CN103793276A - 负载预测方法与电子装置 - Google Patents

Abstract

本发明提出一种负载预测方法与电子装置，其可有效地预测电子装置的资源负载记录，而提升电子装置的工作效能。在负载预测方法中，分别在多个时间周期记录电子装置的多个资源负载记录。在接收预测时间点时，计算预测时间点与目前时间点之间的时间差，其中预测时间点于时间轴上大于目前时间点。并且，判断时间差是否小于门槛值。倘若时间差小于门槛值，依据资源负载记录执行回归分析预测程序。倘若时间差未小于门槛值，依据资源负载记录执行群组分析预测程序。

Description

负载预测方法与电子装置

技术领域

本发明是有关于一种资源管理技术，且特别是有关于一种负载预测方法与电子装置。

背景技术

随着计算机运算能力的进步，生活中无时无刻都在累积大量信息，例如使用者消费行为信息、路况信息、感测数据等。面对如此大量的数据，运用云端运算的能力来分析大量数据扮演着愈来愈重要的角色。许多提供运算能力的云端服务提供者因应而生，例如著名的云端服务提供者Amazon Elastic ComputeCloud(Amazon EC2)。Amazon EC2是一种网络服务，其主要功能是在云端运算平台上提供各种规模的计算能力，提供开发人员一个便利的运算环境来执行大规模的运算。

然而，上述云端运算平台的系统资源配置方式，实际上并不能完全符合使用者的需求，例如系统资源无法被充分运用等。因此为了提升使用者的满意度以及云端运算平台的整体运算效能，通常会在云端运算平台中，建构动态资源管理机制，以有效地调配资源给所有使用者。

目前的资源管理机制例如是透过负载预测（Load prediction）的方式来达成，其中常见的负载预测方法例如是回归分析方法与类神经网络方法。回归分析方法是根据历史数据来找出最接近数据的多项式，但由于一般回归分析方法会使用多维数据来进行分析，且需要纪录各种数据来增加准确度，因此需要耗费电脑系统较大的储存空间与系统资源。此外，类神经网络（Artificial NeuralNetwork，ANN）则会不断修正预测模型，且必须根据已修正的预测模型来预测下一时间点上负载的预测值，因此亦不适合拿来进行长时间后的负载预测。

承上述，如何有效地调配系统中的资源配置，俨然已成为制造者亟欲解决的问题之一。

发明内容

本发明提供一种负载预测方法与电子装置，其可有效地预测电子装置的资源负载记录，而提升电子装置的工作效能。

本发明提出一种负载预测方法，适用于电子装置。在负载预测方法中，分别在多个时间周期记录电子装置的多个资源负载记录。接收预测时间点。计算预测时间点与目前时间点之间的时间差，其中预测时间点于时间轴上大于目前时间点。判断时间差是否小于门槛值。倘若时间差小于门槛值，依据资源负载记录执行回归分析预测（Regression-based prediction）程序。倘若时间差未小于门槛值，依据资源负载记录执行群组分析预测（Clustering-based prediction）程序。

在本发明的一实施例中，上述在依据所述资源负载记录执行回归分析预测程序的步骤中，包括针对所记录的所述资源负载记录执行回归分析演算法，以获得预测模型，并且在预测模型中取出预测时间点所对应的预测值。

在本发明的一实施例中，上述在依据资源负载记录执行群组分析预测程序的步骤中，包括将每一所述时间周期划分为多个时间区段，使得每一所述资源负载记录划分成多个数据片段。在所述时间区段中选择预测时间点对应的其中一预测时间区段。对预测时间区段在所述时间周期内的所述数据片段进行群集分析，以将所述数据片段分群成多个群集。自所述群集中，选取笔数最多的其中之一群集。计算被选择的群集所包括的数据片段的平均值，以作为预测时间点的预测值。

在本发明的一实施例中，上述在对每一所述时间区段在所述时间周期内的所述数据片段进行群集分析的步骤中，包括计算每一所述时间区段内的各数据片段之间的一相似度，并依据相似度进行群集分析。

在本发明的一实施例中，上述在分别在所述时间周期记录电子装置的所述资源负载记录的步骤中，包括在每一所述时间周期中，依据一取样速率取得资源使用量。因此，每一笔资源负载记录包括多个资源使用量。

本发明提出一种电子装置，其包括记录模块、接收模块、时间计算模块、判断模块、回归分析模块以及群组分析模块。记录模块分别在多个时间周期记录电子装置的多个资源负载记录。接收模块接收预测时间点。时间计算模块用以计算预测时间点与目前时间点之间的时间差，其中预测时间点于时间轴上大于目前时间点。判断模块用以判断时间差是否小于门槛值。回归分析模块用以依据资源负载记录执行回归分析预测程序。群组分析模块用以依据资源负载记录执行群组分析预测程序。其中，倘若判定时间差小于门槛值，判断模块通知回归分析模块执行回归分析预测程序；倘若判定时间差未小于门槛值，判断模块通知群组分析模块执行群组分析预测程序。

在本发明的一实施例中，上述的回归分析模块针对所记录的所述资源负载记录执行回归分析演算法，以获得预测模型，借以在预测模型中取出预测时间点所对应的预测值。

在本发明的一实施例中，上述的群组分析模块还包括划分模块、预测模块、分群模块、选择模块以及预测计算模块。划分模块将每一所述时间周期划分为多个时间区段，使得每一所述资源负载记录划分成多个数据片段。预测模块在所述时间区段中选择预测时间点对应的其中一预测时间区段。分群模块耦接于划分模块对预测时间区段在所述时间周期内的所述数据片段进行一群集分析，以将所述数据片段分群成多个群集。选择模块自所述群集中，选取笔数最多的其中之一群集。预测计算模块计算被选择的群集所包括的数据片段的平均值，以作为预测时间点的预测值。

在本发明的一实施例中，上述的分群模块计算每一所述时间区段内的各数据片段之间的相似度，并依据相似度进行群集分析。

在本发明的一实施例中，上述的记录模块在每一所述时间周期中，依据一取样速率取得一资源使用量。

基于上述，本发明提出一种混合式的预测方法，结合回归分析预测以及群组分析预测，让两种方法互相补足彼此的不足之处。在短时间的预测使用回归分析预测，而在长时间的预测则使用群组分析预测，借以提升预测精准度。

附图说明

为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明，其中：

图1是依照本发明第一实施例所绘示的负载预测方法的流程图。

图2是依照本发明第二实施例所绘示的群组分析预测程序的流程图。

图3是依照本发明第三实施例所绘示的电子装置的方块图。

图4是依照本发明第三实施例所绘示的群组分析模块的方块图。

主要元件符号说明：

300：电子装置

302：记录模块

304：接收模块

306：时间计算模块

308：判断模块

310：回归分析模块

312：群组分析模块

402：划分模块

404：预测模块

406：分群模块

408：选择模块

410：预测计算模块

S102~S112、S202~S210：负载预测方法的各步骤

具体实施方式

本发明提供一种负载预测方法与电子装置，其会依据预测时间点与目前时间点之间的时间差，来执行不同的预测程序，借以有效地预测电子装置在预测时间点时的资源负载记录。为了使本发明的内容更容易明了，以下特举诸实施例作为本发明确实能够据以实施的范例。

第一实施例

图1是依照本发明第一实施例所绘示的负载预测方法的流程图。本实施例中的负载预测方法，适用于电子装置，其中电子装置具有处理单元，而可利用处理单元执行储存于储存单元中的多个程序码片段，借以来实现下列负载预测方法的各步骤。

请参照图1，于步骤S102中，处理单元分别在多个时间周期记录电子装置的多个资源负载记录。具体来说，例如处理单元以每隔d分钟（d为正整数）作为取样速率，以在多个时间点分别撷取一资源使用量。也就是说，每一笔资源负载记录皆包括多笔资源使用量。举例而言，假设时间周期为24小时，且假设处理单元以每隔2分钟来取得每一笔资源负载记录，则每一笔资源负载记录包括720笔的资源使用量。

换言之，处理单元会依据取样速率在每个时间周期内取得多笔资源使用量，并记录为资源负载记录。也就是说，每个时间周期皆具有对应的一笔资源负载记录。假设时间周期为1天，则每天皆会记录有一笔资源负载记录，即当天的历史记录。

之后，于步骤S104中，处理单元会接收预测时间点。在此，预测时间点于时间轴上大于目前时间点，亦即，预测时间点是发生在未来的时间点。并且，于步骤S106中，处理单元会计算预测时间点与目前时间点之间的时间差。具体来说，假设预测时间点为5月19日上午9点，而目前时间点为5月19日上午7点，则时间差即是2小时。

接着，于步骤S108中，处理单元会判断时间差是否小于门槛值。其中，处理单元可依据使用者的设定来设定门槛值的大小。倘若预测时间点与目前时间点之间的时间差小于门槛值，执行步骤S110；倘若预测时间点与目前时间点之间的时间差未小于门槛值，执行步骤S112。

在步骤S110中，处理单元会依据所述资源负载记录执行回归分析预测程序。详细而言，在回归分析预测程序中，处理单元利用所记录的所述资源负载记录来执行回归分析（regression analysis）演算法，借以获得预测模型，进而处理单元可利用此预测模型来预测电子装置在预测时间点的资源负载记录。例如，利用统计学上的回归分析演算法来获得预测模块，即，找出一条最能够代表所有资源使用量的函数（回归估计式），而以此函数代表时间和资源使用量之间的关系。因此，将预测时间点与目前时间点带入此预测模型（即回归估计式）中，进而获得预测时间点的的预测值，即所预测的资源使用量。

倘若时间差未小于门槛值，则如步骤S112所示，处理单元会依据所述资源负载记录执行群组分析预测程序。具体来说，在群组分析预测程序中，处理单元会对预测时间点对应的预测时间区段的所述资源负载记录进行群集分析，以将此预测时间区段中的所述资源负载记录分成多个群集，并且在所述群集中，选取笔数最多的其中之一群集的平均值，以作为预测时间点的预测值。

基于上述，本实施例可利用电子装置在多个时间周期所记录的多个资源负载记录，来预测电子装置在预测时间点时的资源使用量。在本实施例中，依据预测时间点与目前时间点之间的时间差，在回归分析预测程序与群组分析预测程序中选择其一来预测电子装置在预测时间点时的资源使用量。其中，当预测时间点接近目前时间点时（即，时间差小于门槛值），可透过回归分析预测程序来预测资源使用量。反之，当预测时间点不接近目前时间点时（即，时间差未小于门槛值），可透过群组分析预测程序来预测资源使用量。借此，根据所记录的资源负载记录，可预测在不同应用需求与操作环境中的资源使用情况，进而有效地预测发生在未来时间点上的资源使用量的预测值，据以根据此预测值来调整电子装置中的资源使用分配。因此，电子装置可避免负载不均的情形，且可具有较高的工作效能。

底下再举一实施例来详细说明上述群组分析预测程序。

第二实施例

图2是依照本发明第二实施例所绘示的群组分析预测程序的流程图。在本实施例中，电子装置储存有在多个时间周期所记录的多个资源负载记录，即，每个时间周期皆具有对应的一笔资源负载记录。

请参照图2，在步骤S202中，处理单元会将每一时间周期划分为多个时间区段，使得每一笔资源负载记录划分成多个数据片段。举例来说，假设时间周期为一天，且处理单元将一天分成4个时间区段，则每一个时间区段的时间为6小时，即，将每一天的资源负载记录划分为0:00-6:00、6:00-12:00、12:00-18:00以及18:00-24:00等六个数据片段。以取样速率为2分钟为例，每一个数据片段中皆分别包括有180笔资源使用量。另外，在每个时间区段会包括多个时间周期在该时间区段的数据片段。以10笔资源负载记录而言，即10天的历史记录，在时间区段6:00-12:00会包括10笔数据片段，也就是这10天中在6:00-12:00的数据片段。其余亦以此类推。

接着，于步骤S204中，处理单元会在所述时间区段中选择预测时间点对应的其中一预测时间区段。也就是说，处理单元会选择包括此预测时间点的时间区段为预测时间区段。

之后，于步骤S206中，处理单元会对预测时间区段在上述时间周期内的数据片段进行群集分析，以将数据片段分群成多个群集。详细而言，处理单元在进行群集分析时，可在每一个时间区段内的各数据片段中，计算在相同时间点所取得的资源负载记录之间的距离总和，据以利用此距离总和计算出在每一所述时间区段内的各数据片段之间的一相似度，并将具有较大相似度的数据片段分成同一群集，其中处理单元利如是透过序列间编辑距离（Edit Distance onReal sequence，EDR）演算法、最长共同子序列（Longest Common Subsequence，LCS）演算法、实补偿编辑距离（Edit distance with Real Penalty，ERP）演算法或动态时间校正（Dynamic Time Warping，DTW）演算法等，不限于上述，但本实施例的处理单元透过EDR演算法来计算相似度为较佳。

另外，上述群集分析例如是透过k均值聚类（K-means）分群法、空间聚演算法（Density-Based Spatial Clustering of Applications with Noise，DBScan）、或是透过阶层式分群法（Hierarchical clustering），以将每一时间周期各时间区段中的数据片段分成多个群集。本实施例以k均值聚类（K-means）分群法为较佳，但本实施例并不限制群集分析的方法。

接着，于步骤S208中，处理单元会自上述处理单元所分成的群集中，选取笔数最多的其中之一群集。并且，于步骤S210中，处理单元会计算被选择的群集所包括的数据片段的平均值，以作为预测时间点的预测值。亦即，处理单元会将被选择的群集所包括的数据片段中的资源负载记录取平均，并求出此群集的平均值来做为预测时间点的资源负载记录。

举例来说，以30笔资源负载记录，时间周期为1天，每天所划分为6个时间区段（0:00-4:00、4:00-8:00、8:00-12:00、12:00-16:00、16:00-20:00、20:00-24:00）为例，假设预测时间点为3:00，则所选择出的预测时间区段为0:00-4:00。据此，在30笔资源负载记录中取出预测时间区段0:00-4:00的数据片段（30笔），对此30笔数据片段进行群集分析。假设获得群集A、群集B及群集C，其分别包括10笔、15笔及5笔的数据片段。据此，取出具有15笔数据片段对应的群集C。之后，计算群集C的15笔数据片段的平均值。或者，仅计算群集C在预测时间点3:00的平均值作为预测值，

基于上述，本实施例可利用电子装置在多个时间周期被记录的多个资源负载记录，来预测电子装置在预测时间点时的资源负载记录。特别是，当预测时间点不接近目前时间点时（即，时间差未小于门槛值），可透过群组分析预测程序来预测资源负载记录，借以在预测时间点对应的预测时间区段中，选取大部分所记录的资源负载记录的平均值以作为预测时间点的资源负载记录的预测值。据此，可有效地预测资源负载记录发生在未来时间点上的预测值，并可依据此预测值来调整电子装置中的资源使用分配，而达到提升工作效能的目地。

针对上述负载预测方法，本发明亦提供对应的电子装置，使得此方法可应用在个人电脑、笔记本电脑、平板电脑、个人数字助理（Personal DigitalAssistant，PDA）、服务器、手机等硬件装置上，以下则再举一实施例详细说明。

第三实施例

图3是依照本发明第三实施例所绘示的电子装置的方块图。请参照图3，电子装置300例如是个人电脑、笔记本电脑、平板电脑、个人数字助理（PersonalDigital Assistant，PDA）、服务器、手机等电子装置等，本发明并不对电子装置300的种类加以限制。

请参照图3中，电子装置300包括记录模块302、接收模块304、时间计算模块306、判断模块308、回归分析模块310以及群组分析模块312。上述各模块的功能分述如下。

记录模块302用以记录电子装置300的多个资源负载记录，即历史记录。上述资源负载记录例如是中央处理单元（Central Processing Unit，CPU）的使用率、存储器使用率、分页档（Page File，PF）使用量或网络使用量等，不限于上述。此外，记录模块302可依据使用者所设定的记录时间来记录的电子装置300的资源负载记录，其中记录时间例如是一周或数周的时间、一个或多个月的时间等等，本实施例不限制记录时间的长度。也就是说，在上述记录时间中，记录模块302可依照电子装置300在不同的应用需求与操作环境中的资源使用情况，而取得不同的资源负载记录。

举例来说，当电子装置300进入进阶组态与电源介面（AdvancedConfiguration and Power Interface，简称ACPI）的睡眠（Sleep）模式或休眠（Hibernate）模式时，由于电子装置300会维持在较低效能的工作运作，因此记录模块302可记录到较低的资源使用量。另一方面，当电子装置300进入正常工作模式时，例如，电子装置300执行软件、应用程序或其他执行程序的时候，由于电子装置300会维持在较高效能的工作运作，因此记录模块302可记录到较高的资源使用量。

接收模块304用以接收预测时间点，其中预测时间点在时间轴上大于目前时间点。也就是说，本实施例可预测电子装置300在此预测时间点时的资源使用量。此外，接收模块304可依据使用者所设定的时间点来做为预测时间点。

时间计算模块306耦接于接收模块304。时间计算模块306用以计算预测时间点与目前时间点之间的时间差。举例来说，时间计算模块306可将预测时间点与目前时间点相减，而取得时间差。

判断模块308耦接于时间计算模块306。判断模块308会比较时间计算模块306所求得的时间差与门槛值的大小，以判断此时间差是否小于门槛值，其中判断模块308可依据使用者所设定的门槛值的大小来进行判断。

回归分析模块310耦接于判断模块308与记录模块302。在本实施例中，回归分析模块310会依据记录模块302所记录的资源负载记录来执行回归分析预测程序。具体来说，在回归分析预测程序中，回归分析模块310会针对记录模块302在所述时间周期所记录的资源负载记录执行回归分析演算法，以获得一预测模型，借以在此预测模型中取出预测时间点所对应的预测值。

群组分析模块312会依据资源负载记录来执行群组分析预测程序。具体来说，在群组分析预测程序中，群组分析模块312会在预测时间点对应的预测时间区段中，选取大部分所述资源负载记录的平均值以作为预测时间点的资源负载记录的预测值。

在此说明的是，本实施例的记录模块302、接收模块304、时间计算模块306、判断模块308、回归分析模块310以及群组分析模块312分别为由一个或数个逻辑闸组合而成的硬件电路来实作。

或者，在本发明另一实施例中，记录模块302、接收模块304、时间计算模块306、判断模块308、回归分析模块310以及群组分析模块312可以是以电脑程序码来实作。举例来说，记录模块302、接收模块304、时间计算模块306、判断模块308、回归分析模块310以及群组分析模块312例如是由程序语言所撰写的程序码片段来实作于应用程序、操作系统或驱动程序等，而所述程序码片段储存在储存单元中，并借由处理单元来执行的。

另外值得一提的是，在其他实施例中，电子装置300还包括处理单元与储存单元，而处理单元分别耦接至记录模块302、接收模块304、时间计算模块306、判断模块308、回归分析模块310以及群组分析模块312，借以驱动上述各模块，上述各模块透过处理单元的控制来协同完成上述功能。

进一步而言，上述处理单元为具备运算能力的硬件（例如芯片组、处理器等），用以控制电子装置300的整体运作。处理单元例如是中央处理单元（CentralProcessing Unit，CPU），或是其他可编程的微处理器（Microprocessor）、数字信号处理器（Digital Signal Processor，DSP）、可编程控制器、特殊应用集成电路（Application Specific Integrated Circuits，ASIC）、可编程逻辑装置（Programmable Logic Device，PLD）或其他类似装置。

此外，上述储存单元可以是内嵌式储存单元或外接式储存单元。内嵌式储存单元可为随机存取存储器（Random Access Memory，RAM）、唯读存储器（Read-Only Memory，ROM）、快闪存储器（Flash memory）、磁盘储存装置（Magnetic disk storage device）等。外接式储存单元可为小型快闪（CompactFlash，CF）存储卡、安全数字（Secure Digital，SD）存储卡、微安全数字（MicroSD）存储卡、记忆棒（Memory Stick，MS）等。在本实施例中，储存单元可储存一或多个用来执行负载预测方法的程序码以及数据（例如，记录模块302所记录的所述资源负载记录、门槛值等）等。

为了使本领域的技术人员进一步了解本实施例的负载预测方法以及使用此方法的电子装置，以下再举例，针对群组分析模块312进行详细的说明。

图4是依照本发明第三实施例所绘示的群组分析模块的方块图。请参照图4，群组分析模块312包括划分模块402、预测模块404、分群模块406、选择模块408以及预测计算模块410。群组分析模块312中的各模块的功能分述如下。

划分模块402用以执行上述步骤S202，即，将每一时间周期划分为多个时间区段，使得每一时间周期中的资源负载记录划分成多个数据片段。预测模块404会执行上述步骤S204，即，在时间周期中，选择与预测时间点相符合的时间区段。分群模块406用以执行上述步骤S206，即，群集分析的运算。选择模块408用以执行上述步骤S208，即，在多个群集中选择其中之一群集。预测计算模块410用以执行上述步骤S210，计算资源负载记录的平均值。

此外，划分模块402、预测模块404、分群模块406、选择模块408以及预测计算模块410亦可以是由程序语言所撰写的程序码或是为独立的芯片。上述划分模块402、预测模块404、分群模块406、选择模块408以及预测计算模块410的详细说明可参照图2，在此不再详述。

第四实施例

为了使本领域的技术人员进一步了解本实施例的负载预测方法以及使用此方法的电子装置，底下再举一实施例说明，其中，仍搭配图3的电子装置300来进行说明。

在本实施例中，假设记录模块302以一天为一个时间周期，且每隔2分钟记录每一笔资源使用量，而记录了5月1日到5月14日之间电子装置300的14笔资源负载记录。也就是说，记录模块302在所记录的14个时间周期中（底下以时间周期T1~T14表示），记录了10080笔资源使用量。

在此，假设接收模块304所接收到的预测时间点为5月15日上午9点，而目前时间点为5月15日上午8点，且门槛值为2小时。接着，判断模块308会判断预测时间点（即5月15日上午9点）与目前时间点点（5月15日上午8点）之间的时间差（即1小时）是否小于门槛值。由于判断模块308的判断结果为是，即预测时间点与目前时间点点之间的时间差是小于门槛值，因此，回归分析模块310会依据5月1日到5月14日之间电子装置300的10080笔资源使用量来执行回归分析预测程序。

详细而言，在回归分析预测程序，回归分析模块310会依据这10080笔资源使用量来执行回归分析演算法，以获得预测模型，其中此预测模型中可包括目前时间点（5月15日上午8点）到预测时间点（即5月15日上午9点）之间的各时间点（即每隔2分钟）所对应的预测值。也就是说，回归分析模块310可将预测时间点（即5月15日上午9点）带入上述预测模型中，据以在此预测模型中取出预测时间点所对应的预测值来做为预测的资源使用量。

在本实施例中，由于预测时间点接近目前时间点时（即，时间差小于门槛值），因此电子装置300会透过回归分析预测程序来预测资源使用量，借以有效地预测资源使用量在未来时间点上的预测值。

另一方面，承接于上述实施例，倘若接收模块304所接收到的预测时间点为5月15日上午10点，而目前时间点为5月15日上午6点，且门槛值为2小时。在此，判断模块308会判断预测时间点（即5月15日上午10点）与目前时间点点（5月15日上午6点）之间的时间差（即3小时）是否小于门槛值。由于判断模块308的判断结果为否，即预测时间点与目前时间点点之间的时间差未小于门槛值，因此，群组分析模块312会依据5月1日到5月14日之间电子装置300的10080笔资源使用量以执行群组分析预测程序。

详细而言，在回归分析预测程序中，划分模块402会将时间周期T1~T14划分为多个时间区段，使得时间周期T1~T14中的资源负载记录划分成多个数据片段。

需说明的是，在本实施例中，假设划分模块402将时间周期T1~T14分别划分为4个时间区段（底下以时间区段TS1~TS4表示）。亦即，以每一个时间周期（即，一天）会被划分模块402划分为4个时间区段，其中每一个区段的时间为6小时。更具体来说，在每一个时间周期中的午夜0点到早上6点之间为时间区段TS1，每一个时间周期中的早上6点到中午12点之间为时间区段TS2，每一个时间周期中的中午12点到晚上18点之间为时间区段S3，而每一个时间周期中的晚上18点到晚上12点之间为时间区段S4。

接着，预测模块404会在时间区段TS1~TS4中选择预测时间点对应的其中一预测时间区段。在此，由于预测时间点为5月15日上午10点系对应于每一时间周期的时间区段S2，因此预测模块404会选择时间区段S2为预测时间区段（底下以预测时间区段Q表示）。

进一步而言，分群模块406会对预测时间区段Q在时间周期T1~T14中，记录模块302所记录的数据片段进行群集分析。在此，假设分群模块406依据K-means群集分析将数据片段分成5个群集（底下以群集C1~C5表示），并假设群集C3具有笔数最多的数据片段，则选择模块408会在群集C1~C5中选取群集C3。接着，预测计算模块410会计算群集C3所包括在时间周期T1~T14中的数据片段的平均值，以作为预测时间点（即5月15日上午9点）的预测值，据以将此预测值来做为预测的资源使用量。

在本实施例中，由于预测时间点距离目前时间点较远时（即，时间差未小于门槛值），因此电子装置300会透过群组分析预测程序来预测资源使用量，借以在预测时间点对应的预测时间区段中，选取大部分所记录的资源使用量的平均值以作为预测时间点的资源使用量的预测值。如此一来，电子装置300可有效地依据此预测值来预测在未来时间点上的资源使用量。

综上所述，本发明实施例的负载预测方法与电子装置，电子装置会利用在多个时间周期被记录的多个资源负载记录，来预测在预测时间点时的资源使用量。其中，当预测时间点与目前时间点之间的时间差小于门槛值时，电子装置会透过回归分析预测程序来预测资源使用量。然而，当预测时间点与目前时间点之间的时间未小于门槛值时，电子装置会透过群组分析预测程序来预测资源使用量。借此，电子装置可根据所记录的资源负载记录，来预测在不同应用需求与操作环境中的资源使用情况，以计算出在资源使用量在预测时间点上的预测值。如此一来，电子装置可据以根据此预测值来调整资源使用分配，以避免电子装置发生负载不均的情形，进而提升电子装置的工作效能。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (10)

1.一种负载预测方法，适用于一电子装置，该方法包括：

分别在多个时间周期记录该电子装置的多个资源负载记录；

接收一预测时间点；

计算该预测时间点与一目前时间点之间的一时间差，其中该预测时间点于一时间轴上大于该目前时间点；

判断该时间差是否小于一门槛值；

倘若该时间差小于该门槛值，依据所述资源负载记录执行一回归分析预测程序；以及

倘若该时间差未小于该门槛值，依据所述资源负载记录执行一群组分析预测程序。

2.如权利要求1所述的负载预测方法，其特征在于，依据所述资源负载记录执行该回归分析预测程序的步骤包括：

针对所记录的所述资源负载记录执行一回归分析演算法，以获得一预测模型；以及

在该预测模型中取出该预测时间点所对应的一预测值。

3.如权利要求1所述的负载预测方法，其特征在于，依据所述资源负载记录执行该群组分析预测程序的步骤包括：

将每一所述时间周期划分为多个时间区段，使得每一所述资源负载记录划分成多个数据片段；

在所述时间区段中选择该预测时间点对应的其中一预测时间区段；

对该预测时间区段在所述时间周期内的所述数据片段进行一群集分析，以将所述数据片段分群成多个群集；

自所述群集中，选取笔数最多的其中之一群集；以及

计算该被选择的群集所包括的所述数据片段的平均值，以作为该预测时间点的预测值。

4.如权利要求3所述的负载预测方法，其特征在于，在对每一所述时间区段在所述时间周期内的所述数据片段进行该群集分析的步骤包括：

计算每一所述时间区段内的各该数据片段之间的一相似度，并依据该相似度进行该群集分析。

5.如权利要求1所述的负载预测方法，其特征在于，在分别在所述时间周期记录该电子装置的所述资源负载记录包括：

在每一所述时间周期中，依据一取样速率取得多个资源使用量，其中每一所述资源负载记录包括在每一所述时间周期中所获得的所述资源使用量。

6.一种电子装置，包括：

一记录模块，分别在多个时间周期记录该电子装置的多个资源负载记录；

一接收模块，接收一预测时间点；

一时间计算模块，计算该预测时间点与一目前时间点之间的一时间差，其中该预测时间点于一时间轴上大于该目前时间点；

一回归分析模块，依据所述资源负载记录执行一回归分析预测程序；

一群组分析模块，依据所述资源负载记录执行一群组分析预测程序；以及

一判断模块，判断该时间差是否小于一门槛值，倘若判定该时间差小于该门槛值，该判断模块通知该回归分析模块执行该回归分析预测程序；倘若该判定时间差未小于该门槛值，该判断模块通知该群组分析模块执行该群组分析预测程序。

7.如权利要求6所述的电子装置，其特征在于，该回归分析模块针对所记录的所述资源负载记录执行一回归分析演算法，以获得一预测模型，借以在该预测模型中取出该预测时间点所对应的一预测值，其中所述资源负载记录为该记录模块分别在所述时间周期所记录。

8.如权利要求6所述的电子装置，其特征在于，该群组分析模块还包括：

一划分模块，将每一所述时间周期划分为多个时间区段，使得每一所述资源负载记录划分成多个数据片段；

一预测模块，在所述时间区段中选择该预测时间点对应的其中一预测时间区段；

一分群模块，对该预测时间区段在所述时间周期内的所述数据片段进行一群集分析，以将所述数据片段分群成多个群集；

一选择模块，自所述群集中，选取笔数最多的其中之一群集；以及

一预测计算模块，计算该被选择的群集所包括的所述数据片段的平均值，以作为该预测时间点的预测值。

9.如权利要求8所述的电子装置，其特征在于，该分群模块计算每一所述时间区段内的各该数据片段之间的一相似度，并依据该相似度进行该群集分析。

10.如权利要求6所述的电子装置，其特征在于，该记录模块在每一所述时间周期中，依据一取样速率取得多个资源使用量，其中每一所述资源负载记录包括在每一所述时间周期中所获得的所述资源使用量。

Images