时序数据预测模型的训练方法、时序数据预测方法和装置制造方法及图纸

本公开提出一种时序数据预测模型的训练方法、时序数据预测方法和装置，涉及人工智能领域。输入训练用的时序数据(X，z

【技术实现步骤摘要】
时序数据预测模型的训练方法、时序数据预测方法和装置


[0001]本公开涉及人工智能领域，特别涉及一种时序数据预测模型的训练方法、时序数据预测方法和装置。

技术介绍

[0002]对于资源的准确预测是保障云平台及虚拟化平台正常、高效运行的重要手段。准确的资源预测可以预警运维人员及时更新、扩容物理资源，扩大、缩小虚拟化资源等。

技术实现思路

[0003]本公开实施例提出一种能够预测云平台及虚拟化平台的物理资源或虚拟化资源等资源数据的非平稳的时序数据预测方案。
[0004]本公开一些实施例提出一种时序数据预测模型的训练方法，包括：
[0005]输入训练用的时序数据(X，z
t
)，z
t
表示t时刻对应的时序数据，X表示t时刻、t时刻之前的时刻、以及z
t
相关的特征；
[0006]设置f
i
表示函数库中的第i个函数，α
i
是第i个函数的系数，n是超参数，y
t
表示t时刻对应的残差时序数据；
[0007]设置p是超参数，y
t-j
表示(t-j)时刻对应的残差时序数据，β
j
代表y
t-j
的系数，表示t时刻对应的残差时序数据的预测值；
[0008]利用时序数据预测模型计算t时刻对应的时序数据的预测值
[0009]根据z
t
和利用拟合的方法对α
i
和β
j
进行训练，输出训练后的时序数据预测模型
[0010]在一些实施例中，各个时刻的残差时序数据构成平稳时序数据。
[0011]在一些实施例中，训练用的时序数据(X，z
t
)为训练用的资源数据，z
t
表示t时刻对应的资源数据，X表示t时刻、t时刻之前时刻、以及资源数据相关的特征；训练得到的时序数据预测模型为资源数据预测模型。
[0012]在一些实施例中，函数库中的函数包括指数函数、对数函数、线性函数、三角函数。
[0013]在一些实施例中，当时序数据预测模型为存储资源增长量预测模型时，输入的训练用的时序数据(X，z
t
)中的X为t时刻、t时刻之前的时刻、以及相应的存储资源增长量相关的特征，输入的训练用的时序数据(X，z
t
)中的z
t
为t时刻对应的存储资源增长量，选用的函数f
i
包括指数函数和线性函数。
[0014]本公开一些实施例提出一种时序数据预测方法，包括：
[0015]将待预测的历史时序数据X输入到基于权利要求1-4任一项训练得到的时序数据预测模型
[0016]获取时序数据预测模型输出的t时刻对应的时序数据的预测值
[0017]在一些实施例中，时序数据预测模型利用对历史时序数据X进行第一预测；时序数据预测模型利用一预测；时序数据预测模型利用对历史时序数据的残差时序数据进行第二预测；时序数据预测模型合并第一预测结果和第二预测结果作为最终的t时刻对应的时序数据的预测值
[0018]在一些实施例中，还包括：当t时刻对应的时序数据的预测值为t时刻对应的资源数据的预测值时，基于t时刻对应的资源数据的预测值更新相应的资源。
[0019]本公开一些实施例提出一种时序数据预测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行时序数据预测模型的训练方法或时序数据预测方法。
[0020]本公开一些实施例提出一种时序数据预测装置，包括：训练模块或预测模块中的一个或多个；
[0021]训练模块，被配置为执行时序数据预测模型的训练方法；
[0022]预测模块，被配置为执行时序数据预测方法。
[0023]本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现时序数据预测模型的训练方法或时序数据预测方法。
[0024]从而，通过时序数据预测模型的平稳化变换部分和平稳时序数据预测部分，实现非平稳的时序数据的准确预测。
附图说明
[0025]下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
[0026]显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1示出本公开一些实施例的时序数据预测模型的训练方法的流程示意图。
[0028]图2示出本公开一些实施例的时序数据预测方法的流程示意图。
[0029]图3示出本公开一些实施例的时序数据预测装置的结构示意图。
[0030]图4示出本公开另一些实施例的时序数据预测装置的结构示意图。
具体实施方式
[0031]下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
[0032]除非特别说明，否则，本公开中的“第一”“第二”等描述用来区分不同的对象，并不用来表示大小或时序等含义。
[0033]本公开实施例通过历史时序数据训练获得时序数据预测模型，利用时序数据预测模型对时序数据进行预测。其中的时序数据例如包括云平台及虚拟化平台的物理资源或虚拟化资源等资源数据。资源数据例如包括CPU、内存、带宽等。本公开不限于时序数据所列举
的示例、资源数据所列举的示例。
[0034]在本公开实施例中，时序数据预测模型包括基于先验经验形成的平稳化变换部分和平稳时序数据预测部分。平稳化变换部分能够基于先验经验针对非平稳的历史时序数据进行第一预测，并将非平稳的历史时序数据变换为平稳的残差时序数据。平稳时序数据预测部分能够对历史时序数据的平稳的残差时序数据进行第二预测。合并第一预测结果和第二预测结果得到最终的时序数据的预测结果。从而，通过时序数据预测模型的两个部分，实现非平稳的时序数据的准确预测。
[0035]图1示出本公开一些实施例的时序数据预测模型的训练方法的流程示意图。
[0036]如图1所示，该实施例的时序数据预测模型的训练方法包括：步骤110-150。
[0037]在步骤110，输入训练用的时序数据(X，z
t
)，z
t
表示t时刻对应的时序数据，X表示t时刻、t时刻之前的时刻、以及z
t
相关的特征。
[0038]训练用的时序数据例如为非平稳的时序数据，例如前述提及的云平台及虚拟化平台的物理资源或虚拟化资源等资源数据。例如，训练用的时序数据(X，z
t
)为训练用的资源数据，z
t
表示t时刻对应的资源数据，X表示t时刻、t时刻之前的时刻、以及资源数据相关的特征；训练得到的时序数据预测模型为资源数据预测模型。
...

【技术保护点】

【技术特征摘要】
1.一种时序数据预测模型的训练方法，其特征在于，包括：输入训练用的时序数据(X，z
t
)，z
t
表示t时刻对应的时序数据，X表示t时刻、t时刻之前的时刻、以及z
t
相关的特征；设置f
i
表示函数库中的第i个函数，α
i
是第i个函数的系数，n是超参数，y
t
表示t时刻对应的残差时序数据；设置p是超参数，y
t-j
表示(t-j)时刻对应的残差时序数据，β
j
代表y
t-j
的系数，表示t时刻对应的残差时序数据的预测值；利用时序数据预测模型计算t时刻对应的时序数据的预测值根据z
t
和利用拟合的方法对α
i
和β
j
进行训练，输出训练后的时序数据预测模型2.根据权利要求1所述的方法，其特征在于，各个时刻的残差时序数据构成平稳时序数据。3.根据权利要求1所述的方法，其特征在于，训练用的时序数据(X，z
t
)为训练用的资源数据，z
t
表示t时刻对应的资源数据，X表示t时刻、t时刻之前时刻、以及资源数据相关的特征；训练得到的时序数据预测模型为资源数据预测模型。4.根据权利要求1所述的方法，其特征在于，函数库中的函数包括指数函数、对数函数、线性函数、三角函数。5.根据权利要求1-4任一项所述的方法，其特征在于，当时序数据预测模型为存储资源增长量预测模型时，输入的训练用的时序数据(X，z
t
)中的X为...

【专利技术属性】
技术研发人员：王浩彬，李晨，黄芬芬，王田媛，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：