CN112183906A - 一种基于多模型组合模型的机房环境预测方法及系统 - Google Patents
一种基于多模型组合模型的机房环境预测方法及系统 Download PDFInfo
- Publication number
- CN112183906A CN112183906A CN202011383574.3A CN202011383574A CN112183906A CN 112183906 A CN112183906 A CN 112183906A CN 202011383574 A CN202011383574 A CN 202011383574A CN 112183906 A CN112183906 A CN 112183906A
- Authority
- CN
- China
- Prior art keywords
- model
- machine room
- data
- room environment
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- WSFSSNUMVMOOMR-UHFFFAOYSA-N formaldehyde Substances O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多模型组合模型的机房环境预测方法及系统，其包括：获取机房环境数据；对所述机房环境数据进行预处理；建立多模型组合模型；基于所述多模型组合模型对机房环境进行预测。本发明与传统方法相比，本发明在模型的拟合效果和预测精度上都有很大的提升，极大提高了机房管理人员的工作效率，对于保障大型互联网的服务质量具有重要意义。
Description
技术领域
本发明属于机房环境监测领域，尤其涉及一种基于多模型组合模型的机房环境预测方法及系统。
背景技术
近年来，随着工业生产的发展，电子信息系统机房作为信息枢纽中心已成为所有信息系统的基础。而系统机房安全可靠的运行，除了计算机系统软、硬件具有的高性能以外，还依赖于机房的环境、空调设备、消防设备等有关配套设施的建设。而如何达到计算机设备运行维护环境的要求，实现对各环境参数指标的趋势性预测分析，对减少机房环境事故的发生，保障机房的稳定性、高可用性以及高效性尤为重要。
随着人工智能的发展，很多学者在解决时序预测问题上提供了很多解决方案，目前针对机房环境的趋势预测分析主要有传统的时间序列分析方法(Holter-Winter、ARIMA)、支持向量机、灰色预测、神经网络等预测算法。但以上的这些现有的单一模型对实际数据进行分析预测时，预测的效果往往不能令人满意。因此，需要提供一种基于组合模型的机房环境预测分析的方法和装置，旨在解决上述问题。
发明内容
针对上述现有技术中存在的缺陷，本发明的目的在于提供一种基于多模型组合模型的机房环境预测方法及系统，通过构建多模型组合模型进行机房环境的预测分析，使得预测结果更精准、更可靠，以便于根据预测结果进行预先准备，降低出错概率。
第一方面，本发明提供一种基于多模型组合模型的机房环境预测方法，其包括：
步骤S101、获取机房环境数据；
步骤S103、对所述机房环境数据进行预处理，对预处理后的数据进行特征选择；
步骤S105、建立多模型组合模型；
步骤S107、对所述多模型组合模型进行评估，具体包括：
使用已知结果的测试数据集评估多模型组合模型，根据平均绝对误差MAE的值来评判多模型组合模型的效果，该MAE的计算公式为：
式中，
表示多模型组合模型输出的某时间点的指标的实际值，
表示对应时间点实际值对应的指标预测值，M表示预测时间点的区间大小；
步骤S109、基于通过评估的所述多模型组合模型对机房环境进行预测。
其中，在所述步骤S101之后还包括：建立机房环境数据库。
其中，所述机房环境数据包括：温度、湿度、设备表面温度、粉尘、有害气体、噪声中的一种或多种。
其中，所述特征选择具体包括：
根据数据规律，进行特征选择，去掉取值变化小的特征。
其中所述特征选择具体包括：
通过计算每个特征的方差，并根据阈值选择方差大于阈值的特征。
其中，所述步骤S103具体包括：
采用归一化、填充缺失值、替代无效数据和去除数据中的噪声。
其中，所述建立多模型组合模型，具体包括：
采用多种模型对特征选择后的机房环境数据中的单一特征的变化趋势分别进行预测；
基于预测结果，调整每个模型输出结果的权重值；
基于调整后的权重值，将多个模型融合得到多模型组合模型。
其中，所述多种模型包括指数平滑法、自回归移动平均模型、长短期记忆网络以及支持向量机。
其中，所述步骤S109之后还包括：将所述多模型组合模型部署在线上，对机房环境进行预测。
第二方面，本发明还提供一种基于多模型组合模型的机房环境预测的系统，其包括：
数据获取模块，其用于获取机房环境数据；
数据预处理模块，其用于对所述机房环境数据进行预处理；
模型建立模块，其用于建立多模型组合模型；
趋势预测模块，其用于基于所述多模型组合模型对机房环境进行预测。
本发明通过提出由几种模型融合的多模型组合模型，来预测机房环境参数，得到最终的预测效果，与传统方法相比，本发明在模型的拟合效果和预测精度上都有很大的提升，极大提高了机房管理人员的工作效率，对于保障大型互联网的服务质量具有重要意义。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1 为与本发明实施例一致的基于多模型组合模型的机房环境预测方法的流程示意图；
图2为与本发明的某一实施例一致的基于多模型组合模型的机房环境预测方法的流程图；
图3为与本发明的某一实施例一致的建立多模型组合模型的流程图；
图4为与本发明的某一实施例一致的基于多模型组合模型的机房环境预测方法的流程图；
图5为与本发明的某一实施例一致的基于多模型融合的多模型组合模型的构建流程图；
图6为与本发明的某一实施例一致的基于多模型组合模型的机房环境预测的系统的示意图；
图7为与本发明的某一实施例一致的基于多模型组合模型的机房环境预测的系统的示意图；
图8为与本发明的某一实施例一致的电子设备的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
下面结合附图详细说明本发明的可选实施例。
本发明涉及一种基于多模型组合模型的机房环境预测的方法及其装置，其主要应用于电子信息系统机房的场景中。其基本思想是：通过对机器人采集的机房环境数据进行预测分析处理，建立多模型组合模型对其进行趋势分析和预测，实现在大规模机房环境数据下的实时监控。
实施例一
参见图1所示，本发明实施例提供一种基于多模型组合模型的机房环境预测方法，其包括：
步骤S101、获取机房环境数据，优选地，所述机房环境数据包括：温度、湿度、设备表面温度、粉尘、有害气体、噪声中的一种或多种；
步骤S103、对所述机房环境数据进行预处理；
步骤S105、建立多模型组合模型；
步骤S107、对所述多模型组合模型进行评估，具体包括：
使用已知结果的测试数据集评估多模型组合模型，根据平均绝对误差MAE的值来评判多模型组合模型的效果，该MAE的计算公式为：
式中，
表示多模型组合模型输出的某时间点的指标的实际值，
表示对应时间点实际值对应的指标预测值，M表示预测时间点的区间大小；
步骤S109、基于通过评估的所述多模型组合模型对机房环境进行预测。
实施例二
参见图1和图2所示，在实施例一的基础上，本实施例可以包括以下内容：
为了在建立多模型组合模型时，可以准确获取处理后的机房环境数据，需要先将获取的机房环境数据进行存储；具体地，在所述步骤S101之后还包括：建立机房环境数据库。
为了使得本领域技术人员能够准确的理解本发明实施例，故对该步骤S103进行进一步描述，以使其描述更清晰，具体地，所述步骤S103具体包括：
采用归一化、填充缺失值、替代无效数据和去除数据中的噪声。
在多模型组合模型建立过程中，由于不同的模型所需的特征数据不同，因此，在所述步骤S105之前还包括：对预处理后的数据进行特征选择。
进一步，所述特征选择具体包括：
根据数据规律，进行特征选择，去掉取值变化小的特征。其中，本发明实施例采用方差过滤法进行特征选择，通过计算每个特征的方差，并根据阈值选择方差大于阈值的特征。其工作原理在于，当一个特征本身的方差变化很小时，则表示样本在这个特征上基本没有差异，特征中的大多数值可能都是一样的，那么这个特征研究起来也将没有意义，因此本发明实施例的特征选择，需要去掉取值变化小的特征。
在进行建立多模型组合模型时，其具有多种具体的方式进行建立，为了使得建立该多模型组合模型的描述清楚，对其进行进一步描述，具体地，参见图3所示，所述步骤S105可以包括：
采用多种模型对特征选择后的机房环境数据中的单一特征的变化趋势分别进行预测；
基于预测结果，调整每个模型输出结果的权重值；
基于调整后的权重值，将多个模型融合得到多模型组合模型。
其中，多个模型为多种算法模型并且均为预测模型，在每个模型进行预测时均会输出一个预测值，本发明实施例根据其预测值的精度，来调整每个模型的权值，最终将多种模型组合起来，得到该多模型组合模型，多模型组合模型的预测结果也就是本发明实施例最终想要得到的预测结果。
对于建立的多模型组合模型，往往会由于各种因素导致出现模型可靠性低的问题，因此，在所述步骤S105之后可以包括对所述多模型组合模型进行评估。
进一步，所述步骤S109之后还包括：将所述多模型组合模型部署在线上，对机房环境进行预测。
实施例三
在上述实施例的基础上，本实施例还可以包括以下内容：
参见图4和图5所示，本发明实施例提供一种基于多模型组合模型的机房环境预测方法，所述方法具体包括以下步骤：
数据的获取，通过控制机器人（例如，MOSS机器人）收集机房内的各项信息数据，可以包括温湿度、设备表面温度、粉尘 (PM2.5、PM10)、有害气体(CO、CO2、甲醛、TVOC等)、噪声中的一种或多种指标数据。
数据库的建立，在获取各项信息数据后，对上述的各项信息数据进行数据库的建立。
数据的探索和预处理，从建立的数据库中读取收集到的机房内信息数据，更好地了解其数据特征，然后对其进行预处理，例如，采用归一化、填充缺失值、替代无效数据和去除数据中的噪声等方法进行数据清洗，以提升数据质量。
特征选择，通过根据数据特征的贡献度，得到关键特征，并丢弃非关键特征；通过特征选择，可以加快模型的训练速度，甚至还可以提升效果。在本发明实施例中可以使用方差选择法，通过计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。
模型训练，由于预测任务比较复杂，为了取得更好的预测精度，采用了多种算法模型融合来进行预测；本发明实施例中采用的算法模型包括但不限于：指数平滑法、传统的时间序列算法ARIMA（Auto-Regressive Integrated Moving Average model，自回归移动平均模型）、长短期记忆网络LSTM（Long Short-Term Memory）以及支持向量机，根据该多种算法模型分别对上述处理好的数据进行预测训练。
多模型组合模型优化，分别对上述的几种模型进行调整参数和优化。其可以包括：在分别预测训练完上述几种算法模型后，根据训练结果调整每个模型输出结果的权重值，基于调整后的权重值，将多个模型融合得到多模型组合模型，输出预测值。
其中，根据训练结果调整每个模型输出结果的权重值是基于每个模型的训练结果来进行调整，当其中某个模型预测的精度较高时，给予较大的权值，反之亦然。
另外，本发明实施例将多个模型融合得到多模型组合模型，输出预测值时，以四种不同的算法模型进行融合为例，其计算公式可以为：
式中，a 1，a 2，a 3，a 4分别为各算法模型的权重值，y 1，y 2，y 3，y 4分别为各算法模型的预测值，计算得到的y为得到的多模型组合模型的预测结果。
多模型组合模型性能评价，使用测试数据集来评估模型，根据平均绝对误差MAE（Mean Absolute Error）的值来评判多模型组合模型的效果。其中，MAE的计算公式为：
式中，
表示多模型组合模型输出的某时间点的指标的实际值，
表示对应时间点实际值对应的指标预测值，M表示预测时间点的区间大小。
多模型组合模型上线，将通过评估的最终多模型组合模型部署在线上，实现对机房环境各指标重要程度的趋势性分析及预测。
显示输出，通过多模型组合模型进行数据分析预测处理后，将机房的各项环境参数展示在一张统计图，进行全方位的动态监控，便于机房管理人员掌握机房环境的情况。
实施例四
在实施例三的基础上，本实施例还可以包括以下内容：
采用多种算法模型融合进行预测时，多种算法模型分别为：
指数平滑法，其为一种特殊的加权移动平均法，原理主要是通过对过去的观察值加权平均，拟合出一个近似的模型来对未来数据值进行预测；
自回归移动平均模型，即ARIMA，是基于时序数据平稳性这个假设前提，ARIMA（p,d,q）中，AR是“自回归”模型，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数；
LSTM即长短期记忆网络，主要包含输入门、输出门、遗忘门和记忆单元四个部分，通过学习历史数据中数据值随时间的变化趋势，完成对各指标数据的趋势预测；
支持向量机，是建立在统计学习理论的VC（Vapnik-Chervonenkis）维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以获得最好的推广能力。
实施例五
在上述实施例的基础上，本实施例还可以包括以下内容：
参见图6所示，本发明实施例提供一种基于多模型组合模型的机房环境预测的系统，其包括：
数据获取模块，其用于获取机房环境数据；
数据预处理模块，其用于对所述机房环境数据进行预处理；
模型建立模块，其用于建立多模型组合模型；
趋势预测模块，其用于基于所述多模型组合模型对机房环境进行预测。
实施例六
在上述实施例的基础上本实施例还可以包括以下内容：
参见图7所示，本发明实施例提供一种基于多模型组合模型的机房环境预测系统。该系统可以用集成于互联网企业的终端或系统中，该系统可以包括：
数据采集模块，用于采集机房环境的各项指标数据；
数据准备模块，将采集到的数据上传到数据库，便于后续的分析预测处理；
数据处理模块，对数据进行预处理，以提升数据质量，将其数据分为训练集和测试集；
特征选择模块：对预处理后的数据进行特征选择；
趋势预测模块，首先由四种算法模型分别对环境数据进行分析和预测，得到一个初步的各模型预测结果，调整模型参数，进行优化；将多种模型进行融合，根据不同的权重值得到最终的预测结果；
显示输出模块，用以输出最终的预测结果。
实施例七
参见图8所示，本实施例还提供一种电子设备800，所述电子设备800，包括：至少一个处理器801；以及，与所述至少一个处理器801通信连接的存储器802；其中，
所述存储器802存储有可被所述一个处理器801执行的指令，所述指令被所述至少一个处理器801执行，以使所述至少一个处理器801能够执行如上实施例所述的方法步骤。
实施例八
本公开实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (10)
1.一种基于多模型组合模型的机房环境预测方法，其特征在于，包括：
步骤S101、获取机房环境数据；
步骤S103、对所述机房环境数据进行预处理，对预处理后的数据进行特征选择；
步骤S105、建立多模型组合模型；
步骤S107、对所述多模型组合模型进行评估，具体包括：
使用已知结果的测试数据集评估多模型组合模型，根据平均绝对误差MAE的值来评判多模型组合模型的效果，该MAE的计算公式为：
式中，
表示多模型组合模型输出的某时间点的指标的实际值，
表示对应时间点实际值对应的指标预测值，M表示预测时间点的区间大小；
步骤S109、基于通过评估的所述多模型组合模型对机房环境进行预测。
2.如权利要求1所述方法，其特征在于，在所述步骤S101之后还包括：建立机房环境数据库。
3.如权利要求1所述方法，其特征在于，所述机房环境数据包括：温度、湿度、设备表面温度、粉尘、有害气体、噪声中的一种或多种。
4.如权利要求1所述方法，其特征在于，所述特征选择包括：
根据数据规律，进行特征选择，去掉取值变化小的特征。
5.如权利要求1所述方法，其特征在于，所述特征选择具体包括：
通过计算每个特征的方差，并根据阈值选择方差大于阈值的特征。
6.如权利要求1所述方法，其特征在于，所述步骤S103具体包括：
采用归一化、填充缺失值、替代无效数据和去除数据中的噪声。
7.如权利要求1所述方法，其特征在于，所述建立多模型组合模型，具体包括：
采用多种模型对特征选择后的机房环境数据中的单一特征的变化趋势分别进行预测；
基于预测结果，调整每个模型输出结果的权重值；
基于调整后的权重值，将多个模型融合得到多模型组合模型。
8.如权利要求7所述方法，其特征在于，所述多种模型包括指数平滑法、自回归移动平均模型、长短期记忆网络以及支持向量机。
9.如权利要求1所述方法，其特征在于，所述步骤S109之后还包括：将所述多模型组合模型部署在线上，对机房环境进行预测。
10.一种实施如权利要求1至9任意一项所述方法的机房环境预测的系统，其特征在于，包括：
数据获取模块，其用于获取机房环境数据；
数据预处理模块，其用于对所述机房环境数据进行预处理；
模型建立模块，其用于建立多模型组合模型；
趋势预测模块，其用于基于所述多模型组合模型对机房环境进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011383574.3A CN112183906B (zh) | 2020-12-02 | 2020-12-02 | 一种基于多模型组合模型的机房环境预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011383574.3A CN112183906B (zh) | 2020-12-02 | 2020-12-02 | 一种基于多模型组合模型的机房环境预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183906A true CN112183906A (zh) | 2021-01-05 |
| CN112183906B CN112183906B (zh) | 2021-03-19 |
Family
ID=73918352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011383574.3A Active CN112183906B (zh) | 2020-12-02 | 2020-12-02 | 一种基于多模型组合模型的机房环境预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183906B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984245A (zh) * | 2021-10-26 | 2022-01-28 | 湖南大学 | 一种数据中心机房温度检测与温度场重建方法及系统 |
| CN114216248A (zh) * | 2022-02-22 | 2022-03-22 | 深圳雪芽创新科技有限公司 | 一种应用于数据中心机房的智能降温方法 |
| CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN107767191A (zh) * | 2017-12-05 | 2018-03-06 | 广东技术师范学院 | 一种基于医药大数据预测药品销售趋势的方法 |
| CN108241901A (zh) * | 2016-12-27 | 2018-07-03 | 全球能源互联网研究院 | 一种基于预测数据的变压器预警评估方法及装置 |
| CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及系统 |
| CN108518804A (zh) * | 2018-03-21 | 2018-09-11 | 武汉物联远科技有限公司 | 一种机房温湿度环境预测方法及系统 |
| US20190251472A1 (en) * | 2014-11-10 | 2019-08-15 | International Business Machines Corporation | Weight adjusted composite model for forecasting in anomalous environments |
| CN110133755A (zh) * | 2019-04-19 | 2019-08-16 | 上海电力学院 | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 |
| CN110728049A (zh) * | 2019-10-09 | 2020-01-24 | 江苏师范大学 | 一种刀具车削温度变化均值的组合预测模型建立方法 |
| CN111461445A (zh) * | 2020-04-09 | 2020-07-28 | 深圳大学 | 短期风速预测方法、装置、计算机设备及存储介质 |
| CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
-
2020
- 2020-12-02 CN CN202011383574.3A patent/CN112183906B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190251472A1 (en) * | 2014-11-10 | 2019-08-15 | International Business Machines Corporation | Weight adjusted composite model for forecasting in anomalous environments |
| CN108241901A (zh) * | 2016-12-27 | 2018-07-03 | 全球能源互联网研究院 | 一种基于预测数据的变压器预警评估方法及装置 |
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN107767191A (zh) * | 2017-12-05 | 2018-03-06 | 广东技术师范学院 | 一种基于医药大数据预测药品销售趋势的方法 |
| CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及系统 |
| CN108518804A (zh) * | 2018-03-21 | 2018-09-11 | 武汉物联远科技有限公司 | 一种机房温湿度环境预测方法及系统 |
| CN110133755A (zh) * | 2019-04-19 | 2019-08-16 | 上海电力学院 | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 |
| CN110728049A (zh) * | 2019-10-09 | 2020-01-24 | 江苏师范大学 | 一种刀具车削温度变化均值的组合预测模型建立方法 |
| CN111461445A (zh) * | 2020-04-09 | 2020-07-28 | 深圳大学 | 短期风速预测方法、装置、计算机设备及存储介质 |
| CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984245A (zh) * | 2021-10-26 | 2022-01-28 | 湖南大学 | 一种数据中心机房温度检测与温度场重建方法及系统 |
| CN114216248A (zh) * | 2022-02-22 | 2022-03-22 | 深圳雪芽创新科技有限公司 | 一种应用于数据中心机房的智能降温方法 |
| CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183906B (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
| CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
| CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| CN112418921A (zh) | 用电需量预测方法、装置、系统与计算机存储介质 | |
| CN116070802B (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
| CN114037673B (zh) | 一种基于机器视觉的硬件衔接接口监测方法及系统 | |
| JP2023518771A (ja) | 機械学習に基づくデータ・モニタリング | |
| CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN114037140A (zh) | 预测模型训练、数据预测方法、装置、设备及存储介质 | |
| He et al. | Intelligent Fault Analysis With AIOps Technology | |
| CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
| CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
| CN117252851B (zh) | 一种基于图像检测识别的标准质量检测管理平台 | |
| CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
| CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
| CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
| CN116566839A (zh) | 一种电力企业通信资源质量评估系统 | |
| CN110888850A (zh) | 一种基于电力物联网平台的数据质量检测方法 | |
| CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
| CN115456168A (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
| CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211102 Address after: 200137 floor 1-5, building 14, No. 528, Yanggao North Road, Pudong New Area, Shanghai Patentee after: Shanghai mengpa Information Technology Co.,Ltd. Patentee after: Beijing mengpa Xinchuang Technology Co.,Ltd. Address before: 1110, 1 / F, building a, 98 Guangqu Road, Chaoyang District, Beijing 100022 Patentee before: Beijing mengpa Xinchuang Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CP03 | Change of name, title or address |
Address after: 200137 room 108, block a, building 8, No. 1879, jiangxinsha Road, Pudong New Area, Shanghai Patentee after: Shanghai mengpa Intelligent Technology Co.,Ltd. Patentee after: Beijing mengpa Xinchuang Technology Co., Ltd Address before: 200137 floor 1-5, building 14, No. 528, Yanggao North Road, Pudong New Area, Shanghai Patentee before: Shanghai mengpa Information Technology Co.,Ltd. Patentee before: Beijing mengpa Xinchuang Technology Co., Ltd |
|
| CP03 | Change of name, title or address |