[发明专利]预测模型确定方法、装置、电子设备及计算机存储介质

说明书

本发明涉及一种预测模型确定方法、装置、电子设备及计算机存储介质，该方法包括：对接收到的数据进行特征提取，得到对应的数据特征；根据所述数据特征，对所述数据进行可预测类型分类，得到分类结果；根据所述分类结果，确定与所述数据对应的预测模型；其中，每种分类结果预先匹配对应的预测模型。通过该方法，可以快速且自动确定时间序列数据对应的预测方案，在节约人工成本的同时提高预测效率。

技术领域

本申请属于数据处理领域，具体涉及一种预测模型确定方法、装置、电子设备及计算机存储介质。

背景技术

运维系统所采集到的数据大多数都是结构化时间序列数据，例如CPU在不同时间点的使用率、内存在不同时间点的使用率等机器指标。在运维过程中，有对这些数据进行预测的需求。

在现有技术中，很难存在一种通用算法可以适用于预测所有场景所产生的各种类型的时间序列数据，因此，一般是由工程师根据自身经验人工选择合适的预测算法来对对应场景的时间序列数据进行预测。然而，此过程会消耗一定的人工成本，且较为耗时。

发明内容

有鉴于此，本申请的目的在于提供一种预测模型确定方法、装置、电子设备及计算机存储介质，以快速且自动确定时间序列数据对应的预测方案，在节约人工成本的同时提高预测效率。

本申请的实施例是这样实现的：

第一方面，本申请实施例提供一种预测模型确定方法，所述方法包括：

对接收到的数据进行特征提取，得到对应的数据特征；根据所述数据特征，对所述数据进行可预测类型分类，得到分类结果；根据所述分类结果，确定与所述数据对应的预测模型；其中，每种分类结果预先匹配对应的预测模型。通过该方法，可以自动确定时间序列数据对应的预测方案，而不再需要人为对其预测方案进行确定，进而可以在节约人工成本的同时提高预测效率。

结合第一方面实施例，在一种可能的实施方式中，所述对接收到的数据进行特征提取，包括：获取与所述数据对应的业务类型，并根据所述业务类型确定所述数据的值域类型；根据所述值域类型，计算所述数据的数值波动幅度；确定所述数据的数值带状分布、数值连续性、数值周期性以及数值复杂度；所述数据特征包括所述值域类型、所述数值波动幅度、所述数值带状分布、所述数值连续性、所述数值周期性以及所述数值复杂度。

结合第一方面实施例，在一种可能的实施方式中，每个所述数据均为时间序列数据，所述值域类型为固定值域或非固定值域，所述根据所述值域类型，计算所述数据的数值波动幅度，包括：在确定所述值域类型为所述固定值域时，根据公式计算得到所述数值波动幅度；

或者，在确定所述值域类型为所述非固定值域时，根据公式计算得到所述数值波动幅度；其中，A为所述数值波动幅度，N为所述时间序列数据所包括的数据点的个数，x_i为所述时间序列数据中的第i个数据点的数据值，为所述时间序列数据所包括的数据点的平均数据值。

结合第一方面实施例，在一种可能的实施方式中，每个所述数据均为时间序列数据，所述确定所述数据的数值带状分布、数值连续性、数值周期性以及数值复杂度，包括：根据公式B＝M1+M2+M3，计算得到所述数值带状分布；B为所述数值带状分布，M1为所述数据中的第一众数占比，M2为所述数据中的第二众数占比，M3为所述数据中的第三众数占比；根据公式C＝Acf(1)，计算得到所述数值连续性；C为所述数值连续性，Acf(1)是参数为1的自相关系数；根据公式D＝Acf(T)，计算得到所述数值周期性；D为所述数值周期性，Acf(T)是参数为T的自相关系数；根据公式E＝ApEn＝Φ^m(r)-Φ^m+1(r)，计算得到所述数值复杂度；E为所述数值复杂度，ApEn为近似熵，N为所述时间序列数据所包括的数据点的个数，r为实数，m为小于N的正整数。