[发明专利]用于利用复发性模式创建时间序列数据的时段分布图的方法

说明书

描述了用于生成时段分布图的技术。根据实施例，接收时间序列数据集合，其中该时间序列数据集合包括跨越具有季节时段的多个时间窗口的数据。至少部分地基于时间序列数据集合，将季节时段的第一子时段集合与特定季节模式类别相关联。在易失性或非易失性存储装置中生成并存储识别季节时段的哪些子时段与特定季节模式类别相关联的分布图。基于该分布图，为季节时段的第一子时段集合中的至少一个子时段生成指示至少一个子时段是特定季节模式类别的一部分的可视化。

相关申请的交叉引用；权益要求

本申请要求于2016年2月29日提交的标题为“METHOD FOR CREATING PERIODPROFILE FOR TIME-SERIES DATA WITH RECURRENT PATTERNNS”的序列号为62/301,585的美国临时专利申请以及于2016年2月29日提交的标题为“SEASONAL AWARE METHOD FORFORECASTING AND CAPACITY PLANNING”的序列号为62/301,590的美国临时专利申请的权益，这些申请中的每个申请的全部内容通过引用被并入本文，如同被整体阐述一样。

技术领域

本公开涉及在时间序列数据内检测和表征季节。本公开更具体地涉及用于识别季节的实例、将实例与不同的季节类别相关联并且生成季节类别的总结的计算机实现的技术。

背景技术

本节中描述的方法是可以追求的方法，但不一定是先前已经构想或追求的方法。因此，除非另有说明，否则不应当假定本节中描述的任何方法仅仅因为它们被包括在本节中就有资格作为现有技术。

时间序列是通常通过在一个时间段内捕获来自一个或多个源的测量而获得的一系列数据点。作为示例，企业可以连续或者在预定的时间间隔内收集针对在数据中心环境内部署的软件和硬件资源的各种性能度量。分析师经常将预测模型应用于时间序列数据，以试图基于观测到的测量结果来预测未来事件。一个这样的模型是Holt-Winters预测算法，也被称为三次指数平滑。

Holt-Winters预测算法考虑了时间序列数据中的趋势和季节性二者，以便制定关于未来值的预测。这个上下文中的趋势是指时间序列数据随时间增加或减少的趋势，而季节性是指时间序列数据表现出定期地重复自己的行为的趋势。季节一般是指表现出的行为开始重复自己之前的时间段。加性季节模型由以下公式给出：

L_t＝α(X_t-S_t-p)+(1-α)(L_t-1+T_t-1) (1)

T_t＝γ(L_t-L_t-1)+(1-γ)T_t-1 (2)

S_t＝δ(X_t-L_t)+(1-δ)S_t-p (3)

其中X_t、L_t、T_t和S_t分别表示在时间t的观测到的水平、局部平均水平、趋势和季节指标。参数α、γ、δ分别表示用于更新平均水平、趋势和季节指标的平滑参数，并且p表示季节模式的持续时间。预测由如下给出：

F_t+k＝L_t+k T_t+S_t+k-p (4)

其中F_t+k表示在未来时间t+k的预测。

当季节波动与时间序列数据的整体水平无关时，通常应用加性季节模型。如果季节波动的大小基于时间序列数据的整体水平而变化，那么常常应用被称为乘性模型的替代方案。乘性模型由以下公式给出：