[发明专利]基于霍尔特指数平滑法的状态预测模型生成方法

摘要

本发明公开了一种基于霍尔特指数平滑法的状态预测模型生成方法，其包括如下步骤s1.基于霍尔特指数平滑法构建状态预测模型，该模型不仅预测平滑值，而且预测趋势值，因此能够消除预测滞后的缺点；s2.以误差平方和SSE最小化为目标对状态预测模型平滑系数进行动态优化，进一步提高预测的准确性。通过上述步骤能够生成较为优化的状态预测模型，本发明方法将上述优化后的状态预测模型应用于基于滑动窗口的两级检测策略的二级检测中，能够对主机迁移触发的时机做出更准确的决策。本发明方法可以解决现有状态预测模型存在预测滞后的缺点，同时很好地适应主机状态数据的动态变化。

主权项

基于霍尔特指数平滑法的状态预测模型生成方法，其特征在于，包括如下步骤：s1.基于霍尔特指数平滑法构建状态预测模型状态预测模型相关的公式如下：St＝αXt+(1‑α)(St‑1+bt‑1)     (1)bt＝γ(St‑St‑1)+(1‑γ)bt‑1     (2)x^t+1=St+bt---(3)]]>其中，xt表示主机在t时刻状态数据的监控值；α和γ为平滑系数，反映了近期数据对预测结果的影响，α和γ取值范围均为(0,1)；St‑1、St分别表示t‑1、t时刻平滑值，反映了状态数据的整体水平；bt‑1、bt分别表示t‑1、t时刻趋势值，反映了状态数据的变化趋势；表示主机在t+1刻的状态数据预测值；s2.对状态预测模型平滑系数进行动态优化，得到较优的状态预测模型以状态预测模型误差平方和SSE最小化为目标，动态优化平滑系数α和γSSE定义如下：SSE=Σt=1n(xt-x^t)2---(4)]]>其中，表示主机在t时刻的状态数据预测值；基于Fabonacci数列在二维空间对α和γ进行搜索；Fabonacci数列满足以下定义：F0＝F1＝1      (5)Fn+1＝Fn+Fn‑1      (6)其中，n≥1，n∈N*，N*表示正整数；基于Fabonacci数列对状态预测模型平滑系数α和γ优化的过程为：建立以α轴为横轴、以γ轴为纵轴的二维空间搜索坐标系；设定搜索空间是正方形，且第k步搜索空间Sk在α轴和γ轴上投影区间都为[ak,bk]，在投影区间[ak,bk]内利用Fabonacci数列计算坐标位置，分别用λk和μk表示，计算公式如下：λk=ak+Fn-k-1Fn-k+1(bk-ak)---(7)]]>μk=ak+Fn-kFn-k+1(bk-ak)---(8)]]>计算搜索空间Sk中点P1、P2、P3和P4对应的SSE；P1的坐标为(λk,λk)，P2的坐标为(λk,μk)，P3的坐标为(μk,μk)，P4的坐标为(μk,λk)；选取P1、P2、P3和P4中SSE取值最小的点对Sk进行裁剪得到第k+1步搜索空间Sk+1；搜索空间Sk+1和搜索空间Sk的边长有如下关系：lk+1lk=Fn-kFn-k+1---(9)]]>其中，lk+1表示搜索空间Sk+1的边长，lk表示搜索空间Sk的边长；搜索空间Sk+1和搜索空间Sk边长的上述关系可用于迭代次数的计算；设初始搜索空间S0，在α轴和γ轴上投影区间都为[a,b],则S0边长为b‑a；结束时搜索空间边长限制为ε，经n次迭代后满足限制，则：F1F2·F2F3...FnFn+1(b-a)≤ϵ---(10)]]>将上述公式(10)进行移相可得：Fn+1≥b-aϵ---(11)]]>当a、b和ε给定后，通过查找Fabonacci数列各项的取值即可确定需要迭代的次数n；经过n次迭代，能够在二维空间中搜索到较优的α和γ，使得状态预测模型在滑动窗口内预测SSE较小，从而得到较优的状态预测模型。