[发明专利]人工智能开发平台监控告警数据预测方法、装置及介质

权利要求书

1.一种人工智能开发平台监控告警数据预测方法，其特征在于，所述方法包括：

利用预先训练的基于卷积神经网络的第一预测模型，依据当前时刻之前的若干告警检测周期的监控告警数据对下一周期的监控告警数据进行预测，得到第一预测数据；

利用预先训练的基于LSTM神经网络的第二预测模型，依据所述第一预测数据对下一周期的监控告警数据再次进行预测，得到第二预测数据；

利用自回归模型依据当前时刻之前的若干告警检测周期的监控告警数据对下一周期的监控告警数据进行预测，得到第三预测数据；

将所述第二预测数据和所述第三预测数据按预设权重进行融合作为下一周期预测数据；

所述利用自回归模型依据当前时刻之前的若干告警检测周期的监控告警数据对下一周期的监控告警数据进行预测，得到第三预测数据的步骤包括：

利用训练样本和下述公式四以构建自回归模型；

其中，X_t是选取训练样本中一个周期的监控告警数据组成时间序列，其中p和分别为阶数和系数，而Δ_t为白噪声序列；

将当前时刻之前的若干周期的监控告警数据代入自回归模型得到第三预测数据。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取当前时刻邻近的前一周期监控告警数据；

计算所述第三预测数据与前一周期监控告警数据的偏差；

若偏差超出预设值阈值，则基于所述偏差对所述第三预测数据进行调整直至调整后的第三预测数据与前一周期监控告警数据偏差未超出所述预设阈值。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

利用所述前一周期监控告警数据和下述公式一对所述下一周期预测数据进行修正以得到修正后的下一周期预测数据；

其中，h_t为下一周期预测数据，p_t-1前一周期监控告警数据；Y_t为修正后的下一周期预测数据。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用预设卷积神经网络和下述公式二对训练样本进行卷积操作以提取临近性、周期性、趋势性特征以构建预测卷积神经网络；

其中，f是激励函数，是第p层第m个特征图谱的输出，是第p-1层第i个特征图谱的输出，G_m是前一层的特征集合，是卷积核，是偏置项的值，*是卷积操作；

利用下述公式三对训练样本、周期长短进行归一化处理将其转化为无量纲相对量，并输入所述预测卷积神经网络；

其中，max和min分别为训练样本的最大和最小值，经过归一化处理后原始数据的值都在[0，1]内；

初始化所述构建预测卷积神经网络的多通道卷积神经网络权值和偏置；

将训练样本通过卷积神经网络逐层计算，若训练次数达到第一设定迭代次数后停止训练以得到预先训练的基于卷积神经网络的第一预测模型。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

将预先训练的基于卷积神经网络的第一预测模型的对训练样本的输出作为预设LSTM神经网络的输入，将所述训练样本作为预设LSTM神经网络的输出；

对预设LSTM神经网络进行迭代训练，若训练次数达到第二设定迭代次数后停止训练以得到预先训练的基于LSTM神经网络的第二预测模型。

6.根据权利要求1-5任意一项所述的方法，其特征在于，所述监控告警数据的告警项包括GPU告警、CPU告警、网络告警、内存告警、磁盘告警中的一种或多种。