【摘要】 本发明涉及一种基于多序列组合的主机负载预测方法，属于计算机应用技术领域。本发明从非线性、非平稳信息处理角度出发，通过构造多条序列，并利用各序列与负载相关的多种数据关系，将小波-AR-SVR-MA模型和AR模型组合来预测主机负载，以提高主机负载预测精度。该方法适合于对重点时段或重点时刻点的主机负载预测。 【专利类型】发明申请 【申请人】北京理工大学 【申请人类型】学校 【申请人地址】100081 北京市海淀区中关村南大街5号 【申请人地区】中国 【申请人城市】北京市 【申请人区县】海淀区 【申请号】CN200910121385.6 【申请日】2009-05-31 【申请年份】2009 【公开公告号】CN103748993B 【公开公告日】2011-02-16 【公开公告年份】2011 【授权公告号】CN103748993B 【授权公告日】2011-02-16 【授权公告年份】2011.0 【IPC分类号】H04L12/26; H04L29/06; G06F17/50 【发明人】胡昌振; 姚淑萍 【主权项内容】1.一种基于多序列组合的主机负载预测方法，其特征在于具体实现步骤为： 步骤一、构造历史序列和相似值序列首先利用获取的流量数据构造历史序列和相似值序列，具体构造方法如下： 第①步 ：原始负载时间序列的表达式如公式 2所示： X＝ x(t)＝ {x(1)，x(2)，x(3)，…，x(k)，…} (2)第②步 ：根据负载时间序列表达式，分别构造与主机负载相关的历史序列和相似值序列； 设与待预测时刻 t相关的两条序列为 H(t)、S(t)，则H(t)＝ {x(t-i)，N≥ i≥ 1} (3)S(t)＝ {x(t-j×T)，M≥ j≥ 1} (4)其中 T为一个周期的长度； H(t)表示 t时刻之前 N个负载数据按时间顺序的排列，称为历史序列； S(t)表示 t时刻之前相邻 M个周期内与 t对应的观测点负载序列，称为相似值序列； 第③步：对两条序列中各元素分别重新编号，则 H(t) 和 S(t) 可分别表示为和步骤二、针对历史序列采用小波 -AR-SVR-MA模型进行预测，获得 t时刻的预测值 1在步骤一构造历史序列和相似值序列的基础上，对历史序列进行小波 -AR-SVR-MA 预测，获得 t时刻的预测值 1；具体实现步骤如下： 第①步：对历史序列进行小波分解小波分解通过 Mallat算法实现；确定尺度函数φ(t)和小波函数ψ(t)以及小波分解的低通滤波器 H、高通滤波器 G 及其对偶算子 H*、G*，选定分解层数 L ＝ 3，分解层数确定标准是使预测误差基本达到最小； 对历史序列进行小波分解的过程为： Vi+1 ＝ HVi ；Wi+1 ＝ GVi i＝ 0，1，2，…，L (5)其中，Vi 和 W-ji 分别是分辨率为 2 的原始信号的逼近信号和细节信号，其中逼近信号为低频信号，细节信号为高频信号，V0 即原始信号 H(t)； 当分解进行到第 3层时，历史序列被分解为 3个高频信号和 1个低频信号； 其中，V3 表示第 3层低频信号，Wj 表示第 j层高频信号； 第②步 ：对小波分解后的序列进行重构由于每进行一层分解所得的高频信号和低频信号的点数都会比分解前的信号减少一倍，这对预测是不利的，为了使各分支的长度保持不变，对 L+1个分支利用 Mallat重构算法进行单支重构： V * *i-1 ＝ H Vi+G Wi i＝ L，L-1，…，1 (7)重构到原尺度上，即V ＝ (H*)LV +(H*)L-1G*0 L WL+…+G*Wl (8)重构后的 4个分支与原始序列的长度一致，即： 其中 为重构后的第 3层低频信号， 为重构后的第 j层高频信号； 依据对重构后各分支信号的定义，上式变为进一步可得令 表示 hN+1 的预测值，则对 hN+1 的预测转化为求各分支的预测值 和即推出： (12)第③步：低频信号 的 AR预测AR模型的数学表达式为： xt ＝φ1xt-1+φ2xt-2+…+φpxt-p+at (13)其中，p为 AR模型的阶数，φi 为模型的系数，为待估参数，at 是白噪声； 模型的参数φi 采用 LS即最小二乘估计法，具体为： 假设待预测序列为 {x1，x2，…，xN}，求 的 LS估计；由于 t＜ 1的 xt 是未知的，故上式实际包含的方程是： 亦即认为 a1 ＝ a2 ＝…＝ ap ＝ 0；当 p＜＜ N时，可以忽略前 p个 at 对整个平方和的影响； 定义： 为最小二乘估计的自相关函数，则可得到 AR模型参数估计的近似式为求解上式即可得到模型的参数； 关于模型的阶可采用在一定范围内从低阶到高阶逐个拟合，利用最小信息准则 (AIC)确定； 第④步 ：高频信号 和 的 SVR预测用 表示任意一个高频信号，由 t 时刻前的 n 个值预测 t 时刻的值 dt 的问题可以表示为寻找如下的对应关系 F的问题对回归模型的训练来说，由 N 个训练样本就可以构建 N-n 个训练样本对，即输入 (d1，d2，…，dn)，对应的输出为 dn+1 ；输入 (d2，d3，…，dn+1)，对应的输出为 dn+2 ；…依此类推； 具体算法步骤为： a. 数据准备；将采集到的数据分为两部分，一部分作为训练数据，记为另一部分作为测试数据，记为 首先将训练数据以 n 为步长组织为学习样本对 (xi，yi)，如表 1所示； 表 1SVM预测模型学习样本b.选取适当的支持向量机模型； c.确定回归步长 n； d.根据确定的支持向量拓扑结构，利用训练数据集 训练模型； e.利用测试数据集 中的数据进行单步预测； f. 根据预测结果进行模型评价；计算预测精度，如果精度满足预先设定的阈值，则结束算法，否则调整参数，转 (4)； 第⑤步 ：高频信号 的 MA预测加权移动平均法的预测公式为： 式中：m为移动平均的项数，即每次预测需要使用的观察值的个数； 第⑥步 ：各分支预测值的合成本发明采用支持向量回归实现合成；其中学习样本对以分解层数 L+1 为步长组织，输入样本为 输出样本 yi ＝ hi ；算法其他步骤与步骤二采用小波 -AR-SVR-MA模型进行预测的第④步相同； 步骤三、针对相似值序列进行 AR预测，获得 t时刻的预测值 2在步骤一构造历史序列和相似值序列的基础上，对相似值序列进行 AR 模型预测，获得t时刻的预测值 2； 具体操作步骤与步骤二采用小波 -AR-SVR-MA模型进行预测的第③步低频信号 的 AR预测中的步骤相同； 步骤四、计算两条序列预测值的平均值，获得最终预测值在步骤二和步骤三的基础上，计算两条序列预测值的平均值，获得最终预测值。 【当前权利人】北京理工大学 【当前专利权人地址】北京市海淀区中关村南大街5号 【统一社会信用代码】12100000400009127B 【引证次数】1.0 【被引证次数】15 【他引次数】1.0 【被自引次数】1.0 【被他引次数】14.0 【家族引证次数】1.0 【家族被引证次数】15

未经允许不得转载：http://www.zhongzhencnc.com/1782460756.html