[发明专利]一种基于AI算法基础的信息系统资源容量预测方法

说明书

一种基于AI算法基础的信息系统资源容量预测方法，包括以下步骤：步骤1、根据需要场景提取样本数据并形成数据库；步骤2、通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit‑learn算法库等计算框架提供AI算法基础；步骤3、采用Holt‑winters时序计算模型和线性回归+高斯核算法进行机器学习训练到预测结果；步骤4、将预测值与实际值进行对比并进行可视化展示，系统直接预测出较为准确的结果，可以作为参考，而且资源有效利用，规划周期短，管理方便，效果理想，预测结果可以有效指导客户。

技术领域

本发明涉及容量预测领域，具体为一种基于AI算法基础的信息系统资源容量预测方法。

背景技术

容量预测是通过对历史以数据的分析、模型训练，预测未来时间段的容量趋势，容量预测价值是根据资源的历史状况自动预测其未来走势，帮助客户提前做好规划，主要提供如下价值：提高运维效率与预测精度，减少人力成本、实现最佳投资回报比；从被动扩容到主动预判，实现容量需求趋势感知、做到资源预警与提前采购；大幅缩短资源规划周期，提高资源规划效率；精细化、可视化的资源容量管理，更加的准确直观。

提前预知未来资源的使用情况，容量预测现状和痛点如下：

传统基于AI算法基础的信息系统资源容量预测方法：(1)经验法：按照现有容量的20倍设计、3倍实现、1.5倍部署；(2)新业务上线计划法：梳理最近一季度、半年要上线的新业务的预期业务量进行统计。现状痛点：(1)专家依赖性强；(2)资源浪费严重；(3)规划周期长；(4)粗放式管理。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种周期短、效果好，能对客户提供决策支撑的基于AI算法基础的信息系统资源容量预测方法。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：本发明的一种基于AI算法基础的信息系统资源容量预测方法，包括以下步骤：

步骤1、根据需要场景提取样本数据并形成数据库；

步骤2、通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit-learn算法库等计算框架提供AI算法基础；

步骤3、采用Holt-winters时序计算模型和线性回归+高斯核算法进行机器学习训练到预测结果；

步骤4、将预测值与实际值进行对比并进行可视化展示。

本发明改进有，所述步骤1中的数据库包含基于IMOC的ES指标库中云平台的历史数据数据。

本发明改进有，所述Holt-winters时序计算模型包括以下步骤：

步骤1、一次指数平滑

预测公式：Y′_t+1＝α·Y_t+(1-α)·Y′_t

递推公式：

展开式：

步骤2、二次指数平滑，二次指数平滑是对一次指数平滑的再平滑

递推公式：

预测公式：Y′_t+T＝a_t+b_t·T，其中

步骤3、三次指数平滑，三次就是在此基础上增加了一个季节分量，