[发明专利]一种时间序列的预测处理方法、装置及设备

权利要求书

1.一种时间序列的预测处理方法，其特征在于，包括：

获得运维系统的监控数据的原始时间序列数据；

根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果，其中，所述基学习器包括差分自回归滑动平均基学习器、时间序列分解基学习器和三次指数平滑基学习器；

根据所述中间预测结果和所述基学习器对应的预测边界，获得目标预测结果；

根据所述目标预测结果对所述运维系统的运行指标进行预警分析，得到预警分析结果；

其中，根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果，包括：

对所述原始时间序列数据进行第一预处理，将所述原始时间序列数据分解为趋势数据、周期性部分数据和残差部分数据，得到所述原始时间序列数据的趋势数据和残差部分数据；其中趋势数据分量为：，tr_t是t时刻趋势数据分量，x_i是从t-p时刻到t时刻的原始数据，周期数据分量为：，s_t是周期数据分量，x_ip+z是原始数据，tr_ip+z是趋势数据分量，去周期后数据为：y_t=x_t-s_t，y_t是去周期后数据，x_t是原始时间序列数据；

对所述趋势数据和所述残差部分数据使用差分自回归滑动平均基学习器进行预测，得到第一中间预测结果；

其中，根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果，包括：

对所述原始时间序列数据进行第二预处理，得到异常值剔除之后的数据；所述异常值是将超过设定倍数标准差的数据，所述标准差是固定窗口中数据的统计学标准差；

对所述异常值剔除之后的数据，使用所述时间序列分解基学习器进行预测，得到第二中间预测结果；

其中，根据所述原始时间序列数据和用于时间序列预测的基学习器，得到中间预测结果，包括：

对所述原始时间序列数据进行第三预处理，得到第三预处理之后的时间序列数据；

对所述第三预处理之后的时间序列数据，使用所述三次指数平滑基学习器进行预测，得到第三中间预测结果；

其中，根据所述中间预测结果和所述基学习器对应的预测边界，获得目标预测结果，包括：

根据所述中间预测结果中的第一中间预测结果、第二中间预测结果、第三中间预测结果以及所述基学习器对应的预测上界和预测下界，对所述中间预测结果进行等权平均，获得目标预测结果。

2.根据权利要求1所述的时间序列的预测处理方法，其特征在于，差分自回归滑动平均基学习器采用ARIMA算法，时间序列分解基学习器采用fbprohet方法，三次指数平滑基学习器采用Holt-Winter算法。

3.根据权利要求1所述的时间序列的预测处理方法，其特征在于，所述第一预处理包括：重采样、差值、异常点剔除，所述第一中间预测结果为：

y_t=C+ϕ₁y_t-1+⋅⋅⋅+ϕ_py_t-p+θ₁ε_t-1+⋅⋅⋅+θ_qε_t-q+ε_t,ε_t~NID(0,σ²)，y_t是第一中间预测结果，C是常数，φ是自回归项系数，θ是滑动平均项系数，ε是噪声，ε_t~NID(0,σ²)是ε服从正态独立分布，均值为0，方差为σ²；

第一中间预测上界为：，y_T+h是第一中间预测上界，是向前预测h步的预测值，c是置信度的标准分数，σ_h是h步预测标准差；

第一中间预测下界为：，y_T+h是第一中间预测下界，是向前预测h步的预测值，c是置信度的标准分数，σ_h是h步预测标准差。