[发明专利]一种数据中心设备运行数据时间序列组合预测方法

权利要求书

1.一种数据中心设备运行数据时间序列组合预测方法，其特征在于，包括如下步骤：

步骤1：预处理原始数据样本，将设备运行原始时序数据样本集标准化处理为标准时序数据，并切割出预留时窗数据；

步骤2：利用剩余时序数据集分别拟合ARIMA模型和XGBoost模型；

步骤3：根据训练后的ARIMA模型和XGBoost模型分别预测预留时窗对应时序的数据值，并根据预测时窗数据与预留时序数据集的均方误差，得到模型组合权重；

步骤4：根据训练后的ARIMA模型和XGBoost模型预测后续时序数据并根据权重得到组合预测时序数据，当有新采样的设备运行时序数据时，根据步骤1至3，更新模型和权重，对设备运行时序数据进行动态组合预测。

2.根据权利要求1所述的一种数据中心设备运行数据时间序列组合预测方法，其特征在于，所述步骤1中原始时序数据样本集其中上标i表示在总共N个样本对中第i对样本数据，{s⁽ⁱ⁾}分别为原始数据时序及该时序对应运行数据值，标准时序数据集X＝{(t⁽ⁱ⁾,x⁽ⁱ⁾)|i＝1,2,…,N}，其中预留时窗数据为X_w＝{(t⁽ⁱ⁾,x⁽ⁱ⁾)|i＝N-L+1,…,N-1,N}，时窗大小且L＜＜N，则剩余时序数据为X_r＝{(t⁽ⁱ⁾,x⁽ⁱ⁾)|i＝1,2,…,N-L},即X＝X_w∪X_r。

3.根据权利要求1所述的一种数据中心设备运行数据时间序列组合预测方法，其特征在于，所述步骤2中拟合ARIMA模型包括：

对剩余时序数据集X_r做平稳性处理，确定模型的差分阶数d，对差分后的时序数据做自相关函数ACF和偏自相关函数PACF，并根据BIC原则确定的MA阶数p和RA阶数q。

4.根据权利要求1所述的一种数据中心设备运行数据时间序列组合预测方法，其特征在于，所述步骤2中XGBoost模型包括：

根据原始数据时序{t⁽ⁱ⁾}构造时间特征，利用剩余时序数据集X_r训练XGBoost模型，调整并确定重要模型参数max_depth、learning_rate、n_estimator。

5.根据权利要求1所述的一种数据中心设备运行数据时间序列组合预测方法，其特征在于，所述步骤3中设ARIMA模型预测时窗数据XGBoost模型预测时窗数据分别与预留时窗数据比较得到均方误差k＝1,2,则可确定ARIMA模型权重w₁与XGBoost模型权重w₂关系为w₁:

6.根据权利要求1所述的一种数据中心设备运行数据时间序列组合预测方法，其特征在于，所述步骤4中设ARIMA后续预测时序数据XGBoost后续预测时序数据后续预测时序长则t^(N)时刻后的预测时序数据为当下一时段设备运行原始时序数据到来后，保持标准数据集大小N不变，用当前最新时序数据替换较旧时刻的时序数据，根据步骤1至步骤3更新模型与权重。