[发明专利]基于改进TFT的云服务器资源利用数量预测方法

说明书

本发明提供了一种云服务器资源利用数量预测的方法。该方法改进TFT（时序融合变压器）多步时间序列预测技术，应用在云服务器资源利用数量的预测中。所述方法包括：数据集特征变量分解；生成训练集测试集；数据特征变量划分；设计并改进TFT预测模型；不同的数据特征变量进入模型相应接口；模型训练；生成目标预测模型；模型测试。本发明提供了新的变量分解方法，并利用TFT变量分类提取和多步融合预测的优势，在改进算法之后加快了模型拟合速度，提升了预测准确度和鲁棒性。该发明解决了目前云服务器资源利用的数据由于特征变量过少，多步预测准确度低的技术问题，满足了云服务平台通过对服务器资源利用数量的预测进行安全部署、资源协调的需求。

技术领域

本发明属于通信技术领域，尤其是涉及一种基于改进TFT（时序融合变压器模型）的云服务器资源利用数量预测方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

云服务平台是在一定的网络环境下，服务商为企业提供大规模计算的服务平台。当前一些传统的性能分析方法无法很好地解决云服务平台部署、资源利用、架构和技术等方面的挑战，通过对服务器资源利用数量的准确预测可以在一定程度上解决这些问题。对云平台服务器的资源利用数量进行预测，一方面，可以对未来可能面对的平台用户高峰期做出预判，提前进行部署从而防止服务器过载以及保证访问安全；另一方面，还可以在资源利用低迷期减少服务器的投入，从而降低资源的损耗。

然而，云平台后台产生的云服务器使用情况数据，其原始数据仅有一列与时间戳对应的变量数据，使得预测存在局限性，预测时无法精准提取特征，传统模型能学习到的东西少之又少，最后致使结果不准确。传统的单变量预测方法一般为应用前几步的数据来作为模型输入，后一步或后几步的数据作为模型标签进行训练，由于缺少特征变量而导致预测结果不够准确。当前，多变量的时间序列预测研究一直比较热门，但是无法用在云服务器资源利用数量的单变量数据中。一些传统预测模型，如：ARMA（自回归滑动平均模型）、ARIMA（求和自回归滑动平均模型）、LSTM（长短期记忆循环神经网络），是现在的数据分析者比较青睐的预测技术，但是这些技术仍然存在结构不完善、特征提取不准确、模型拟合慢、结果不准确、资源消耗大等不足，不能满足当前市场的需要。

如何使最新的多变量预测技术应用在云服务器资源利用数量预测领域，怎样提取特征和提升预测准确度以满足资源精确部署的需求，是当前研究的重点。

发明内容

为解决以上问题，本发明提供了一种云服务器资源利用数量预测方法。本发明的实施例提供了如下技术方案：应用Prophet的时间序列分解功能，对原始数据的时间戳和对应的值进行特征变量分解，获得整体趋势项等变量；手动增加年、月、周、日、节日、季节的时间项，用于扩充原始数据集作为模型输入数据；将数据划分为三种变量输入到TFT模型的不同接口中，对其特征进一步计算分析；使用encoder（编码器）和decoder（解码器）对变量进行编码解码；改进注意力机制学习特征变量，最终输出预测结果。改进的TFT模型大大提高了模型拟合速度和提升了服务器利用数量数据预测的准确性。

具体步骤包括：

s1：获取一段时间内云服务器资源利用数量的数据进行特征变量提取和分解，通过基于时间序列分解的预测模型Prophet，使两列原始数据（时间戳和实际变量值）的特征变量扩增到多列。

s2：将所述Prophet模型输出的值进行选择性提取，提取输入值对应的时间戳和实际值，并获取所述Prophet模型计算的趋势项动态变量，得到新数据集。

s3：对新数据集进一步手动扩充时间序列变量，增加年、月、日、星期、周末、节日、季节项，最终使两列原始数据扩充为多列数据，形成多变量数据集作为模型输入。

s4：把所述多变量输入数据的特征变量划分为三类，分别为静态季节变量、过去观测变量、已知时间变量。