[发明专利]一种数据中心在线服务资源预测方法

权利要求书

1.一种数据中心在线服务资源预测方法，其特征在于，包括以下步骤：

步骤1：采用自相关函数方法进行序列周期识别：

1.1)对于在线服务的资源使用率以固定间隔均匀采样，建立序列Y＝{y₀，y₁，…y_N-1}，其中y_i表示i时间点对应的指标数值,N为总样本量；

1.2)设滞后量为k，将其从0迭代到N/2的商，计算原序列与滞后k个样本的协方差；此时涉及的有效样本量为N-k，将协方差除以有效样本量进行修正；上述过程如公式(1)；其中i为元素下标，k表示滞后量；

1.3)将结果计入以建立自相关序列Y′＝{y′₀，y′₁，…，y′_N/2}；将Y′作图并观察最大的周期振幅的幅度，记作limit；

1.4)将元素下标i从1迭代到N/2-1；如果有y_i-1≤y_i且y_i＞y_i+1,该下标为局部极大值点，计入极小值序列；如果有y_i-1≥y_i且y_i＜y_i+1,该下标为局部极小值点，计入极大值序列；

1.5)对极大值序列、极小值序列分别应用1.4)，计算相邻异类极值之差的绝对值；如果该值小于limit，重复1.5)，反之进行下一步；

1.6)计算相邻极值的平均索引差，作为序列的周期τ，原数据最多分出n＝N/τ周期；

步骤2：模型的构架与训练：

2.1)构建多维单步长短时记忆网络LSTM；该神经网络由一层LSTM时序层和一个全连接输出层构成；令LSTM层的隐神经元数为16，输入输出神经元均为τ，从而处理τ长的输入矢量；设置LSTM层激活函数为ReLU线性整流函数，损失值为预测值与实际值的方差MSE；

1.1)将时间序列切割成n个τ长的数据矢量；训练集包含前n-1个矢量，其中每个轮次，模型依次使用这些矢量计算下周期矢量，并梯度下降更新模型权重；每轮次训练结束后，以第n-1个矢量作为输入预测第n个矢量，预测值与第n个矢量的MSE作为验证误差；将Adam优化器的目标设置为最小化MSE，初始学习率为1·10^-4，训练轮次上限epochs＝1·10⁴；提前停止条件设为100轮次内验证集MSE＜1·10^-3；

1.2)使用均方根误差RMSE与平均百分比误差MAPE来评价训练出的模型：

其中k代表项数，与y代表该点的预测值与实际值；

步骤3：利用模型进行预测

3.1)对于在线服务的资源使用率按同样的采样率进行监听；监听起点与原数据周期起点间隔整数倍周期；

3.2)将数据填入工作序列；当工作序列长度为τ时，将工作序列输入模型，输出即为下一周期对应点的预测；

3.3)若存在，依据工作序列计算上个周期的预测RMSE，MAPE；设置RMSE阈值1.04，MAPE阈值为5％；若在阈值内，将工作序列归档后清零，重复3.2)；若不在阈值内，累计一定量的长度的工作序列后，按3.2)的步骤重新训练模型。