[发明专利]通过机器学习进行时序预测的方法及装置

说明书

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种通过机器学习进行时序预测的方法及装置。

背景技术

时间序列预测分析技术在科技和经济等诸多领域有着重要的应用价值。科学正确地对各种实际时间序列进行预测分析可产生巨大的经济效益和与社会效益。由于实际系统具有复杂的非线性特性，早期用于时间序列分析的线性模型和非线性模型在理论分析与实际应用上都有一定的局限性。

随着IT(Information Technology)技术的进步，人们利用信息技术产生和搜集数据的能力大幅度提高。数以千万计的数据库被用于商业管理、政府办公、科学研究和工程开发等方面，面对海量数据如何挖掘数据信息加以利用是当下的热点问题，近年来针对时间序列数据的挖掘与预测引起业界关注，时序预测可以用来解决网站访问量预测以及CPU、硬盘读写、网络带宽检测等问题。

目前业界主要在人工判定时序具有趋势性和季节性以后，采用三次指数平滑(Triple/Three Order Exponential Smoothing,Holt-Winters)算法预测，该算法基于一次指数平滑和二次指数平滑算法的，然而，这种人工分析完成时序预测过程繁琐，需要根据数据反复调整参数，预测结果也容易出现偏差，导致大规模IT环境只能针对少量关键KPI做时序预测，目前还没有能够完全解决上述问题的方法或者装置出现。

发明内容

为了克服相关技术中存在的技术问题，本发明提供一种通过机器学习进行时序预测的方法及装置，以实现利用自动化程序完成时序预测，通过机器学习手段不断优化模型，提升预测准确度，利用对大规模IT环境的全量KPI监控预测。

第一方面，本发明实施例提供了一种通过机器学习进行时序预测的方法，该方法包括：

对获取的时间序列数据进行预处理，并得到预处理结果；

根据所述预处理结果对检测所述时间序列数据中是否包含有季节性周期；

当所述预处理结果检测所述时间序列数据中包含有季节性周期时，根据赤池信息量准则和贝叶斯信息准则选择时序模型；

当所述预处理结果检测所述时间序列数据中未包含有季节性周期时，在时序数据池中新增所述时间序列数据，且在新增的所述时间序列数据的数量大于预设阈值时，返回所述根据赤池信息量准则和贝叶斯信息准则选择时序模型的步骤。

结合另一方面，在另一方面的一种可能出现的实现方式中，所述对获取的时间序列数据进行预处理，并得到预处理结果，包括：

检验获取的所述时间序列数据的平稳性来判断所述时间序列数据是否含有单位根，以用于判断所述时间序列数据是否含有趋势上的变化；

在所述时间序列数据含有单位根时，所述预处理结果为所述时间序列数据不平稳，即对所述时间序列数据进行时间序列差分处理以消除所述趋势上的变化。

结合另一方面，在另一方面的一种可能出现的实现方式中，所述根据赤池信息量准则和贝叶斯信息准则选择时序模型，包括：

从一次指数平滑模型、二次指数平滑以及季节性三次指数平滑三种模型中选择最优的模型。

结合另一方面，在另一方面的一种可能出现的实现方式中，所述方法还包括：

对选择的所述时序模型进行优化，包括：

利用下山单纯形法对预测的时间序列形成的时间序列线进行曲线拟合；

根据曲线拟合点对所述时序模型中的各参数进行设置。

结合另一方面，在另一方面的一种可能出现的实现方式中，所述一次指数平滑模型、二次指数平滑以及季节性三次指数平滑三种模型的关系为：

所述一次指数平滑模型为：

si＝αx_i+(1-α)s_i-1

其中α是平滑参数，s_i是之前i个数据的平滑值，取值为[0,1]，α越接近1，平滑后的值越接近当前时间的数据值，数据越不平滑，α越接近0，平滑后的值越接近前i个数据的平滑值，数据越平滑；

所述二次指数平滑模型为：

s_i＝αx_i+(1-α)(s_i-1+t_i-1)

t_i＝β(s_i-s_i-1)+(1-β)t_i-1

二次指数平滑的预测公式为x_i+h＝s_i+ht_i；