Integrated Moving Average Model，SARIMA)结合小波神经网络(Wavelet Neural Network，WNN)的组合预测模型。其中，SARIMA模型要求所处理的时间序列为平稳时间序列；对于非平稳时间序列，在进行预测之前，需先将非平稳时间序列处理为平稳时间序列，从而导致非平稳时间序列中的数据的趋势性和周期性丢失，进而导致预测结果的准确性降低。

发明内容

本发明提供一种容器资源使用率的预测方法及装置，用以解决现有技术中导致预测结果准确性降低的缺陷。

本发明提供一种容器资源使用率的预测方法，包括：

基于容器资源的历史使用率数据确定历史使用率时间序列；

将所述历史使用率时间序列输入至目标Holt Winters模型中，得到所述目标HoltWinters模型输出的第一预测序列；

基于所述历史使用率时间序列和所述第一预测序列确定残差序列；

将所述残差序列输入至目标LSTM模型中，得到所述目标LSTM模型输出的第二预测序列；

基于所述第一预测序列和所述第二预测序列确定目标预测序列；

其中，所述目标Holt Winters模型是基于容器资源的使用率样本对应的使用率时间序列样本训练得到的，所述目标LSTM模型是基于第一预测序列样本和所述使用率时间序列样本确定的残差序列样本训练得到的。

根据本发明提供的一种容器资源使用率的预测方法，所述基于所述历史使用率时间序列和所述第一预测序列确定残差序列，包括：

将所述历史使用率时间序列与所述第一预测序列的差值确定为所述残差序列。

根据本发明提供的一种容器资源使用率的预测方法，所述基于所述第一预测序列和所述第二预测序列确定目标预测序列，包括：

将所述第一预测序列和所述第二预测序列之和确定为所述目标预测序列。

根据本发明提供的一种容器资源使用率的预测方法，所述方法还包括：

构建初始Holt Winters模型和初始LSTM模型；

将所述使用率时间序列样本输入至所述初始Holt Winters模型中，得到所述初始Holt Winters模型输出的第一预测序列样本；