CN102096624B - 一种对机群运行状况进行预测的方法和机群平台管理装置 - Google Patents

Abstract

本发明提供一种对机群运行状况进行预测的方法和机群平台管理装置，在第一时刻时，采集机群的工作参数，该工作参数用以描述机群的运行状况；根据预先设定的误差分布规律获取误差率矫正项，所述误差率矫正项用以描述所述工作参数在第二时刻时的第一预测值与精确值之间的误差；根据预定方式采用所述工作参数计算出第二时刻时的所述第一预测值；计算出第一时刻的权重系数；根据所述第一预测值、权重系数以及所述误差率矫正项计算出第二时刻时的第二预测值。应用上述技术，算法简单，增加了误差率矫正项体现导致第一预测值出现误差的不确定因素，可以应对各种类型的机群平台带来的误差影响。

Description

一种对机群运行状况进行预测的方法和机群平台管理装置

技术领域

本发明涉及机群管理技术，特别是指一种对机群运行状况进行预测的方法和机群平台管理装置。

背景技术

在大规模的机群上，由于其资源有限导致资源抢占的情况十分常见，为了公平有效地利用机群资源，需要在机群上部署必要的管理机制，例如，通过监控功能查看机群资源的利用情况及硬件信息，例如机群中各个节点计算机的CPU荷载，内存使用，机柜温度，风扇转速等。由于机群运行状况的变化及不确定性，因此对机群资源进行有效预测可以及时有效地应对机群资源占用状态的变化，达到预测预警的目的。但是现有的管理技术仅能够对机群当前运行状况进行监控，提供实时的数据，并没有对未来的运行状况进行预测。实践证明准确的预报功能对于大规模机群尤为重要，许多机群均经历过由于节点负载过大而导致机柜温度过高，空调失效等一系列故障，最终不得不采取强制冷关机的办法以免造成硬件大规模毁坏。虽然硬件得以保全，但是造成了在其上运行的作业被迫中断，数据丢失。

现有技术中，大多采用基于趋势分析(Homeostatic and Tendency-Based)的CPU荷载单步预测方法，该方法是一种简化的时间序列预测模型。

发明人在实现本发明的过程中，发现现有技术中至少存在如下问题：现有预测模型不是基于传统的经典时间预测模型，其运用的广泛度及预测结果的总体准确度无法衡量，过多依赖于趋势因素而忽视了随机性；且过于简单，在任何平台，如PC、机群以及网格上都采用同样的预测方法，忽视了各种平台的硬件环境及应用模式之间的不同；例如规模庞大的机群对某些硬件进行周期性的维护而采取关闭措施十分常见，应用模式也会随时间的变化而变化，而现有技术没有考虑到这些差异。

发明内容

本发明的目的是提供一种对机群运行状况进行预测的方法和机群平台管理装置，对机群的运行状况进行准确的预测，解决现有技术中，难以根据实时采集到的工作参数对机群的运行状况进行准确的预测的缺陷。

一种对机群运行状况进行预测的方法，包括：在第一时刻T＝t时，采集机群的工作参数V_t，该工作参数用以描述机群的运行状况；根据预先设定的误差分布规律获取第一时刻的误差率矫正项E_t，所述误差率矫正项用以描述：所述工作参数在第二时刻时的第一预测值V_t+1与精确值之间的误差；根据预定方式采用所述工作参数V_t计算出第二时刻时的所述第一预测值；计算出第一时刻的权重系数W_t；根据所述第一预测值、权重系数以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

其中，所述第一预测值、权重系数以及所述误差率矫正项E_t满足：根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，该第一时刻的中间值与所述第一预测值的乘积作为所述第二预测值；且根据第二预测值与第一预测值V_t+1的比较结果，修改所述中间值。

上述方法中，根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，包括：以所述权重系数W_t对所述误差率矫正项E_t进行修正；所述权重系数W_t与第一时刻的前一时刻的权重系数W_t-1相比增加时，所述中间值相较于所述前一时刻的中间值减少；修改所述中间值包括：当所述第二预测值

比所述第一预测值V_t+1精确时，修改第二时刻的权重系数W_t+1，增加该权重系数W_t+1；当所述第二预测值

不比所述第一预测值V_t+1精确时，修改第二时刻的权重系数W_t+1，减少该权重系数W_t+1。

上述方法中，根据预先设定的误差分布规律获取误差率矫正项E_t，包括：根据E_t～f(μe，σe)计算所述误差率矫正项E_t；其中，f表示误差分布规律，μe表示对应的分布参数平均值，σe表示对应的分布参数方差。

上述方法中，根据预定方式计算出第二时刻时的所述第一预测值包括：如果第一时刻T＝t时的实际测量值V_t小于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为下降，第二时刻T＝t+1时的第一预测值V_t+1满足：以所述实际测量值V_t减去一个降值DecrementValue；如果第一时刻T＝t时的实际测量值V_t大于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为上升；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以所述实际测量值V_t加上一个升值IncrementValue；所述降值DecrementValue和升值IncrementValue预先设定。

上述方法中，计算出第一时刻T＝t的权重系数W_t，包括： $\hat{e}i=\frac{\hat{V}i-\mathrm{Vi}}{\mathrm{Vi}},$ $\stackrel{\‾}{e}i=\frac{\stackrel{\‾}{\mathrm{Vi}}-\mathrm{Vi}}{\mathrm{Vi}};$ $W_t=\frac{p_t}{1+p_t},$ $p_t=p_{t-1}*\left(\frac{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\hat{e}{i}^2}\right);$ 其中，ei为T＝i时刻的第一预测值Vi与实际测量值Vi之间的误差，

为T＝i时刻的第二预测值

与实际测量值Vi之间的误差；p_t为计算T＝t时刻的权重变化系数；W_t为T＝t时刻的权重系数。

上述方法中，根据所述第一预测值V_t+1、权重系数W_t以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

包括： ${\hat{V}}_{t+1}=(1-W_t*E_t)*{\stackrel{\‾}{V}}_{t+1},$ 或者 ${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1},$ 其中，K是不为零的常数。

上述方法中，累计所述 $\hat{e}i=\frac{\hat{V}i-\mathrm{Vi}}{\mathrm{Vi}}$ 得到

当所述

大于一个误差阈值时，计算： ${\hat{e}}_{t+1}=\frac{{\hat{V}}_{t+1}-V_{t+1}}{V_{t+1}},$ ${\stackrel{\‾}{e}}_{t+1}=\frac{{\stackrel{\‾}{V}}_{t+1}-V_{t+1}}{V_{t+1}},$ $W_{t+1}=\frac{p_{t+1}}{1+p_{t+1}},$ $p_{t+1}=p_t*\left(\frac{\underset{i=0}{\overset{n=t+1}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t+1}{\mathrm{\Σ}}}\hat{e}{i}^2}\right);$ 并将所述 ${\hat{V}}_{t+1}=(1-W_t*E_t)*{\stackrel{\‾}{V}}_{t+1},$ 或者 ${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 中的W_t替换为W_t+1。

一种机群平台，包括：工作参数采集单元，用于在第一时刻T＝t时，采集机群的工作参数，该工作参数用以描述机群的运行状况；误差率矫正项单元，用于根据预先设定的误差分布规律获取第一时刻的误差率矫正项E_t，所述误差率矫正项用以描述：所述工作参数在第二时刻时的第一预测值V_t+1与精确值之间的误差；第一预测单元，用于根据预定方式采用所述工作参数V_t计算出第二时刻时第一预测值；权重系数单元，用于计算出第一时刻的权重系数W_t，矫正器单元，用于根据所述第一预测值、权重系数以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

其中，所述第一预测值、权重系数以及所述误差率矫正项E_t满足：根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，该第一时刻的中间值与所述第一预测值的乘积作为所述第二预测值，且根据第二预测值

与第一预测值V_t+1的比较结果，修改所述中间值。

上述机群平台中，所述第一预测单元具体包括：第一趋势预测模块，用于如果第一时刻T＝t时的实际测量值V_t小于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为下降；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以所述实际测量值V_t减去一个降值DecrementValue；以及，第二趋势预测模块，用于如果第一时刻T＝t时的实际测量值V_t大于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为上升；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以所述实际测量值V_t加上一个升值IncrementValue；所述降值DecrementValue以及所述升值IncrementValue预先设定。

上述机群平台中，权重系数单元具体包括：误差率模块，用于计算T＝i时刻的第一预测值Vi与实际测量值Vi之间的误差 $\stackrel{\‾}{e}i=\frac{\stackrel{\‾}{\mathrm{Vi}}-\mathrm{Vi}}{\mathrm{Vi}};$ 以及T＝i时刻的第二预测值

与实际测量值Vi之间的误差 $\hat{e}i=\frac{\hat{V}i-\mathrm{Vi}}{\mathrm{Vi}};$ 权重变化系数模块，用于计算T＝t时刻的权重变化系数， $p_t=p_{t-1}*\left(\frac{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\hat{e}{i}^2}\right);$ 权重系数确定模块，用于根据p_t确定T＝t时刻的权重系数 $W_t=\frac{p_t}{1+p_t};$ 矫正器单元包括：第一矫正器模块，用于根据所述第一预测值V_t+1、权重系数W_t以及所述误差率矫正项E_t，选择 ${\hat{V}}_{t+1}=(1-W_t*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 计算出第二时刻时的第二预测值

和，第二矫正器模块，用于根据所述第一预测值V_t+1、权重系数W_t以及所述误差率矫正项E_t，选择 ${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 计算出第二时刻时的第二预测值

其中，K是不为零的常数。

应用上述技术，算法较为简单，增加了误差率矫正项体现导致第一预测值出现误差的不确定因素，由于该误差率矫正项是建立在历史数据的基础上，因此更符合实际情况；由于误差率矫正项可以根据不同类型的分布规律得到，因此可以应对各种类型的机群平台带来的误差影响；且上述方案有自我调整功能，可以实时地应对环境变化带来的模型失效并做动态调整。

附图说明

图1为本发明实施例机群结构示意图；

图2为本发明实施例对机群运行状况进行预测的方法流程示意图；

图3为本发明实施例对机群运行状况进行预测并自行改进预测公式的流程示意图；

图4为本发明实施例机群平台管理装置结构示意图。

具体实施方式

为使本发明的目的、技术特征和实施效果更加清楚，下面将结合附图及具体实施例对本发明的技术方案进行详细描述。

本发明提供的实施例中，根据实时采集到的工作参数对机群的运行状况进行预测，得到运行状况初始的第一预测值，对该第一预测值进行矫正，形成第二预测值，该第二预测值可以认定为是工作参数的精确值，使用该第二预测值对机群的工作参数进行调整。其中，工作参数用以量化描述机群的运行状况。

首先对本发明实施例中应用到的误差率矫正项E_t作如下解释：预测机群的运行状况所得到的预测值，预测过程中由于客观原因该预测值与精确值之间会存在误差，具体地，假如某一时刻的预测值是a，且知道该某一时刻的误差值是b，则精确值是a+b或者a-b。经过实践可以知道，虽然由于误差值的随机性导致无法准确的知道特定时刻的误差值，但是误差的产生是有规律的，即，误差的产生是按照一定的概率分布的，因此可以得到描述运行状况的工作参数的精确值应当是预测值与误差值的叠加，该误差值称为误差率矫正项E_t，其取值是按照一定的概率分布的，例如正态分布，均匀分布，以及指数分布等。

本发明实施例提供一种对机群运行状况进行预测的方法，如图2所示，包括：

步骤101，在第一时刻T＝t时，采集机群的工作参数V_t，该工作参数用以描述机群的运行状况；

步骤102，根据预先设定的误差分布规律获取第一时刻的误差率矫正项E_t，所述误差率矫正项用以描述：所述工作参数在第二时刻时的第一预测值V_t+1与精确值之间的误差；

步骤103，根据预定方式采用所述工作参数V_t计算出第二时刻时的所述第一预测值；

步骤104，计算出第一时刻的权重系数W_t；根据所述第一预测值、权重系数以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

其中，所述第一预测值、权重系数以及所述误差率矫正项E_t满足：

根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，该第一时刻的中间值与所述第一预测值的乘积作为所述第二预测值；且根据第二预测值与第一预测值V_t+1的比较结果，修改所述中间值。

应用上述技术方案，算法较为简单，增加了误差率矫正项E_t体现导致第一预测值出现误差的不确定因素，由于该误差率矫正项E_t是建立在历史数据的基础上，因此更符合实际情况；由于误差率矫正项E_t可以根据不同类型的分布规律得到，因此可以应对各种类型的机群平台带来的误差影响；且上述方案有自我调整功能，可以实时地应对环境变化带来的模型失效并做动态调整。

其中，机群的系统架构如图1所示，上述方法应用在管理节点上，管理节点通过交换机对机群中的每一个节点的工作状况预测并根据预测值进行调整。

矫正器以误差分布和权重为基础建立，权重的大小将随其纠正效果好坏而递增或递减。

根据预先设定的误差分布规律获取该机群预测值出现误差的误差率矫正项E_t包括：

E_t～f(μe，σe)；其中，f表示误差分布规律(概率分布模型)，且至少包括：正态分布，均匀分布，以及指数分布等。μe表示对应的分布参数平均值，σe表示对应的分布参数方差，其中，e的计算过程在后述中描述，具体可以采用蒙特卡罗模拟产生具体的数值。

步骤102根据预定方式计算出第二时刻T＝t+1时的第一预测值V_t+1包括：

如果第一时刻T＝t时的实际测量值V_t小于前一时刻T＝t-1时的前一实际测量值V_t-1，则判定趋势Tendency为下降，第二时刻T＝t+1时的第一预测值V_t+1满足：以实际测量值V_t减去一个降值DecrementValue。

如果第一时刻T＝t时的实际测量值V_t大于前一时刻T＝t-1时的前一预测值V_t-1，则判定趋势Tendency为上升；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以预测值加上一个升值IncrementValue。

其中，计算降值DecrementValue以及升值IncrementValue的过程中，可以根据经验设定一个恒量，也可以采用已有的方法计算。

步骤103中，计算出第一时刻T＝t的权重系数W_t，包括：

$\mathrm{Wt}=\frac{\mathrm{pt}}{1+\mathrm{pt}},$ $\mathrm{pt}=\mathrm{pt}-1*\left(\frac{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\hat{e}{i}^2}\right);$ 其中，

$\hat{e}t+1=\frac{{\hat{V}}_{t+1}-V_{t+1}}{V_{t+1}},$ $\stackrel{\‾}{e}t+1=\frac{{\stackrel{\‾}{V}}_{t+1}-V_{t+1}}{V_{t+1}}.$

步骤104，根据所述第一预测值，权重系数W_t以及所述误差率矫正项E_t计算出第二时刻T＝t+1时的第二预测值

包括：

${\hat{V}}_{t+1}=(1-W_t*E_t)*{\stackrel{\‾}{V}}_{t+1}---\left(1\right),$

或者

${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1}---\left(2\right),$ 以及其他形式。

上述技术方案中，第一预测值V_t+1为原有模型的预测值，第二预测值为在其基础上矫正后的预测值，V_t+1为检测到的精确值；

为新模型误差，et+1为原有模型误差。pt+1为下一步权重变化系数，W_t+1为下一步权重系数；ε为误差率矫正项矫正项，遵循一定的概率分布。

应用所提供的技术方案，在应用过程中，可以进行不同的拓展，如图3所示，包括：

步骤201，分析机群出现误差的概率，采用误差率矫正项E_t描述导致第一预测值出现误差的不确定因素，该误差率矫正项E_t遵循不同的误差分布规律(概率分布模型)，例如正态分布，均匀分布，以及指数分布等。

将相应的概率分布模型写入随机数字产生库。随机数字产生库是基于历史数据产生的，具体可以通过风险分析里常用的马可夫链蒙特卡罗模拟的方法实现。

步骤202，采用趋势模型计算第一预测值V_t+1；计算过程包括：

如果第一时刻T＝t时的实际测量值V_t小于前一时刻T＝t-1时的前一预测值V_t-1，则判定趋势Tendency为下降；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以预测值减去一个降值DecrementValue。

如果第一时刻T＝t时的实际测量值V_t大于前一时刻T＝t-1时的前一预测值V_t-1，则判定趋势Tendency为上升；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以预测值加上一个升值IncrementValue。

步骤203，对获得的第二时刻T＝t+1时的第一预测值V_t+1进行矫正。包括：

读取概率分布文件，按照相应的分布模型调用随机数字产生库，生成误差率矫正项E_t。

步骤204，对第一预测值V_t+1矫正后生成第二预测值其中，此处采用的W_t是最新计算出的值。如果在步骤205之后转步骤202，则仍然使用的是原来的W_t的值，如果步骤205之后转步骤206，则使用的是步骤206中计算得到的W_t的值。

将第二预测值存入数据库。

步骤205，计算累计的误差率

并判断累计的误差率

与误差率阈值的大小；

如果大于所述误差率阈值，转步骤206，否则，转步骤202，即，将沿用当前矫正器继续对后续的工作参数做预测。

其中， $\hat{e}i=\frac{\hat{V}i-\mathrm{Vi}}{\mathrm{Vi}},$ Vi表示实际检测到的工作参数。

步骤206，将对机群平台重新评估，修改计算第二预测值的公式(1)和/或(2)。具体包括计算：

$\hat{e}t+1=\frac{{\hat{V}}_{t+1}-V_{t+1}}{V_{t+1}},$ $\stackrel{\‾}{e}t+1=\frac{{\stackrel{\‾}{V}}_{t+1}-V_{t+1}}{V_{t+1}}$

$W_t=\frac{\mathrm{pt}}{1+\mathrm{pt}},$ $\mathrm{pt}=\mathrm{pt}-1*\left(\frac{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\hat{e}{i}^2}\right).$ 转步骤201。

应用所提供的技术方案，预处理完毕后将误差分布类型及相应分布参数写入矫正器配置文件；在进行趋势预测的基础上，针对趋势预测得到的预测值根据根据矫正器配置文件中的相应的分布对原模型预测值进行矫正，在矫正过程中，为了模拟各种平台差异造成的误差影响，矫正器将根据相应的矫正数及权重对原始的第一预测值进行矫正并将第二预测值写入数据库。矫正器以误差分布和权重为基础建立。权重的大小将随其纠正效果好坏而递增或递减。而且将定期比照总体误差与设置的限值做比较以确定模型是否需要调整，如果需要将自动启动预处理器重新分析模型误差，对其分布参数做相应调整。

对应地，本发明还提供了一种机群平台管理装置，如图4所示，包括：

工作参数采集单元401，用于在第一时刻T＝t时，采集机群的工作参数，该工作参数用以描述机群的运行状况；

误差率矫正项单元402，用于根据预先设定的误差分布规律获取第一时刻的误差率矫正项E_t，所述误差率矫正项用以描述：所述工作参数在第二时刻时的第一预测值V_t+1与精确值之间的误差；

第一预测单元403，用于根据预定方式计算出第二时刻时第一预测值；

权重系数单元404，用于计算出第一时刻的权重系数W_t，

矫正器单元405，用于根据所述第一预测值、权重系数以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

其中，第一预测值、权重系数以及所述误差率矫正项E_t满足：

根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，该第一时刻的中间值与所述第一预测值的乘积作为所述第二预测值；且根据第二预测值

与第一预测值V_t+1的比较结果，修改所述中间值。

应用上述技术方案，算法较为简单，增加了误差率矫正项E_t体现导致第一预测值出现误差的不确定因素，由于该误差率矫正项E_t是建立在历史数据的基础上，因此更符合实际情况；由于误差率矫正项E_t可以根据不同类型的分布规律得到，因此可以应对各种类型的机群平台带来的误差影响；且上述方案有自我调整功能，可以实时地应对环境变化带来的模型失效并做动态调整。

上述装置中，所述第一预测单元403具体包括：

第一趋势预测模块，用于如果第一时刻T＝t时的实际测量值V_t小于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势Tendency为下降；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以所述实际测量值V_t减去一个降值DecrementValue；以及，

第二趋势预测模块，用于如果第一时刻T＝t时的实际测量值V_t大于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势Tendency为上升；则，第二时刻T＝t+1时的第一预测值V_t+1满足：以所述实际测量值V_t加上一个升值IncrementValue；

所述降值DecrementValue以及所述升值IncrementValue预先设定。

权重系数单元404具体包括：

误差率模块，用于计算T＝i时刻的第一预测值Vi与实际测量值Vi之间的误差 $\stackrel{\‾}{e}i=\frac{\stackrel{\‾}{\mathrm{Vi}}-\mathrm{Vi}}{\mathrm{Vi}};$ 以及T＝i时刻的第二预测值

与实际测量值Vi之间的误差 $\hat{e}i=\frac{\hat{V}i-\mathrm{Vi}}{\mathrm{Vi}};$

权重变化系数模块，用于计算T＝t时刻的权重变化系数， $p_t=p_{t-1}*\left(\frac{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\hat{e}{i}^2}\right);$

权重系数确定模块，用于根据p_t确定T＝t时刻的权重系数 $W_t=\frac{p_t}{1+p_t}.$

矫正器单元405包括：

第一矫正器模块，用于根据所述第一预测值V_t+1、权重系数W_t以及所述误差率矫正项E_t，选择 ${\hat{V}}_{t+1}=(1-W_t*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 计算出第二时刻时的第二预测值和，

第二矫正器模块，用于根据所述第一预测值V_t+1、权重系数W_t以及所述误差率矫正项E_t，选择 ${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 计算出第二时刻时的第二预测值其中，K是不为零的常数。

本发明的实施例具有以下有益效果，算法简单易于与现有管理软件结合。比起原来的静态模型，误差校正模型增加了随机项，更好地反映了实际情况中的随机不确定因素；矫正器支持不同类型的分布规律，可以很好地应对各种类型的平台带来的误差影响；通过变动的权重系数控制了矫正器的影响，从而控制了新模型带来的误差；该方法有模型自我调整功能，可以实时地应对环境变化带来的模型失效并做动态调整。

应当说明的是，以上实施例仅用以说明本发明的技术方案而非限制，所有的参数取值可以根据实际情况调整，且在该权利保护范围内。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种对机群运行状况进行预测的方法，其特征在于，包括：

在第一时刻T＝t时，采集机群的工作参数V_t，该工作参数用以描述机群的运行状况；

根据预先设定的误差分布规律获取第一时刻的误差率矫正项E_t，所述误差率矫正项用以描述：所述工作参数在第二时刻时的第一预测值

与精确值之间的误差；

根据预定方式采用所述工作参数V_t计算出第二时刻时的所述第一预测值；

计算出第一时刻的权重系数W_t，包括：

其中，

为T＝i时刻的第一预测值与实际测量值Vi之间的误差，

为T＝i时刻的第二预测值

与实际测量值Vi之间的误差；p_t为计算T＝t时刻的权重变化系数；W_t为T＝t时刻的权重系数；根据所述第一预测值、所述权重系数以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

其中，所述第一预测值、所述权重系数以及所述误差率矫正项E_t满足：

根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，该第一时刻的中间值与所述第一预测值的乘积作为所述第二预测值；且根据所述第二预测值

与所述第一预测值

的比较结果，修改所述中间值。

2.根据权利要求1所述的方法，其特征在于，根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，包括：

以所述权重系数W_t对所述误差率矫正项E_t进行修正；

所述权重系数W_t与第一时刻的前一时刻的权重系数W_t-1相比增加时，第一时刻的所述中间值相较于所述前一时刻的中间值减少；

修改所述中间值包括：

当所述第二预测值

比所述第一预测值

精确时，修改第二时刻的权重系数W_t+1，权重系数W_t+1增加；

当所述第二预测值

不比所述第一预测值

精确时，修改第二时刻的权重系数W_t+1，权重系数W_t+1减少；

以所述权重系数W_t+1与第二时刻的误差率矫正项计算出第二时刻的中间值。

3.根据权利要求1所述的方法，其特征在于，根据预先设定的误差分布规律获取误差率矫正项E_t，包括：

根据

计算所述误差率矫正项E_t；其中，f表示误差分布规律，

表示对应的分布参数平均值，

表示对应的分布参数方差。

4.根据权利要求1所述的方法，其特征在于，根据预定方式计算出第二时刻时的所述第一预测值包括：

如果第一时刻T＝t时的实际测量值V_t小于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为下降，第二时刻T＝t+1时的第一预测值

满足：以所述实际测量值V_t减去一个降值DecrementValue；

如果第一时刻T＝t时的实际测量值V_t大于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为上升；则，第二时刻T＝t+1时的第一预测值满足：以所述实际测量值V_t加上一个升值IncrementValue；

所述降值DecrementValue和升值IncrementValue预先设定。

5.根据权利要求1所述的方法，其特征在于，根据所述第一预测值

权重系数W_t以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

包括：

${\hat{V}}_{t+1}=(1-W_t*E_t)*{\stackrel{\‾}{V}}_{t+1},$

或者

${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1},$ 其中，K是不为零的常数。

6.根据权利要求5所述的方法，其特征在于，累计所述得到

当所述

大于一个误差阈值时，计算：

${\hat{e}}_{t+1}=\frac{{\hat{V}}_{t+1}-V_{t+1}}{V_{t+1}},$ ${\stackrel{\‾}{e}}_{t+1}=\frac{{\stackrel{\‾}{V}}_{t+1}-V_{t+1}}{V_{t+1}}$

$W_{t+1}=\frac{p_{t+1}}{1+p_{t+1}},$ $p_{t+1}=p_t*\left(\frac{\underset{i=0}{\overset{n=t+1}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t+1}{\mathrm{\Σ}}}\hat{e}{i}^2}\right);$

并将所述 ${\hat{V}}_{t+1}=(1-W_t*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 或者 ${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 中的W_t替换为W_t+1。

7.一种机群平台管理装置，其特征在于，包括：

工作参数采集单元，用于在第一时刻T＝t时，采集机群的工作参数，该工作参数用以描述机群的运行状况；

误差率矫正项单元，用于根据预先设定的误差分布规律获取第一时刻的误差率矫正项E_t，所述误差率矫正项用以描述：所述工作参数在第二时刻时的第一预测值

与精确值之间的误差；

第一预测单元，用于根据预定方式采用所述工作参数V_t计算出第二时刻时第一预测值；

权重系数单元，用于计算出第一时刻的权重系数W_t，包括误差率模块、权重变化系数模块和权重系数确定模块：

误差率模块，用于计算T＝i时刻的第一预测值

与实际测量值Vi之间的误差

以及T＝i时刻的第二预测值

与实际测量值Vi之间的误差 $\hat{e}i=\frac{\hat{V}i-\mathrm{Vi}}{\mathrm{Vi}};$

权重变化系数模块，用于计算T＝t时刻的权重变化系数， $p_t=p_{t-1}*\left(\frac{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\stackrel{\‾}{e}{i}^2}{\underset{i=0}{\overset{n=t}{\mathrm{\Σ}}}\hat{e}{i}^2}\right);$

权重系数确定模块，用于根据p_t确定T＝t时刻的权重系数

矫正器单元，用于根据所述第一预测值、所述权重系数以及所述误差率矫正项E_t计算出第二时刻时的第二预测值

其中，所述第一预测值、所述权重系数以及所述误差率矫正项E_t满足：

根据第一时刻的所述权重系数W_t和所述误差率矫正项E_t计算出第一时刻的中间值，该第一时刻的中间值与所述第一预测值的乘积作为所述第二预测值，且根据所述第二预测值

与所述第一预测值

的比较结果，修改所述中间值。

8.根据权利要求7所述的机群平台管理装置，其特征在于，所述第一预测单元具体包括：

第一趋势预测模块，用于如果第一时刻T＝t时的实际测量值V_t小于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为下降；则，第二时刻T＝t+1时的第一预测值

满足：以所述实际测量值V_t减去一个降值DecrementValue；

以及，

第二趋势预测模块，用于如果第一时刻T＝t时的实际测量值V_t大于前一时刻T＝t-1时的实际测量值V_t-1，则判定趋势为上升；则，第二时刻T＝t+1时的第一预测值

满足：以所述实际测量值V_t加上一个升值IncrementValue；

所述降值DecrementValue以及所述升值IncrementValue预先设定。

9.根据权利要求7所述的机群平台管理装置，其特征在于，矫正器单元具体包括：

第一矫正器模块，用于根据所述第一预测值

权重系数W_t以及所述误差率矫正项E_t，选择

计算出第二时刻时的第二预测值

和，

第二矫正器模块，用于根据所述第一预测值

权重系数W_t以及所述误差率矫正项E_t，选择 ${\hat{V}}_{t+1}=(\left(\frac{W_t}{K+W_t}\right)*E_t)*{\stackrel{\‾}{V}}_{t+1}$ 计算出第二时刻时的第二预测值

其中，K是不为零的常数。

Images