基于ARIMA预测模型和灰色预测模型实现容量预测的方法技术

本发明专利技术公开了一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，包括如下步骤：S1：获取历史容量数据时间序列；S2：对容量历史数据进行预处理，得到样本时间序列；S3：计算容量历史数据的离散系数，根据离散系数选择预测模型；S4：通过样本时间序列建立选择的预测模型，并进行检验得到合格的预测模型；S5：获取最近一个周期的实际使用的容量数据进行预处理，得到预测数据时间序列；S6：将预测数据时间序列输入S4中获得预测结果。本发明专利技术针对不同性质的样本数据，以ARIMA预测模型和灰色预测模型相结合进行容量预测，更有针对性，适用性强；保证预测结果的准确性，给运维提供准确指导。

The method of capacity prediction based on ARIMA prediction model and grey prediction model

【技术实现步骤摘要】
基于ARIMA预测模型和灰色预测模型实现容量预测的方法
本专利技术涉及一种容量预测方法，尤其涉及一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法。
技术介绍
在运维场景中，针对设备CPU使用率、内存使用率、磁盘使用率等指标的容量预测一直是一个难点。不同系统的设备所承担的业务压力不一样，且容量的用量是动态的，大部分容量指标数据离散性较大，无法准确地评估出容量使用的周期性情况。目前运维团队只能利用监控工具，如zabbix，配置需关注指标的监控项及告警触发器，实时监控相关容量的使用情况，发生告警时，第一时间进行扩容等处理。或者人工进行预测，根据运维人员的个人经验，主观判断容量是否需要扩容。目前的方法存在如下问题：1.通过监控告警的方式进行容量管理，风险较大，容易影响线上业务。2.人工预测的主观性较强，较为考验运维人员的运维能力及经验，没有保障。ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列(Time-seriesApproach)预测方法，所以又称为Box-Jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。灰色预测是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。因此，提出一种基于ARIMA预测模型和灰色预测模型进行容量预测的方法是非常有必要的。
技术实现思路
本专利技术要解决的技术问题是提供一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，解决上述问题。本专利技术为解决上述技术问题而采用的技术方案是提供一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，包括如下步骤：S1：获取历史容量数据时间序列；S2：对历史容量数据进行预处理，得到样本时间序列；S3：计算历史容量数据的离散系数，根据离散系数选择预测模型；S4：通过样本时间序列建立选择的预测模型，并进行检验得到合格的预测模型；S5：获取最近一个周期的实际使用的容量数据进行预处理，得到预测数据时间序列；S6：将预测数据时间序列输入步骤S4中得到合格的预测模型，获得预测结果。进一步的，所述容量数据包括CPU使用率、内存使用率和磁盘使用率数据；对容量数据进行预处理是采用正态分布算法过滤数据去除毛刺。进一步的，所述步骤S3中计算出的离散系数小于设定的离散系数，则选择ARIMA预测模型，否则选择灰色预测模型。进一步的，所述步骤S3中选择ARIMA预测模型，则步骤S4具体包括：S411：建立ARIMA预测模型为ARIMA(p,d,q)；其中，AR是自回归，MA为移动平均，p是自回归项数，d为时间序列成为平稳时间序列时所做的差分次数，q为移动平均项数；S412：对样本数据时间序列绘图，观测是否为平稳时间序列，并对于非平稳时间序列先进行d阶差分运算，化为平稳时间序列，获取平稳的样本时间序列；S413：将平稳的样本时间序列按照时间先后顺序分为训练样本和测试样本；S414：基于训练样本，利用自相关函数和偏自相关函数，估计ARIMA预测模型的自回归项数p和移动平均项数q，结合时间序列成为平稳时间序列时所做的差分次数d，得到初始ARIMA预测模型；S415：时间序列视为线性自相关部分Lt与非线性残差Kt两部分的组合，将步骤S44的初始ARIMA预测模型所得预测结果记作Lt，Lt的预测残差为Kt，基于训练样本，计算ARIMA残差；S416：若所述ARIMA残差服从均值为零且方差不变的正态分布，则利用测试样本，采用ARIMA残差判断，进行初始ARIMA预测模型的显著性检验；S417：若所述显著性检验的结果满足预先设定的标准，则将初始ARIMA预测模型作为合格的ARIMA预测模型，否则重复步骤S413-S416，调整自回归项数p和移动平均项数q，直到得到合格的ARIMA预测模型。进一步的，所述步骤S3中选择灰色预测模型，则步骤S4具体包括：S421：建立灰色预测GM(1,1)模型为x(0)(k)+αz(1)(k)＝b，其中x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))为样本时间序列；S422：用回归分析得到a,b的估计值，获得初始灰色预测模型；S423：通过初始灰色预测模型计算预测值的公式为：S424：通过计算出的预测值序列与样本时间序列，计算灰色预测模型的残差；S425：通过灰色预测模型的残差与样本时间序列，进行后验差检验；S426：若后验差检验的结果满足预先设定的标准，则将初始灰色预测模型作为合格的灰色预测模型，否则重复步骤S422-S425，调整a,b的估计值，直到得到合格的灰色预测模型。本专利技术对比现有技术有如下的有益效果：本专利技术提供的基于ARIMA预测模型和灰色预测模型实现容量预测的方法，针对不同性质的样本数据，以ARIMA预测模型和灰色预测模型相结合进行容量预测，更有针对性，适用性强；正态分布过滤样本数据，去除干扰数据，对ARIMA预测模型和灰色预测模型进行校正，保证预测结果的准确性，给运维提供准确指导。附图说明图1为本专利技术实施例中基于ARIMA预测模型和灰色预测模型实现容量预测的方法流程图；图2为本专利技术实施例中ARIMA预测模型预测结果图；图3为本专利技术实施例中灰色预测模型预测结果图。具体实施方式下面结合附图和实施例对本专利技术作进一步的描述。图1为本专利技术实施例中基于ARIMA预测模型和灰色预测模型实现容量预测的方法流程图。请参见图1，本专利技术提供的基于ARIMA预测模型和灰色预测模型实现容量预测的方法，包括如下步骤：S1：获取历史容量数据时间序列；S2：对历史容量数据进行预处理，得到样本时间序列；S3：计算历史容量数据的离散系数，根据离散系数选择预测模型；S4：通过样本时间序列建立选择的预测模型，并进行检验得到合格的预测模型；S5：获取最近一个周期的实际使用的容量数据进行预处理，得到预测数据时间序列；S本文档来自技高网...

【技术保护点】
1.一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，其特征在于，包括如下步骤：/nS1：获取历史容量数据时间序列；/nS2：对历史容量数据进行预处理，得到样本时间序列；/nS3：计算历史容量数据的离散系数，根据离散系数选择预测模型；/nS4：通过样本时间序列建立选择的预测模型，并进行检验得到合格的预测模型；/nS5：获取最近一个周期的实际使用的容量数据进行预处理，得到预测数据时间序列；/nS6：将预测数据时间序列输入步骤S4中得到合格的预测模型，获得预测结果。/n

【技术特征摘要】
1.一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，其特征在于，包括如下步骤：
S1：获取历史容量数据时间序列；
S2：对历史容量数据进行预处理，得到样本时间序列；
S3：计算历史容量数据的离散系数，根据离散系数选择预测模型；
S4：通过样本时间序列建立选择的预测模型，并进行检验得到合格的预测模型；
S5：获取最近一个周期的实际使用的容量数据进行预处理，得到预测数据时间序列；
S6：将预测数据时间序列输入步骤S4中得到合格的预测模型，获得预测结果。


2.如权利要求1所述的基于ARIMA预测模型和灰色预测模型实现容量预测的方法，其特征在于，所述容量数据包括CPU使用率、内存使用率和磁盘使用率数据；对容量数据进行预处理是采用正态分布算法过滤数据去除毛刺。


3.如权利要求1所述的基于ARIMA预测模型和灰色预测模型实现容量预测的方法，其特征在于，所述步骤S3中计算出的离散系数小于设定的离散系数，则选择ARIMA预测模型，否则选择灰色预测模型。


4.如权利要求3所述的基于ARIMA预测模型和灰色预测模型实现容量预测的方法，其特征在于，所述步骤S3中选择ARIMA预测模型，则步骤S4具体包括：
S411：建立ARIMA预测模型为ARIMA(p,d,q)；其中，AR是自回归，MA为移动平均，p是自回归项数，d为时间序列成为平稳时间序列时所做的差分次数，q为移动平均项数；
S412：对样本数据时间序列绘图，观测是否为平稳时间序列，并对于非平稳时间序列先进行d阶差分运算，化为平稳时间序列，获取平稳的样本时间序列；
S413：将平稳的样本时间序列按照时间先后顺序分为训练样本和测试样本；
S414：基于训练样本，利用自相关...

【专利技术属性】
技术研发人员：程永新，林小勇，韦淦瀚，
申请(专利权)人：上海新炬网络技术有限公司，
类型：发明
国别省市：上海;31