[发明专利]一种基于智能算法的IT性能指标预测方法

权利要求书

1.一种基于智能算法的IT性能指标预测方法，其特征在于：包括以下步骤：

(1)、提取大量各种IT性能指标数据，对IT性能指标数据进行变化趋势分析后再归类，得到各类变化趋势，以及每类变化趋势对应的至少一种IT性能指标数据；

(2)、按照每类变化趋势分别找到对应的算法进行建模，得到各类变化趋势的预测模型；

(3)、对于待预测的IT性能指标，使用模型评估方法从步骤(2)中得到的预测模型中选出最优模型，然后通过最优模型对待预测的IT性能指标进行预测。

2.根据权利要求1所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(1)中的归类过程如下：

当IT性能指标数据随时间的增加，呈线性上升或下降趋势时，则定义并归类为线性变化趋势；

当IT性能指标数据呈现围绕在均值上下波动的趋势时，则定义并归类为平稳序列变化趋势；

当IT性能指标数据呈现沿以倾斜直线上下波动的上升或下降趋势时，则定义并归类为波动变化趋势；

当IT性能指标数据呈现周期性变化，且呈现线性上升或下降趋势时，则定义并归类为有周期线性趋势；

当IT性能指标数据呈现周期性变化，但不呈现线性上升或下降趋势时，则定义并归类为有周期非线性趋势。

3.根据权利要求1或2所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(2)中对于线性变化趋势，结合对应的时间戳和IT性能指标数据，利用线性回归算法进行建模，得到线性趋势预测模型。

4.根据权利要求1或2所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(2)中对于平稳序列变化趋势，使用对应的IT性能指标数据，利用神经网络算法进行建模，得到平稳趋势预测模型。

5.根据权利要求1或2所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(2)中对于波动变化趋势，使用对应的IT性能指标数据，利用线性回归算法和神经网络算法的组合来进行建模，得到波动趋势预测模型，其中线性回归算法拟合线性趋势部分，神经网络算法拟合波动趋势部分。

6.根据权利要求1或2所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(2)中对于有周期线性趋势，使用对应的IT性能指标数据，利用基于趋势和周期的算法或ARIMA算法进行建模，得到有周期线性趋势预测模型，其中趋势和周期的算法用于长周期线性趋势的建模，ARIMA算法用于短周期线性趋势的建模。

7.根据权利要求1或2所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(2)中对于有周期非线性趋势，使用对应的IT性能指标数据，利用基于周期的神经网络算法进行建模，得到有周期非线性趋势预测模型。

8.根据权利要求1所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(2)中由各类变化趋势的预测模型构成模型库。

9.根据权利要求1所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(3)的模型评估方法使用平均绝对百分误差MAPE作为最优模型的评价标准，MAPE是残差绝对值与实际值比值的均值，MAPE值越小则模型预测效果越好。

10.根据权利要求1所述的一种基于智能算法的IT性能指标预测方法，其特征在于：步骤(3)中，将一段时间的待预测IT性能指标数据加载至最优模型，并设置预测时间长度，即可得到预测时间长度内的IT性能指标变化趋势数据。