[发明专利]自适应的差分自回归移动平均模型的流量预测方法和系统

说明书

技术领域

本发明涉及机房流量的实时监控技术，尤其是利用差分自回归移动平均模型(Auto Regressive Integrated Moving Average Model，简记为ARIMA模型)对流量进行预测的方法和系统。

背景技术

ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。

ARIMA模型预测的基本程序如图1所示：

1.根据时间序列的散点图、自相关函数和偏自相关函数图以ACF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，机房流量的时间序列都不是平稳序列。

2.对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。

3.根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARIMA模型。

4.进行参数估计，检验是否具有统计意义。

5.进行假设检验，诊断残差序列是否为白噪声。

6.利用已通过检验的模型进行预测分析。

在监控机房流量并进行实时预测时，单纯地寻找一固定模型来进行预测并监控存在两个弊端：一是随着时间的推移，数据的分布可能由于外在因素发生改变，故此时模型将不再适用；二是当模型监控到发生异常时，对于当前的异常数据属于脏数据不能带入模型进行拟合，此时也就不能进行预测分析下一时间段的流量值。

发明内容

本发明的目的在于解决上述问题，提供了一种自适应的差分自回归移动平均模型的流量预测方法，一方面对模型进行改进，通过数据本身的特点进行实时的模型修正，可使得模型能够吻合当前的数据特性；另一方面，可通过启动备选方案根据数据本身的特点进行预测分析，监控流量的情况，待数据正常时，再次启动ARIMA模型进行预测分析并监控流量。

本发明的另一目的在于提供了一种自适应的差分自回归移动平均模型的流量预测系统，一方面对模型进行改进，通过数据本身的特点进行实时的模型修正，可使得模型能够吻合当前的数据特性；另一方面，可通过启动备选方案根据数据本身的特点进行预测分析，监控流量的情况，待数据正常时，再次启动ARIMA模型进行预测分析并监控流量。

本发明的技术方案为：本发明揭示了一种自适应的差分自回归移动平均模型的流量预测方法，包括：

步骤1：通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型；

步骤2：将当前时刻的前m个数据点代入所述ARIMA模型中进行计算，预测出下n个时刻的流量值及其置信区间，其中m和n均为自然数且m＞n；

步骤3：判断实际的流量值是否位于预测的所述置信区间内，如果不在所述置信区间内，则进行步骤4，如果位于所述置信区间内，则进行步骤5；

步骤4：启动备选方案替代所述ARIMA模型，判别当前时刻的实际的流量值与前一时刻的流量值之差的绝对值是否超过一临界值，若超过则报警；

步骤5：利用当前时刻的预测值与前一时刻实际的流量值进行比较，若两者之差的绝对值大于所述临界值，则启动所述ARIMA模型的再学习以修改所述ARIMA模型的参数。

根据本发明的自适应的差分自回归移动平均模型的流量预测方法的一实施例，在步骤4中，若当前时刻的实际的流量值与前一时刻的流量值之差的绝对值未超过所述预设的临界值，则记录无报警的次数，待连续m个时间点无报警时，提示是否继续进行所述ARIMA模型的预测。

根据本发明的自适应的差分自回归移动平均模型的流量预测方法的一实施例，在步骤4中，在启动备选方案后，将m个时间点的位于所述置信区间内的流量值导入，根据所导入的所述流量值，基于其差分后的数据满足正态分布，计算其均值和标准差，计算出发生小概率事件p的所述临界值，其中参数p是指事件发生的概率。

本发明还揭示了一种自适应的差分自回归移动平均模型的流量预测系统，包括：

初始模型获取装置，通过历史数据的学习，获得初始的差分自回归移动平均ARIMA模型；