CN110674019B - 一种预测系统故障的方法、装置及电子设备 - Google Patents
一种预测系统故障的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110674019B CN110674019B CN201910819015.3A CN201910819015A CN110674019B CN 110674019 B CN110674019 B CN 110674019B CN 201910819015 A CN201910819015 A CN 201910819015A CN 110674019 B CN110674019 B CN 110674019B
- Authority
- CN
- China
- Prior art keywords
- sequence data
- prediction
- type sequence
- prediction model
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种预测系统故障的方法、装置及电子设备,所述方法包括:获取待预测目标系统的趋势型序列数据和随机型序列数据;将所述趋势型序列数据输入第一预测模型,得到第一预测值,将所述随机型序列数据输入第二预测模型,得到第二预测值,所述第一预测模型基于所述待预测目标系统的历史趋势型序列数据训练得到,所述第二预测模型基于所述待预测目标系统的历史随机型序列数据训练得到;根据所述第一预测值以及所述第二预测值,对所述待预测目标系统进行故障预测,通过本发明实施例,可以基于序列数据的特点,采取与序列数据特点对应的预测模型进行系统故障预测,从而提高了系统故障预测的准确性。
Description
技术领域
本发明涉及系统故障领域,尤其涉及一种预测系统故障的方法、装置及电子设备。
背景技术
随着信息系统建设规模的不断扩大、信息化架构面临深刻变革,其发生故障的概率以及不良影响也越来越大,因此,事先对信息系统运行状态进行有效的预测变得越来越重要。
传统技术中,通常基于信息系统的运行状态数据,采用单一模型预测方法例如,自回归移动平均模型预测法、BP神经网络模型预测法、灰度预测模型对信息系统的运行状态进行预测。然而,由于信息系统的运行状态数据通常是非线性、时变的时间序列数据,如运行状态数据可以包括趋势型序列数据和随机型序列数据两部分数据,因此,采用单一的预测方法很难对信息系统的运行状态进行精确的预测。
发明内容
本发明实施例的目的是提供一种预测系统故障的方法、装置及电子设备,以解决传统预测技术中,采用单一的预测方法很难对信息系统的运行状态进行精确预测的问题,能够精确地预测信息系统的运行状态。
为解决上述技术问题,本发明实施例是这样实现的:
第一方面,本发明实施例提供的一种预测系统故障的方法,所述方法包括:
获取待预测目标系统的趋势型序列数据和随机型序列数据;将所述趋势型序列数据输入第一预测模型,得到第一预测值,将所述随机型序列数据输入第二预测模型,得到第二预测值,所述第一预测模型基于所述待预测目标系统的历史趋势型序列数据训练得到,所述第二预测模型基于所述待预测目标系统的历史随机型序列数据训练得到;根据所述第一预测值以及所述第二预测值,对所述待预测目标系统进行故障预测。
在一种实现方式中,在所述将所述随机型序列数据输入第二预测模型,得到第二预测值之前,包括:基于所述历史随机型序列数据获取与所述历史随机型序列数据对应的自相关函数图以及偏自相关函数图;根据所述自相关函数图以及所述偏自相关函数图,确定所述第二预设预测模型的最优参数,所述最优参数至少包括自回归项系数和移动平均项系数;基于所述第二预设预测模型的最优参数构建所述第二预设预测模型。
在一种实现方式中,所述根据所述自相关函数图以及所述偏自相关函数图,确定所述第二预设预测模型的最优参数,包括:根据所述自相关函数图的截尾以及所述偏自相关函数图的拖尾,确定所述第二预设预测模型的相关参数集;基于预设信息准则,从所述相关参数集中选取最优参数。
在一种实现方式中,在所述基于所述历史随机型序列数据获取与所述历史随机型序列数据对应的自相关函数图以及偏自相关函数图之前,包括:当所述历史随机型序列数据为非平稳时间序列数据时,对所述历史随机型序列数据进行差分处理转化为所述平稳时间序列数据。
在一种实现方式中,在所述基于所述第二预设预测模型的最优参数构建所述第二预设预测模型之后,包括:当所述第二预设预测模型拟合不充分时,则根据所述自相关函数图以及所述偏自相关函数图,重新确定所述第二预设预测模型的最优参数,所述拟合不充分至少包括拟合过度和/或所述最优参数冗余。
在一种实现方式中,所述根据所述第一预测值以及所述第二预测值,对所述待预测目标系统进行故障预测,包括:将所述第一预测值以及所述第二预测值按照预设方式合并,作为所述待预测目标系统的故障预测结果。
第二方面,本发明实施例提供了一种预测系统故障的装置,所述装置包括:
获取模块,用于获取待预测目标系统的趋势型序列数据和随机型序列数据;
处理模块,用于将所述趋势型序列数据输入第一预测模型,得到第一预测值,将所述随机型序列数据输入第二预测模型,得到第二预测值,所述第一预测模型基于所述待预测目标系统的历史趋势型序列数据训练得到,所述第二预测模型基于所述待预测目标系统的历史随机型序列数据训练得到;
预测模块,用于根据所述第一预测值以及所述第二预测值,对所述待预测目标系统进行故障预测。
在一种实现方式中,所述装置还包括:函数图确定模块,用于基于所述历史随机型序列数据获取与所述历史随机型序列数据对应的自相关函数图以及偏自相关函数图;参数确定模块,用于根据所述自相关函数图以及所述偏自相关函数图,确定所述第二预设预测模型的最优参数,所述最优参数至少包括自回归项系数和移动平均项系数;构建模块,用于基于所述第二预设预测模型的最优参数构建所述第二预设预测模型。
在一种实现方式中,所述参数确定模块包括:确定单元,用于根据所述自相关函数图的截尾以及所述偏自相关函数图的拖尾,确定所述第二预设预测模型的相关参数集;选取单元,用于基于预设信息准则,从所述相关参数集中选取最优参数。
在一种实现方式中,所述装置还包括差分处理模块,用于当所述历史随机型序列数据为非平稳时间序列数据时,对所述历史随机型序列数据进行差分处理,以转化为所述平稳时间序列数据。
在一种实现方式中,所述装置还包括参数处理模块,用于当所述第二预设预测模型拟合不充分时,则根据所述自相关函数图以及所述偏自相关函数图,重新确定所述第二预设预测模型的最优参数,所述拟合不充分至少包括拟合过度和/或所述最优参数冗余。
在一种实现方式中,所述预测模块用于将所述第一预测值以及所述第二预测值按照预设方式合并,作为所述待预测目标系统的故障预测结果。
第三方面,本发明实施例提供一种预测系统故障的电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述实施例提供的预测系统故障的方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述实施例提供的预测系统故障的方法的步骤。
由以上本发明实施例提供的技术方案可见,本发明实施例中,获取待预测目标系统的趋势型序列数据和随机型序列数据后,由于可以基于序列数据的类型特点,将不同类型的序列数据输入不同的预测模型中进行预测,这样避免了传统技术中对不同类型的序列数据进行预测时采用单一预测模型方法,能够结合序列数据特点采取对应预测模型,从而提高系统故障预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种预测系统故障的方法的流程示意图;
图2为本发明实施例提供的一种预测系统故障的方法的流程示意图;
图3为本发明实施例提供的一种预测系统故障的装置的结构示意图;
图4为本发明实施例提供的一种预测系统故障的电子设备的结构示意图。
具体实施方式
本发明实施例提供一种预测系统故障的方法、装置及电子设备。
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一
通常,由于信息系统的运行状态信息是非线性、时变的时间序列数据,因此,信息系统的运行状态信息中可能包含不同类型的序列数据,根据信息系统的运行状态信息对信息系统进行故障预测时,可以结合运行状态信息中各序列数据的特点,采用多种预测模型对信息系统进行故障预测,并按各预测模型所占的权重,将各预测模型对应的预测结果进行线性叠加作为信息系统的故障预测结果。
例如,可以采用指数平滑预测法和自回归移动平均模型预测法对信息系统进行故障预测,且假设两种预测算法的权重均为0.5,采用指数平滑预测法基于信息系统的运行状态信息对信息系统进行预测后,得到的预测结果为a,采用自回归移动平均模型预测法基于信息系统的运行状态信息对信息系统进行预测后,得到的预测结果为b,则信息系统的故障预测结果为(0.5*a+0.5*b)。
然而,如上述方法所示,结合两种预测算法基于信息系统的运行状态信息对信息系统进行故障预测时,虽然可以保证预测结果的准确性,但是,由于信息系统的所有运行状态信息在预测过程中均需要经过两次预测模型处理,这样,可能会降低故障预测的处理速度。
为了避免上述问题,在保证预测准确率的情况下,同时提高预测处理速度,本发明实施例提供了一种预测系统故障的方法,该方法的执行主体可以为终端设备或服务器,其中,终端设备可以如个人计算机等设备,也可以如手机、平板电脑等终端设备,服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。
发明构思可以概括如下:由于信息系统的使用时间、系统负载是强规律性的,所以信息系统的部分运行状态信息可能具有一定的趋势性,即信息系统的运行状态信息除随机型序列数据外,至少还包括部分趋势型序列数据,因此,本发明实施例中可以将两部分序列数据分别输入到对应的预测模型进行预测,如此一来,每部分序列数据可以采用与序列数据特点对应的预测模型,且只需要进行一次处理即可完成预测,在保证预测准确率的情况下,提高了预测处理速度。该方法具体可以包括以下步骤:
步骤S101,获取待预测目标系统的趋势型序列数据和随机型序列数据。
其中,趋势型序列数据,即待预测目标系统的运行状态信息中均值、方差和协方差等,不会随着时间变化,发生变化的序列数据。趋势型序列数据包括长期性趋势型序列数据和季节性趋势型序列数据。
随机型序列数据,即待预测目标系统的运行状态信息中的均值、方差和协方差等,可能随着时间变化发生变化的序列数据。
在一个实施例中,可以按预定的时间间隔直接获取待预测目标系统的趋势型序列数据和随机型序列数据。其中,获取序列数据的工具例如可以包括代码级服务器端性能监控工具、浏览器性能采集工具、服务器端资源监控工具、网络性能数据采集工具以及基于模拟真实用户操作的性能采集工具等。上述序列数据的获取方式以及获取工具仅是一种示例性说明,并不对本发明造成任何限定。
或者,在一种实现方式中,还可以先获取到待预测目标系统的运行状态信息中的所有序列数据,然后对序列数据中的趋势型序列数据和随机型序列数据进行分离,实施步骤如下:
首先,可以通过如下中心化移动平均值公式[1]或[2],从目标系统的序列数据中确定出趋势型序列数据中的长期性趋势型序列数据。
需要说明的是,当时间序列频率为奇数时,采用上述公式[1]确定趋势型序列数据,当时间序列频率为偶数时,采用上述公式[2]确定趋势型序列数据。其中,Tt为趋势型序列数据项,f为时间序列频率,l为时间序列长度,xt为原始序列数据。
其次,可以将各个周期内频率相同的序列数据值进行平均化,得到季节性趋势型序列数据。
最后,从原始序列中去除季节性趋势型序列数据以及长期性趋势型序列数据,剩下的序列数据即随机型序列数据。
根据步骤S101获取到待预测目标系统的趋势型序列数据和随机型序列数据后,可以执行如下步骤S102,获取各序列数据对应的预测值。
步骤S102,将趋势型序列数据输入第一预测模型,得到第一预测值,将随机型序列数据输入第二预测模型,得到第二预测值。
其中,第一预测模型基于待预测目标系统的历史趋势型序列数据训练得到,第二预测模型基于待预测目标系统的历史随机型序列数据训练得到。
为了保证序列数据对应的的预测结果的准确性,可以基于序列数据的类型特点采用对应的预测模型进行预测,例如将趋势型序列数据输入与趋势型序列数据类型特点一致的第一预测模型,将随机型序列数据输入与随机型序列数据类型特点一致的第二预测模型,这样,各预测模型可以结合自身的优势对序列数据进行处理,得到精确的预测结果。
在一种实现方式中,第一预测模型可以是基于历史趋势型序列数据训练得到的可以处理趋势型序列数据的指数平滑预测模型,例如,Holt-Winters-季节性预测模型。第二预测模型可以是基于历史随机型序列数据训练得到的可以用于处理随机型序列数据的预测模型,例如,自回归模型、移动平均模型、自回归移动平均模型,累计式自回归移动平均模型等。
其中,第一预测模型为指数平滑预测模型、第二预测模型为自回归模型、移动平均模型或自回归移动平均模型或累计式自回归移动平均模型等,仅是一种示例性说明,并不对本发明实施例造成任何限定。
步骤S103,根据第一预测值以及第二预测值,对待预测目标系统进行故障预测。
在一种实现方式中,可以在服务器端设定合适范围的故障阈值,基于第一预测值和第二预测值的权重累加结果,与故障阈值进行比较,若权重叠加结果超过故障阈值,则视为待预测目标系统出现异常。
其中,计算第一预测值和第二预测值的权重累加结果时,可以采用如下方式:(1)分别计算第一预测模型、第二预测模型的预测误差平方和;(2)基于误差平方和分别计算第一预测模型、第二预测模型的权值;(3)计算第一预测模型、第二预测模型的补偿因子;(4)基于补偿因子与权值确定各预测模型的权重。
上述步骤(1)中,计算第一预测模型、第二预测模型的预测误差平方和的公式[3]如下:
Eii为预测模型的预测误差平方和,Xit为预测模型在t时刻的值,xt为序列数据第t时刻的观测值,N为序列数据的长度。预测误差平方和与预测精度成反比,即该值越大预测模型的预测精度越低,对应加权系数越低。
上述步骤(2),基于误差平方和分别计算第一预测模型、第二预测模型的权值,可以采用如下公式[4]:
其中,li表示预测模型的权值,m表示预设模型的数量,此处m=2。
步骤(3),计算第一预测模型、第二预测模型的补偿因子,包括如下步骤:
首先,采用如下公式[5]、[6]分别计算趋势型序列数据和随机型序列数据的占比因子.
其中,D序列数据为观测数据,D1、D2分别为趋势型序列数据和随机型序列数据,D1’表示趋势型序列部分预测数据、D2’表示部分随机型序列部分预测数据,D1”表示趋势型序列数据的占比因子,D2”表示随机型序列数据的占比因子。
其次,根据下述公式[7],分别计算趋势型序列数据的补偿因子W1、随机型序列数据的补偿因子W2:
其中,W1+W2=1。
步骤(4),基于补偿因子与权值分别采用如下公式[8]、[9]确定第一预测模型的权重Q1、第二预测模型的权重Q2。
Q1=l1*W1 [8]
Q2=l2*W2 [9]
沿用上述实例,若假设第一预测值以及第二预测值分别为a、b,则第一预测值和第二预测值的权重累加结果为(a*Q1+b*Q2),若该值超过故障阈值,则视为待预测目标系统出现异常。
或者,在一个实施例中,还可以分别基于趋势型序列数据和随机型序列数据设置对应阈值,然后根据第一预测值与阈值的比较结果、第二预测值与阈值的比较结果,对待预测目标系统进行故障预测。
例如,对于波动平稳的随机型序列数据,可以在服务器端设定合适范围的恒定阈值,若当前第二预测值超过该阈值范围,则视为待预测目标系统出现异常。其中,恒定阈值的取值可依据待预测目标系统的历史随机型序列数据并使用统计学方法进行阈值的自动计算。
对于具有明显趋势性、周期性的趋势型序列数据,如信息系统业务层的数据往往具有以天为周期的周期性和逐渐增长的趋势性,一般可以采用动态阈值预测法,确定阈值。
例如,在一个实施例中,首先,可采用指数平滑法,比如三次指数平滑法,学习目标系统的趋势型序列数据的趋势性,再将趋势型序列数据按天进行分段,并设定动态时间窗口,将不同天中同一时间窗口的运行状态数据视为服从正态分布,再按3σ原则对不同时间窗口的运行状态数据设定不同的动态阈值,若第一预测值超过该阈值范围,则视为待预测目标系统出现异常。
在一种实现方式中,根据第一预测值以及第二预测值,对待预测目标系统进行故障预测后,若确定目标系统发生故障,则还可以根据序列数据与事件间的关联关系,进行因果推导,并最终锁定故障位置,从而达到服务高可用性的目标。
在一个实施例中,根据序列数据与事件间的关联关系,进行因果推导锁定故障位置时,例如可以基于知识库(领域专家知识)和推理机(逻辑推导引擎)组成故障诊断树,其中,知识库中存储着运维人员的经验知识,通过不同层次指标的分析方向和下探方法形成树状结构,推理机则可采用机器学习中的二叉决策树算法,从树上某个节点进行逐级探查,并最终锁定问题根因。成功找出根因后,再将这条故障追踪列表加入知识库,不断丰富知识库的经验知识。
在一种实现方式中,根据第一预测值以及第二预测值,对待预测目标系统进行故障预测后,若确定目标系统可能存在故障风险,则可以将故障风险接入预警平台并统一格式化处理,然后对故障风险进行同类挖掘、合并压缩,最后将压缩后的故障风险发送给相关人员处理。
其中,预警平台首先对传入的故障风险进行统一格式化处理,再将同类故障风险进行合并压缩,可以避免故障风险的繁杂通告给运维人员带来困扰,漏掉重要预警。合并压缩故障风险一般采用固定时间窗口策略,将时间相近的故障风险进行合并发送,或采用固定监控对象策略,即将相同监控对象的故障风险进行合并发送通知信息。
发送通知信息的方式包括电话、短信、微信等,并根据故障风险的严重等级采取不同方式通知,如一般故障风险可通过短信、微信进行通知,而严重故障风险则可以直接电话通知,短信附上详情。且在一个实施例中,为了防止故障风险信息一直无人处理,可按相关处理人员级别进行多级通知,如当级处理人员未处理时间超时,则立即通知上一级处理人员,以此类推,直至故障预警处理。
本发明实施例提供一种预测系统故障的方法,获取待预测目标系统的趋势型序列数据和随机型序列数据后,由于可以基于序列数据的类型特点,将不同类型的序列数据输入不同的预测模型中进行预测,因此避免了传统技术中对不同类型的序列数据进行预测时采用单一预测方法,没有结合序列数据特点采取对应预测模型的问题,从而提高系统故障预测的准确性。
实施例二
如图2所示,本发明实施例提供一种预测系统故障的方法,该方法的执行主体可以为终端设备或服务器,其中,终端设备可以如个人计算机等设备,也可以如手机、平板电脑等终端设备,服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。
为了保证预测结果的准确性及可靠性,需要构建与运行状态信息中的序列数据类型特点相匹配的预测模型,而能够最准确反映运行状态信息中的序列数据类型特点的通常是历史运行状态序列数据,因此,在一种实现方式中,可以基于目标系统的历史运行状态序列数据构建预测模型,然后基于构建的预测模型对系统进行故障预测,为方便说明,假设第一预测模型为指数平滑预测模型,第二预测模型为自回归平均移动模型(AutoregressiveIntegratedMovingAverageModel,ARIMA),以下以构建第二预测模型为例,对本发明进行说明。
指数平滑预测模型,指引入一个简化的加权因子,即平滑系数,以获取平均数的一种时间序列预测法,或者给予距离预测期结果较近的历史序列数据较大的权数,且后续过程中权数按指数规律递减的一种特殊的加权平均方法。
ARIMA模型,ARIMA模型是差分与ARMA的组合,是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
其中,以第一预测模型为指数平滑预测模型、第二预测模型为ARIMA模型为例,对本发明实施例进行说明,仅是一种是示例性说明,并不对本发明实施例造成任何限定。该方法具体可以包括以下步骤:
步骤S201,基于历史随机型序列数据获取与历史随机型序列数据对应的自相关函数图以及偏自相关函数图。
步骤S202,根据自相关函数图以及偏自相关函数图,确定第二预设预测模型的最优参数,最优参数至少包括自回归项系数和移动平均项系数。
由于ARIMA模型的最优参数与历史随机型序列数据的自相关函数图、偏自相关函数图的拖尾和截尾情况有关,因此,在一种实现方式中,根据自相关函数图以及偏自相关函数图,确定第二预设预测模型的最优参数,包括:根据自相关函数图的截尾以及偏自相关函数图的拖尾,确定第二预设预测模型的相关参数集;基于预设信息准则,从相关参数集中选取最优参数。
例如,假设历史随机型序列数据的自相关函数图中,第p阶数据发生截尾,历史随机型序列数据的偏自相关函数图中,第q阶数据发生拖尾,则可以确定第二预测模型的相关参数为p、q,其中,p为第二预测模型的自回归项系数,q为第二预测模型的移动平均项系数。
其中,第p阶数据发生截尾,是指从序列数据从第p阶序列数据后,序列数据值趋于零的情况。第q阶数据发生拖尾,是指从第q阶起,序列数据呈指数下降,但始终存在非零取值的情况。
需要说明的是,由于历史随机型序列数据的自相关函数图和偏自相关函数图中可能出现多个截尾和拖尾,即可能出现多个相关参数值,为了可以保证第二预测模型的准确性与可靠性,本发明实施例中,可以基于预设信息准则,从多个相关参数值中选取最优参数。
其中,预设信息准则可以但不限于是AIC信息准则或BIC信息准则,其中,AIC=2*n-2lnL,BIC=ln(n)*n-2lnL,n表示相关参数的数量,L为第二预设预测模型的极大似然估计。
示例性的,例如可以通过改变第二预测模型的相关参数组合,使上述公式中的AIC值或BIC值达到极小值,即可确定对应参数为最优参数。
步骤S203,基于第二预设预测模型的最优参数构建第二预设预测模型。
步骤S204,将趋势型序列数据输入第一预测模型,得到第一预测值,将随机型序列数据输入第二预测模型,得到第二预测值,第一预测模型基于待预测目标系统的历史趋势型序列数据训练得到,第二预测模型基于待预测目标系统的历史随机型序列数据训练得到。
步骤S205,根据第一预测值以及第二预测值,对待预测目标系统进行故障预测。
由于步骤S205与上述实施例1中的步骤S103相同,为避免赘述,此处不再具体说明,相关内容可参见上述步骤S103记载的内容。
由于非平稳时间序列数据在长时期内会呈现出某种持续上升或持续下降的趋势,不利于确定自相关函数图以及偏自相关函数图,因此在一种实现方式中,在基于历史随机型序列数据获取与历史随机型序列数据对应的自相关函数图以及偏自相关函数图之前,包括:当历史随机型序列数据为非平稳时间序列数据时,对历史随机型序列数据进行差分处理转化为平稳时间序列数据。
在一种实现方式中,在基于第二预设预测模型的最优参数构建第二预设预测模型之后,包括:当第二预设预测模型拟合不充分时,则根据自相关函数图以及偏自相关函数图,重新确定第二预设预测模型的最优参数,拟合不充分至少包括拟合过度和/或最优参数冗余。
本发明实施例提供一种预测系统故障的方法,获取待预测目标系统的趋势型序列数据和随机型序列数据后,由于可以基于序列数据的类型特点,将不同类型的序列数据输入不同的预测模型中进行预测,因此避免了传统技术中对不同类型的序列数据进行预测时采用单一预测方法,能够结合序列数据特点采取对应预测模型的问题,从而提高系统故障预测的准确性。
实施例三
以上为本发明实施例提供的预测系统故障的方法,基于同样的思路,本发明实施例还提供一种预测系统故障的装置300,如图3所示。
该预测系统故障的装置包括:获取模块301、处理模块302和预测模块303,其中:
获取模块301,用于获取待预测目标系统的趋势型序列数据和随机型序列数据。
处理模块302,用于将趋势型序列数据输入第一预测模型,得到第一预测值,将随机型序列数据输入第二预测模型,得到第二预测值,第一预测模型基于待预测目标系统的历史趋势型序列数据训练得到,第二预测模型基于待预测目标系统的历史随机型序列数据训练得到。
预测模块303,用于根据第一预测值以及第二预测值,对待预测目标系统进行故障预测。
在一种实现方式中,所述装置还包括:函数图确定模块,用于基于历史随机型序列数据获取与历史随机型序列数据对应的自相关函数图以及偏自相关函数图。参数确定模块,用于根据自相关函数图以及偏自相关函数图,确定第二预设预测模型的最优参数,最优参数至少包括自回归项系数和移动平均项系数。构建模块,用于基于第二预设预测模型的最优参数构建第二预设预测模型。
在一种实现方式中,参数确定模块包括:确定单元,用于根据自相关函数图的截尾以及偏自相关函数图的拖尾,确定第二预设预测模型的相关参数集。选取单元,用于基于预设信息准则,从相关参数集中选取最优参数。
在一种实现方式中,所述装置还包括差分处理模块,用于当历史随机型序列数据为非平稳时间序列数据时,对历史随机型序列数据进行差分处理,以转化为平稳时间序列数据。
在一种实现方式中,所述装置还包括参数处理模块,用于当第二预设预测模型拟合不充分时,则根据自相关函数图以及偏自相关函数图,重新确定第二预设预测模型的最优参数,拟合不充分至少包括拟合过度和/或最优参数冗余。
在一种实现方式中,预测模块用于将第一预测值以及第二预测值按照预设方式合并,作为待预测目标系统的故障预测结果。
本发明实施例提供一种预测系统故障的装置,获取模块301获取待预测目标系统的趋势型序列数据和随机型序列数据后,由于处理模块302可以基于序列数据的类型特点,将不同类型的序列数据输入不同的预测模型中进行预测,且预测模块303根据不同的预测模型的预测值对待预测目标系统进行故障预测,因此避免了传统技术中对不同类型的序列数据进行预测时采用单一预测方法,能够结合序列数据特点采取对应预测模型的问题,从而提高系统故障预测的准确性。
实施例四
图4为实现本发明各个实施例的一种预测系统故障的电子设备的硬件结构示意图,该电子设备用于解决传统预测技术中,采用单一的预测方法很难对信息系统的运行状态进行精确预测的问题,实现系统故障的精确预测。
该预测系统故障的电子设备400包括但不限于:射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、处理器410、以及电源411等部件。本领域技术人员可以理解,图4中示出的预测系统故障的电子设备结构并不构成对预测系统故障的电子设备的限定,预测系统故障的电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,预测系统故障的电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中,处理器410,用于获取待预测目标系统的趋势型序列数据和随机型序列数据;将趋势型序列数据输入第一预测模型,得到第一预测值,将随机型序列数据输入第二预测模型,得到第二预测值,第一预测模型基于待预测目标系统的历史趋势型序列数据训练得到,第二预测模型基于待预测目标系统的历史随机型序列数据训练得到;根据第一预测值以及第二预测值,对待预测目标系统进行故障预测。
在一种实现方式中,处理器410还用于在将随机型序列数据输入第二预测模型,得到第二预测值之前,基于历史随机型序列数据获取与历史随机型序列数据对应的自相关函数图以及偏自相关函数图;根据自相关函数图以及偏自相关函数图,确定第二预设预测模型的最优参数,最优参数至少包括自回归项系数和移动平均项系数;基于第二预设预测模型的最优参数构建第二预设预测模型。
在一种实现方式中,处理器410还用于当历史随机型序列数据为非平稳时间序列数据时,对历史随机型序列数据进行差分处理转化为平稳时间序列数据。
在一种实现方式中,处理器410还用于当第二预设预测模型拟合不充分时,则根据自相关函数图以及偏自相关函数图,重新确定第二预设预测模型的最优参数,拟合不充分至少包括拟合过度和/或最优参数冗余。
在一种实现方式中,根据第一预测值以及第二预测值,对待预测目标系统进行故障预测,包括:将第一预测值以及第二预测值按照预设方式合并,作为待预测目标系统的故障预测结果。
本发明实施例提供一种预测系统故障的电子设备,获取待预测目标系统的趋势型序列数据和随机型序列数据后,由于可以基于序列数据的类型特点,将不同类型的序列数据输入不同的预测模型中进行预测,这样避免了传统技术中对不同类型的序列数据进行预测时采用单一预测模型方法,能够结合序列数据特点采取对应预测模型,从而提高系统故障预测的准确性。
应理解的是,本发明实施例中,射频单元401可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器410处理;另外,将上行的数据发送给基站。通常,射频单元401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元401还可以通过无线通信系统与网络和其他预测系统故障的电子设备通信。
预测系统故障的电子设备通过网络模块402为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元403可以将射频单元401或网络模块402接收的或者在存储器409中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元403还可以提供与预测系统故障的电子设备400执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元403包括扬声器、蜂鸣器以及受话器等。
输入单元404用于接收音频或视频信号。输入单元404可以包括图形处理器(Graphics Processing Unit,GPU)4041和麦克风4042,图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元406上。经图形处理器4041处理后的图像帧可以存储在存储器409(或其它存储介质)中或者经由射频单元401或网络模块402进行发送。麦克风4042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元401发送到移动通信基站的格式输出。
预测系统故障的电子设备400还包括至少一种传感器405,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板4051的亮度,接近传感器可在预测系统故障的电子设备400移动到耳边时,关闭显示面板4051和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别预测系统故障的电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器405还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元406用于显示由用户输入的信息或提供给用户的信息。显示单元406可包括显示面板4051,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。
用户输入单元407可用于接收输入的数字或字符信息,以及产生与预测系统故障的电子设备的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板4071上或在触控面板4071附近的操作)。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器410,接收处理器410发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4071。除了触控面板4071,用户输入单元407还可以包括其他输入设备4072。具体地,其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板4071可覆盖在显示面板4061上,当触控面板4071检测到在其上或附近的触摸操作后,传送给处理器410以确定触摸事件的类型,随后处理器410根据触摸事件的类型在显示面板4051上提供相应的视觉输出。触控面板4071与显示面板4051是作为两个独立的部件来实现预测系统故障的电子设备的输入和输出功能,但是在某些实施例中,可以将触控面板4071与显示面板4051集成而实现预测系统故障的电子设备的输入和输出功能,具体此处不做限定。
接口单元408为外部装置与预测系统故障的电子设备400连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元408可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到预测系统故障的电子设备400内的一个或多个元件或者可以用于在预测系统故障的电子设备400和外部装置之间传输数据。
存储器409可用于存储软件程序以及各种数据。存储器409可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器409可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器410是预测系统故障的电子设备的控制中心,利用各种接口和线路连接整个预测系统故障的电子设备的各个部分,通过运行或执行存储在存储器409内的软件程序和/或模块,以及调用存储在存储器409内的数据,执行预测系统故障的电子设备的各种功能和处理数据,从而对预测系统故障的电子设备进行整体监控。处理器410可包括一个或多个处理单元;优选的,处理器410可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器410中。
预测系统故障的电子设备400还可以包括给各个部件供电的电源411(比如电池),优选的,电源411可以通过电源管理系统与处理器410逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
优选的,本发明实施例还提供一种预测系统故障的电子设备,包括处理器410,存储器409,存储在存储器409上并可在所述处理器410上运行的计算机程序,该计算机程序被处理器410执行时实现上述预测系统故障的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
实施例五
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述预测系统故障的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
本发明实施例提供一种计算机可读存储介质,获取待预测目标系统的趋势型序列数据和随机型序列数据后,由于可以基于序列数据的类型特点,将不同类型的序列数据输入不同的预测模型中进行预测,这样避免了传统技术中对不同类型的序列数据进行预测时采用单一预测模型方法,能够结合序列数据特点采取对应预测模型,从而提高系统故障预测的准确性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的定界,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (9)
1.一种预测系统故障的方法,其特征在于,所述方法包括:
获取待预测目标系统的趋势型序列数据和随机型序列数据;
将所述趋势型序列数据输入第一预测模型,得到第一预测值,将所述随机型序列数据输入第二预测模型,得到第二预测值,所述第一预测模型基于所述待预测目标系统的历史趋势型序列数据训练得到,所述第二预测模型基于所述待预测目标系统的历史随机型序列数据训练得到;
根据所述第一预测值以及所述第二预测值,对所述待预测目标系统进行故障预测;
其中,所述根据所述第一预测值以及所述第二预测值,对所述待预测目标系统进行故障预测,包括:
将所述第一预测值以及所述第二预测值按照预设方式合并,作为所述待预测目标系统的故障预测结果;
其中,将所述第一预测值以及所述第二预测值按照预设方式合并,作为所述待预测目标系统的故障预测结果,包括:
基于所述第一预测值和所述第二预测值的权重累加结果,与故障阈值进行比较,若所述权重叠加结果超过所述故障阈值,则认为所述待预测目标系统出现异常;
其中,所述第一预测值和所述第二预测值的所述权重累加结果采用如下方式计算得到:
(1)按照如下方式,分别计算所述第一预测模型、所述第二预测模型的预测误差平方和:
其中,Eii为预测模型的预测误差平方和,xit 为预测模型在t时刻的值,xt为序列数据第t时刻的观测值,N为序列数据的长度;
(2)基于所述误差平方和,按照如下方式分别计算所述第一预测模型、所述第二预测模型的权值:
其中,li表示预测模型的权值,m表示预设模型的数量;
(3)按照如下方式计算第一预测模型、第二预测模型的补偿因子:
首先,采用如下公式[5]、[6]分别计算趋势型序列数据和随机型序列数据的占比因子:
其中,D序列数据为观测数据,D1、D2分别为所述趋势型序列数据和所述随机型序列数据,D1’表示趋势型序列部分预测数据、D2’表示部分随机型序列部分预测数据,D1”表示趋势型序列数据的占比因子,D2”表示随机型序列数据的占比因子;
其次,根据下述公式[7],分别计算所述趋势型序列数据的补偿因子W1、所述随机型序列数据的补偿因子W2:
其中,W1+W2=1;
(4)基于所述补偿因子与所述权值分别采用如下公式[8]、[9]确定第一预测模型的权重Q1、第二预测模型的权重Q2:
Q1=l1*W1[8]
Q2=l2*W2[9]。
2.根据权利要求1所述的方法,其特征在于,在所述将所述随机型序列数据输入第二预测模型,得到第二预测值之前,包括:
基于所述历史随机型序列数据获取与所述历史随机型序列数据对应的自相关函数图以及偏自相关函数图;
根据所述自相关函数图以及所述偏自相关函数图,确定所述第二预测模型的最优参数,所述最优参数至少包括自回归项系数和移动平均项系数;
基于所述第二预测模型的最优参数构建所述第二预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述自相关函数图以及所述偏自相关函数图,确定所述第二预测模型的最优参数,包括:
根据所述自相关函数图的截尾以及所述偏自相关函数图的拖尾,确定所述第二预测模型的相关参数集;
基于预设信息准则,从所述相关参数集中选取最优参数。
4.根据权利要求2所述的方法,其特征在于,在所述基于所述历史随机型序列数据获取与所述历史随机型序列数据对应的自相关函数图以及偏自相关函数图之前,包括:
当所述历史随机型序列数据为非平稳时间序列数据时,对所述历史随机型序列数据进行差分处理转化为所述平稳时间序列数据。
5.根据权利要求2所述的方法,其特征在于,在所述基于所述第二预测模型的最优参数构建所述第二预测模型之后,包括:
当所述第二预测模型拟合不充分时,则根据所述自相关函数图以及所述偏自相关函数图,重新确定所述第二预测模型的最优参数,所述拟合不充分至少包括拟合过度和/或所述最优参数冗余。
6.一种预测系统故障的装置,其特征在于,所述装置包括:
获取模块,用于获取待预测目标系统的趋势型序列数据和随机型序列数据;
处理模块,用于将所述趋势型序列数据输入第一预测模型,得到第一预测值,将所述随机型序列数据输入第二预测模型,得到第二预测值,所述第一预测模型基于所述待预测目标系统的历史趋势型序列数据训练得到,所述第二预测模型基于所述待预测目标系统的历史随机型序列数据训练得到;
预测模块,用于根据所述第一预测值以及所述第二预测值,对所述待预测目标系统进行故障预测;
其中,所述预测模块,包括:
预测处理单元,用于将所述第一预测值以及所述第二预测值按照预设方式合并,作为所述待预测目标系统的故障预测结果;
其中,所述预测处理单元,具体用于:
基于所述第一预测值和所述第二预测值的权重累加结果,与故障阈值进行比较,若所述权重叠加结果超过所述故障阈值,则认为所述待预测目标系统出现异常;
其中,所述第一预测值和所述第二预测值的所述权重累加结果采用如下方式计算得到:
(1)按照如下方式,分别计算所述第一预测模型、所述第二预测模型的预测误差平方和:
其中,Eii为预测模型的预测误差平方和,x it为预测模型在t时刻的值,xt为序列数据第t时刻的观测值,N为序列数据的长度;
(2)基于所述误差平方和,按照如下方式分别计算所述第一预测模型、所述第二预测模型的权值:
其中,li表示预测模型的权值,m表示预设模型的数量;
(3)按照如下方式计算第一预测模型、第二预测模型的补偿因子:
首先,采用如下公式[5]、[6]分别计算趋势型序列数据和随机型序列数据的占比因子:
其中,D序列数据为观测数据,D1、D2分别为所述趋势型序列数据和所述随机型序列数据,D1’表示趋势型序列部分预测数据、D2’表示部分随机型序列部分预测数据,D1”表示趋势型序列数据的占比因子,D2”表示随机型序列数据的占比因子;
其次,根据下述公式[7],分别计算所述趋势型序列数据的补偿因子W1、所述随机型序列数据的补偿因子W2:
其中,W1+W2=1;
(4)基于所述补偿因子与所述权值分别采用如下公式[8]、[9]确定第一预测模型的权重Q1、第二预测模型的权重Q2:
Q1=l1*W1 [8]
Q2=l2*W2 [9]。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
函数图确定模块,用于基于所述历史随机型序列数据获取与所述历史随机型序列数据对应的自相关函数图以及偏自相关函数图;
参数确定模块,根据所述自相关函数图以及所述偏自相关函数图,确定所述第二预测模型的最优参数,所述最优参数至少包括自回归项系数和移动平均项系数;
构建模块,用于基于所述第二预测模型的最优参数构建所述第二预测模型。
8.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的预测系统故障的方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的预测系统故障的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819015.3A CN110674019B (zh) | 2019-08-30 | 2019-08-30 | 一种预测系统故障的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819015.3A CN110674019B (zh) | 2019-08-30 | 2019-08-30 | 一种预测系统故障的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674019A CN110674019A (zh) | 2020-01-10 |
CN110674019B true CN110674019B (zh) | 2023-02-07 |
Family
ID=69076098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910819015.3A Active CN110674019B (zh) | 2019-08-30 | 2019-08-30 | 一种预测系统故障的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674019B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400964B (zh) * | 2020-03-16 | 2023-12-22 | 中国人民解放军海军航空大学 | 一种故障发生时间预测方法及装置 |
CN111654405B (zh) * | 2020-06-29 | 2024-04-02 | 平安银行股份有限公司 | 通信链路的故障节点方法、装置、设备及存储介质 |
CN112115416A (zh) * | 2020-08-06 | 2020-12-22 | 深圳市水务科技有限公司 | 预测性维护方法、设备及存储介质 |
CN112486722B (zh) * | 2020-12-18 | 2024-02-27 | 江西理工大学 | 一种系统故障检测方法及相关装置 |
CN112733692B (zh) * | 2021-01-04 | 2021-11-30 | 润联智慧科技(西安)有限公司 | 基于集成混合模型的故障预测方法、装置及相关设备 |
CN112799913A (zh) * | 2021-01-28 | 2021-05-14 | 中国工商银行股份有限公司 | 容器运行异常检测方法及装置 |
CN113033906A (zh) * | 2021-04-07 | 2021-06-25 | 山东润一智能科技有限公司 | 基于三参数指数平滑的能耗预测方法及系统 |
CN113112311B (zh) * | 2021-05-12 | 2023-07-25 | 北京百度网讯科技有限公司 | 训练因果推断模型的方法、信息提示方法以装置 |
CN113449919B (zh) * | 2021-06-29 | 2022-12-09 | 国网山东省电力公司菏泽供电公司 | 一种基于特征和趋势感知的用电量预测方法及系统 |
CN113626340A (zh) * | 2021-08-27 | 2021-11-09 | 中国银行股份有限公司 | 测试需求识别方法、装置、电子设备及存储介质 |
CN113722100B (zh) * | 2021-09-02 | 2023-12-15 | 上海仪电(集团)有限公司中央研究院 | 基于趋势预测的云平台内存资源动态超分配方法及设备 |
CN114165474B (zh) * | 2022-02-11 | 2022-05-06 | 蘑菇物联技术(深圳)有限公司 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
CN114627330A (zh) * | 2022-03-02 | 2022-06-14 | 北京沃东天骏信息技术有限公司 | 时序流量预测方法及装置、存储介质及电子设备 |
CN116050674B (zh) * | 2023-03-31 | 2023-06-23 | 长江空间信息技术工程有限公司(武汉) | 水利工程运行趋势预测方法以及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250306A (zh) * | 2016-08-18 | 2016-12-21 | 电子科技大学 | 一种适用于企业级运维自动化平台的性能预测方法 |
CN107391341A (zh) * | 2017-07-21 | 2017-11-24 | 郑州云海信息技术有限公司 | 一种故障预警方法及装置 |
CN109345041A (zh) * | 2018-11-19 | 2019-02-15 | 浙江中新电力工程建设有限公司自动化分公司 | 一种利用威布尔分布与arma结合的设备故障率预测方法 |
CN109587713A (zh) * | 2018-12-05 | 2019-04-05 | 广州数锐智能科技有限公司 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
CN109710505A (zh) * | 2019-01-02 | 2019-05-03 | 郑州云海信息技术有限公司 | 一种磁盘故障预测方法、装置、终端及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260603B2 (en) * | 2008-09-30 | 2012-09-04 | Hewlett-Packard Development Company, L.P. | Scaling a prediction model of resource usage of an application in a virtual environment |
-
2019
- 2019-08-30 CN CN201910819015.3A patent/CN110674019B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250306A (zh) * | 2016-08-18 | 2016-12-21 | 电子科技大学 | 一种适用于企业级运维自动化平台的性能预测方法 |
CN107391341A (zh) * | 2017-07-21 | 2017-11-24 | 郑州云海信息技术有限公司 | 一种故障预警方法及装置 |
CN109345041A (zh) * | 2018-11-19 | 2019-02-15 | 浙江中新电力工程建设有限公司自动化分公司 | 一种利用威布尔分布与arma结合的设备故障率预测方法 |
CN109587713A (zh) * | 2018-12-05 | 2019-04-05 | 广州数锐智能科技有限公司 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
CN109710505A (zh) * | 2019-01-02 | 2019-05-03 | 郑州云海信息技术有限公司 | 一种磁盘故障预测方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110674019A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674019B (zh) | 一种预测系统故障的方法、装置及电子设备 | |
US11169827B2 (en) | Resource loading at application startup using attributes of historical data groups | |
CN108304758B (zh) | 人脸特征点跟踪方法及装置 | |
US20180268306A1 (en) | Using Different Data Sources for a Predictive Model | |
CN110798718B (zh) | 一种视频推荐方法以及装置 | |
CN110110045B (zh) | 一种检索相似文本的方法、装置以及存储介质 | |
CN115915734B (zh) | 风扇运行控制方法、装置、电子设备及存储介质 | |
CN110659179B (zh) | 一种评估系统运行状况的方法、装置及电子设备 | |
CN112231144A (zh) | 一种数据处理方法、装置及电子设备 | |
CN108182137A (zh) | 屏幕安全预警方法、移动终端及计算机可读存储介质 | |
CN114091611A (zh) | 设备负载重量获取方法、装置、存储介质及电子设备 | |
CN113192537B (zh) | 唤醒程度识别模型训练方法及语音唤醒程度获取方法 | |
CN108306817B (zh) | 一种信息定位处理方法及移动终端 | |
CN108171000B (zh) | 一种油气管道水毁灾害预警的方法和装置 | |
CN112256006B (zh) | 一种数据的处理方法、装置及电子设备 | |
CN113052198A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN116227917A (zh) | 建筑防汛风险的处理方法、装置、电子设备及存储介质 | |
CN109754319B (zh) | 信用分值确定系统、方法、终端及服务器 | |
CN112166441A (zh) | 数据处理方法、装置及计算机可读存储介质 | |
CN112311935B (zh) | 一种异常检测方法、装置及电子设备 | |
CN113112011B (zh) | 一种数据预测方法及装置 | |
CN111818548B (zh) | 一种数据的处理方法、装置及设备 | |
CN113360908A (zh) | 数据处理方法、违规识别模型训练方法及相关设备 | |
CN111862015A (zh) | 一种图像质量等级确定方法、装置及电子设备 | |
CN113535693B (zh) | 一种移动平台的数据真值确定方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |