[发明专利]一种关键性能指标数据的预测方法及装置

说明书

本申请提供了一种关键性能指标数据的预测方法及装置，可应用于数据处理技术领域或金融领域。在执行方法时，先构建多层堆叠LSTM模型；然后利用粒子群优化算法搜寻该模型的最优参数；最优参数包括该模型的学习率、各层神经元个数、迭代次数；再利用搜寻到的最优参数构建具有最佳网络结构的堆叠LSTM模型；最后利用具有最佳网络结构的堆叠LSTM模型对关键性能指标数据进行预测。通过构建多层堆叠LSTM模型，利用加深网络的深度来提高预测的准确度；并在该模型的基础上引入粒子群优化算法，进行该模型参数寻优，构建具有最佳网络结构的模型，实现了对关键性能指标数据的精确预测，解决了现有技术中关键性能指标预测不准确的问题。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种关键性能指标数据的预测方法及装置。

背景技术

随着互联网技术的发展，目前的网站基数和应用服务系统性能已无法满足人们日益增长的需求，需要越来越多的服务器来保证应用服务的稳定运行，数据中心由于服务器的不断增加规模变得庞大，运维环境日渐复杂。关键性能指标(Key PerformanceIndicator，KPI)作为一种运维时间序列，其受到数据中心运维环境的影响，具有不稳定性、复杂性、非线性等特点，因此想要对数据中心KPI进行准确的预测极具挑战性。

现有的预测方法大多基于单层的神经网络，提取数据特征的能力弱，表示能力不足，深度学习模型可从多个隐藏层中学习输入数据的高级特征表示，然而随着深度的增加，模型的参数也在增加，带来了参数难以确定的问题，进而导致数据中心关键性能指标预测不准确。

发明内容

有鉴于此，本申请实施例提供了一种关键性能指标数据的预测方法及装置，旨在解决现有技术中对于数据中心关键性能指标预测不准确的问题。

第一方面，本申请实施例提供了一种关键性能指标数据的预测方法，所述方法包括：

构建多层堆叠LSTM模型；

利用粒子群优化算法搜寻所述多层堆叠LSTM模型的最优参数；所述最优参数包括所述多层堆叠LSTM模型的学习率、各层神经元个数、迭代次数；

利用搜寻到的最优参数构建具有最佳网络结构的堆叠LSTM模型；

利用所述具有最佳网络结构的堆叠LSTM模型对关键性能指标数据进行预测。

可选的，在所述利用粒子群优化算法搜寻所述多层堆叠LSTM模型的最优参数之前，所述方法还包括：

对所述关键性能指标数据进行归一化处理；

将经过归一化处理的所述关键性能指标数据按照预设比例划分为训练数据集、验证数据集和测试数据集；

利用滑动窗口技术将所述训练数据集、所述验证数据集和所述测试数据集中的数据分割成重叠的短序列片段。

可选的，所述利用粒子群优化算法搜寻所述多层堆叠LSTM模型的最优参数，具体包括：

初始化粒子群参数和所述多层堆叠LSTM模型参数；所述粒子群参数包括粒子群规模、最大迭代次数、粒子的速度和位置；

将所述训练数据集中的数据输入所述多层堆叠LSTM模型进行训练得到训练模型；

将所述验证数据集中的数据作为第一数据，将所述第一数据输入所述训练模型中进行预测得到第二数据；

利用所述第一数据、所述第二数据计算粒子适应度值；

根据所述粒子适应度值确定所述粒子的局部最优位置和全局最优位置；

利用所述局部最优位置或所述全局最优位置更新所述粒子的速度和位置；