CN115774660A - 系统稳定性的预测方法及装置、存储介质及电子装置 - Google Patents
系统稳定性的预测方法及装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN115774660A CN115774660A CN202211510862.XA CN202211510862A CN115774660A CN 115774660 A CN115774660 A CN 115774660A CN 202211510862 A CN202211510862 A CN 202211510862A CN 115774660 A CN115774660 A CN 115774660A
- Authority
- CN
- China
- Prior art keywords
- time series
- series data
- value
- stability
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006870 function Effects 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004887 air purification Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种系统稳定性的预测方法及装置、存储介质及电子装置，涉及智慧家庭技术领域，该系统稳定性的预测方法包括：对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到所述目标时间段对应的目标稳定性数值；根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。采用上述技术方案，解决了无法预测未来一段时间内系统的稳定性的问题。
Description
技术领域
本申请涉及智慧家庭技术领域，具体而言，涉及一种系统稳定性的预测方法及装置、存储介质及电子装置。
背景技术
随着社会的快速发展，数据变得越来越多，为了方便对数据的管理，通常会使用大数据系统来管理数据，通常，可以根据大数据系统的稳定性来对大数据系统的架构和服务器进行优化和效果评估，但由于无法预测未来一段时间内系统的稳定性，进而无法提前对大数据系统进行优化。
针对相关技术中，无法预测未来一段时间内系统的稳定性的问题，目前尚未提出有效的解决方案。
因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。
发明内容
本发明实施例提供了一种系统稳定性的预测方法及装置、存储介质及电子装置，以至少解决无法预测未来一段时间内系统的稳定性的问题。
根据本发明实施例的一方面，提供一种系统稳定性的预测方法，包括：对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到所述目标时间段对应的目标稳定性数值；根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
在一个示例性的实施例中，通过所述时间序列数据构建时间序列预测模型，包括：确定所述时间序列数据是否满足平稳性要求；在所述时间序列数据满足平稳性要求的情况下，通过所述时间序列数据构建时间序列预测模型。
在一个示例性的实施例中，确定所述时间序列数据是否满足平稳性要求，包括：在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求；在通过单位根验证确定第一时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第一时间序列数据为对所述时间序列数据进行一阶差分运算后所得到的数据；在通过单位根验证确定第二时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第二时间序列数据为对所述时间序列数据进行二阶差分运算后所得到的数据。
在一个示例性的实施例中，通过所述时间序列数据构建时间序列预测模型，包括：通过所述时间序列数据确定第一参数值，其中，所述第一参数值用于指示所述时间序列数据在确定满足平稳性要求的过程中所进行差分运算的阶数；通过所述第一参数值和最小化信息量准则确定第二参数值与第三参数值，其中，所述第二参数值用于指示所述时间序列数据的滞后数，所述第三参数值用于指示所述时间序列预测模型对所述时间序列数据进行预测时采用的预测误差的滞后数；将所述第一参数值、所述第二参数值、所述第三参数值输入至所述时间序列预测模型对应的通用模型，得到所述时间序列预测模型，其中，在所述通用模型的第一参数的值为所述第一参数值、第二参数的值为所述第二参数值、第三参数的值为所述第三参数值时，所述通用模型为所述时间序列预测模型。
在一个示例性的实施例中，通过所述时间序列数据确定第一参数的第一参数值，包括：在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于0；在通过单位根验证确定第N-1时间序列数据不是平稳时间序列数据、第N时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于所述N，其中，所述第N-1时间序列数据为对所述时间序列数据进行N-1阶差分运算后得到的数据，所述第N时间序列数据为对所述时间序列数据进行N阶差分运算后得到的数据。
在一个示例性的实施例中，通过所述第一参数值和最小化信息量准则确定第二参数值与第三参数值，包括：获取所述通用模型的所述第二参数的第一取值范围以及所述第三参数的第二取值范围；根据最小化信息量准则从所述第一取值范围中确定出第二参数值、从所述第二取值范围中确定出第三参数值，其中，将所述第一参数值、所述第二参数值、所述第三参数值分别代入至所述最小化信息量准则对应的目标函数的三个参数中进行计算，得到目标函数值；将所述第一参数值、所述第一取值范围中的任意一个值、所述第二取值范围中的任意一个值分别代入至所述目标函数的三个参数中进行计算，得到参考函数值；所述目标函数值小于或等于所述参考函数值。
在一个示例性的实施例中，根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性，包括：确定目标参考值与所述目标稳定性数值的差值；根据所述差值确定所述系统在目标时间段内的系统稳定性，其中，所述差值与所述系统稳定性负相关。
根据本发明实施例的另一方面，还提供了一种系统稳定性的预测装置，包括：分析模块，用于对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；处理模块，用于通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到所述目标时间段对应的目标稳定性数值；确定模块，用于根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述系统稳定性的预测方法。
根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述系统稳定性的预测方法。
通过本发明，通过目标历史时间段对应的系统的时间序列数据构建时间序列预测模型，并将时间序列数据以及待预测系统稳定性的目标时间段输入至构建好的时间序列预测模型，得到目标时间段对应的目标稳定性数值，进而根据目标稳定性数值确定所述系统在目标时间段内的系统稳定性。由于可以通过历史时间段系统的稳定性数值预测系统在未来时间段的稳定性，进而解决了无法预测未来一段时间内系统的稳定性的问题，使得可以提前根据预测到的系统的稳定性来对系统的架构和服务器进行优化和效果评估。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，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是根据本申请实施例的一种系统稳定性的预测方法的硬件环境示意图；
图2是根据本发明实施例的系统稳定性的预测方法的流程图；
图3是根据本发明实施例的单位根验证结果示意图(一)；
图4是根据本发明实施例的单位根验证结果示意图(二)；
图5是根据本发明实施例的时间序列预测模型预测示意图；
图6是根据本发明实施例的时间序列预测模型预测结果预测示意图；
图7是根据本发明实施例的系统稳定性的预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面，提供了一种系统稳定性的预测方法。该系统稳定性的预测方法广泛应用于智慧家庭(Smart Home)、智能家居、智能家用设备生态、智慧住宅(IntelligenceHouse)生态等全屋智能数字化控制应用场景。可选地，在本实施例中，上述系统稳定性的预测方法可以应用于如图1所示的由终端设备102和服务器104所构成的硬件环境中。如图1所示，服务器104通过网络与终端设备102进行连接，可用于为终端或终端上安装的客户端提供服务(如应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务，可在服务器上或独立于服务器配置云计算和/或边缘计算服务，用于为服务器104提供数据运算服务。
上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于以下至少之一：WIFI(Wireless Fidelity，无线保真)，蓝牙。终端设备102可以并不限定于为PC、手机、平板电脑、智能空调、智能烟机、智能冰箱、智能烤箱、智能炉灶、智能洗衣机、智能热水器、智能洗涤设备、智能洗碗机、智能投影设备、智能电视、智能晾衣架、智能窗帘、智能影音、智能插座、智能音响、智能音箱、智能新风设备、智能厨卫设备、智能卫浴设备、智能扫地机器人、智能擦窗机器人、智能拖地机器人、智能空气净化设备、智能蒸箱、智能微波炉、智能厨宝、智能净化器、智能饮水机、智能门锁等。
为了解决上述问题，在本实施例中提供了一种系统稳定性的预测方法，包括但不限于应用在预测程序中，图2是根据本发明实施例的系统稳定性的预测方法的流程图，该流程包括如下步骤：
步骤S202，对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；
需要说明的是，本实施例中的系统包括但不限于：大数据系统。示例性的，系统的数据包括但不限于数据量，吞吐量，数据结构、带宽、内存利用率等等。
示例性的，目标历史时间段包括多个连续的，子时间段；假设目标历史时间段为2020年1-6月，则子时间段对应月份，进而通过分析1-6月每个月的系统的数据可以得到1-6月每个月对应的稳定性数值，假设得到的1-6月中每个月的稳定性数值分别为：0.9977599、0.999583333、0.999417563、0.998330787、0.99890233、1；则对应的时间序列数据为[202201：0.9977599；202202：0.999583333；202203：0.999417563；202204：0.998330787；202205：0.99890233；202206：1]。
需要说明的是，稳定性数值越接近1，表示系统越稳定。
步骤S204，通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到所述目标时间段对应的目标稳定性数值；
需要说明的是，时间序列预测模型为一种自回归移动平均模型(AutoregressiveIntegrated Moving Average Model，简称为ARIMA)。目标时间段位于当前时刻之后，即需要预测系统在目标时间段的系统稳定性。
在一个示例性的实施例中，将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，可以通过以下步骤S11-S12实现：
步骤S11：确定所述时间序列数据是否满足平稳性要求；
在一个示例性的实施例中，上述步骤S11可以通过以下方式实现：在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求；在通过单位根验证确定第一时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第一时间序列数据为对所述时间序列数据进行一阶差分运算后所得到的数据；在通过单位根验证确定第二时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第二时间序列数据为对所述时间序列数据进行二阶差分运算后所得到的数据。
需要说明的是，单位根验证是指验证序列中是否存在单位根，在通过单位根验证确定时间序列数据中存在单位根的情况下(即对时间序列数据进行单位根验证不通过)，确定时间序列数据为非平稳时间序列。在通过单位根验证确定时间序列数据中不存在单位根的情况下(即对时间序列数据进行单位根验证通过)，确定时间序列数据为平稳时间序列。通过单位根验证验证第一时间序列数据、第二时间序列数据是否为平稳时间序列数据的方法与上述通过单位根验证验证时间序列数据是否为平稳时间序列数据的方法相同。
需要说明的是，对于存在单位根的非平稳时间序列数据，一般可以通过差分的方法来消除单位根，得到平稳时间序列数据。理论上说，差分的次数越多，对时序信息的非平稳确定性信息的提取越充分，但差分的次数并非越多越好，每一次差分运算，都会造成信息的损失，所以应当避免过分的差分，在本实施例中，差分的阶数不超过2。对于存在单位根的时间序列数据，一般都显示出明显的记忆性和波动的持续性，进而时间序列预测模型建立在平稳时间序列的基础上进行预测的预测效果更好。可选的，单位根检验的方法为ADF(Augmented Dickey-Fuller)检验。
也就是说，如果时间序列数据通过单位根验证确定为平稳时间序列，则时间序列数据满足平稳性要求，否则可以对时间序列数据进行一阶差分，如果进行一阶差分运算后得到的第一时间序列数据通过了单位根验证，则时间序列数据也满足平稳性要求，否则可以对时间序列数据再进行二阶差分运算，如果进行二阶差分后得到的第二时间序列数据通过单位根验证，则时间序列数据也满足平稳性要求，否则时间序列数据不满足平稳性要求。
在本实施例中，通过上述方式可以准确的确定时间序列数据是否满足平稳性要求。
步骤S12：在所述时间序列数据满足平稳性要求的情况下，将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型。
需要说明的是，由于时间序列预测模型对平稳性的时间序列数据的预测更加准确，因此，为了更加准确的进行稳定性的预测，需要在时间序列数据满足平稳性要求的情况下，才构建时间序列预测模型进行预测。
在一个示例性的实施例中，通过所述时间序列数据构建时间序列预测模型，可以通过以下步骤S21-S23实现：
步骤S21，通过所述时间序列数据确定第一参数值，其中，所述第一参数值用于指示所述时间序列数据在确定满足平稳性要求的过程中所进行差分运算的阶数；
作为一种可选的示例，上述步骤S21可以通过以下方式实现：通过所述时间序列数据确定第一参数的第一参数值，包括：在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于0；在通过单位根验证确定第N-1时间序列数据不是平稳时间序列数据、第N时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于所述N，其中，所述第N-1时间序列数据为对所述时间序列数据进行N-1阶差分运算后得到的数据，所述第N时间序列数据为对所述时间序列数据进行N阶差分运算后得到的数据。
需要说明的是，如果时间序列数据本身就是平稳时间序列数据，即无需进行差分运算即可确定时间序列数满足平稳性要求，进而确定第一参数值为0，如果时间序列数据不是平稳时间序列数据，但时间序列数据进行一阶差分运算后得到的第一时间序列数据是平稳时间序列数据，则第一参数值为1，如果第一时间序列数据不是平稳时间序列数据，但时间序列数据进行二阶差分运算后得到的第二时间序列数据是平稳时间序列数据，则第一参数值为2。需要说明的是，如果第二时间序列数据还不是平稳时间序列数据，则通常不会根据时间序列数据来构建时间序列预测模型，进而N的值通常为1或2。需要说明的是，第0时间序列数据就是时间序列数据本身。在本实施例中，通过上述方式可以准确的确定第一参数值。
步骤S22，通过所述第一参数值和最小化信息量准则确定第二参数值与第三参数值，其中，所述第二参数值用于指示所述时间序列数据的滞后数，所述第三参数值用于指示所述时间序列预测模型对所述时间序列数据进行预测时采用的预测误差的滞后数；
作为一种可选的示例，上述步骤S22可以通过以下方式实现：获取所述通用模型的所述第二参数的第一取值范围以及所述第三参数的第二取值范围；根据最小化信息量准则从所述第一取值范围中确定出第二参数值、从所述第二取值范围中确定出第三参数值，其中，将所述第一参数值、所述第二参数值、所述第三参数值分别代入至所述最小化信息量准则对应的目标函数的三个参数中进行计算，得到目标函数值；将所述第一参数值、所述第一取值范围中的任意一个值、所述第二取值范围中的任意一个值分别代入至所述目标函数的三个参数中进行计算，得到参考函数值；所述目标函数值小于或等于所述参考函数值。
也就是说，在确定了第一参数值之后，需要对时间序列预测模型定阶(即确定第二参数值和第三参数值)，可选的，可以使用最小化信息量准则(Akaike InformationCriterion，简称为AIC)进行定阶，AIC准则是拟合精度和参数个数的加权函数，其中，AIC＝2(模型参数的个数)-2ln(模型的极大似然函数)，需要说明的是，AIC值越小代表模型越佳。最终通过软件计算，可以确定第二参数值和第三参数值。需要说明的是，目标函数包括：AIC＝2(模型参数的个数)-2ln(模型的极大似然函数)。需要说明的是，目标函数会不断的从第一取值范围中的任意选取一个值、从第二取值范围中的任意选取一个值，并结合第一参数值不断的进行计算，直到从第一取值范围中确出满足条件的第二参数值，从第二取值范围中确定出满足条件的第三参数值。
为了更好的理解，以下进行具体说明，假设目标函数为f(x，y，z)，则f(第一参数值，第二参数值，第三参数值)<＝f(第一参数值，y，z)，其中，y的取值范围为第一取值范围，z的取值范围为第二取值范围。
在本实施例中，通过按上述方式可以快速确定第二参数值和第三参数值。
步骤S23，将所述第一参数值、所述第二参数值、所述第三参数值输入至所述时间序列预测模型对应的通用模型，得到所述时间序列预测模型，其中，在所述通用模型的第一参数的值为所述第一参数值、第二参数的值为所述第二参数值、第三参数的值为所述第三参数值时，所述通用模型为所述时间序列预测模型。
需要说明的是，通用模型(即没有确定出p、d、q的具体值的ARIMA模型)有三个参数：p(相当于上述第二参数)，d(相当于上述第一参数)，q(相当于上述第三参数)；其中，
p：代表预测模型中采用的时序数据本身的滞后数(lags)，也叫做AR/Auto-Regressive项。
d：代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated项。
q：代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项。
其中，ARIMA用数学形式表示如下yt，其中，γi为表示AR的系数，θi为表示MA的系数：
需要说明的是，确定了ARIMA模型的三个参数的具体值就确定了时间序列预测模型。在本实施例中，通过时间序列数据来确定ARIMA模型的三个参数的值，进而确定时间序列预测模型，可以快速的确定时间序列预测模型。
在一个示例性的实施例中，如果在将所述时间序列数据输入至时间序列预测模型的时候，没有将待预测的目标时间段输入至时间序列预测模型，则时间序列预测模型会按照预设的预设时间段进行预测，得到系统在预设时间段内的目标稳定性数值。
例如，假设将时间序列数据[202201：0.9977599；202202：0.999583333；202203：0.999417563；202204：0.998330787；202205：0.99890233；202206：1](2022年1-6月中每个月系统的稳定性数值)、目标时间段(202208)输入至时间序列预测模型，则时间序列预测模型可以预测2022年8月系统的目标稳定性数值。假设将时间序列数据[202201：0.9977599；202202：0.999583333；202203：0.999417563；202204：0.998330787；202205：0.99890233；202206：1](2022年1-6月中每个月系统的稳定性数值)输入至时间序列预测模型，则时间序列预测模型会输出预设的2022年7-12月中每个月系统的目标稳定性数值。
步骤S206：根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
需要说明的是，目标稳定性数值为系统在目标时间段内的稳定性数值。
作为一种可选的示例，上述步骤S206可以通过以下方式实现：确定目标参考值与所述目标稳定性数值的差值；根据所述差值确定所述系统在目标时间段内的系统稳定性，其中，所述差值与所述系统稳定性负相关。
需要说明的是，差值越小，越接近0，表明系统稳定性越好，即系统越稳定。差值越大，表明系统稳定性越差，即系统越不稳定。
通过上述步骤，通过目标历史时间段对应的系统的时间序列数据构建时间序列预测模型，并将时间序列数据以及待预测系统稳定性的目标时间段输入至构建好的时间序列预测模型，得到目标稳定性数值，进而根据目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。由于可以通过历史时间段系统的稳定性数值预测系统在未来时间段的稳定性，进而解决了无法预测未来一段时间内系统的稳定性的问题，使得可以提前根据预测到的系统的稳定性来对系统的架构和服务器进行优化和效果评估。
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。为了更好的理解上述方法，以下结合实施例对上述过程进行说明，但不用于限定本发明实施例的技术方案，具体地：
在一个可选的实施例中，可以获取2020.08-2021.08的系统稳定性数据进行预测，具体的，下表1为2020.08-2021.08的系统稳定性数据，其中，X1为系统稳定性数值；
表1
| month | X1 |
| 2020M08 | 0.9977599 |
| 2020M09 | 0.999583333 |
| 2020M10 | 0.999417563 |
| 2020M11 | 0.998330787 |
| 2020M12 | 0.99890233 |
| 2021M01 | 1 |
| 2021M02 | 1 |
| 2021M03 | 0.998541667 |
| 2021M04 | 1 |
| 2021M05 | 1 |
| 2021M06 | 0.998981481 |
| 2021M07 | 0.999421296 |
| 2021M08 | 0.99974537 |
(一)检验数据平稳性；
可选的，使用ADF方法对系统稳定性的时间序列数据进行单位根检验，结果如图3所示，由于P＝0.4469>0.05，则说明原序列不平稳，此时需要对其进行一阶差分后做单位根检验，结果如图4所示，由于P＝0.0244<0.05，则说明一阶差分后序列平稳，进而可以建立Arima模型。
(二)建立Arima模型并预测；
从单位根检验结果来看，一阶差分后序列平稳，因此d＝1；
接下来需要确定模型的阶数，通常使用AIC准则进行模型定阶，AIC是拟合精度和参数个数的加权函数：AIC＝2(模型参数的个数)-2ln(模型的极大似然函数)，其中，AIC值越小代表模型越佳。最终通过Eviews软件计算，选定的模型结果如下：Arima(2，1，2)。具体模型预测过程如图5所示。
在模型结果上进行动态预测至2021.12，预测序列为X1F，预测结果如图6所示，整理预测结果如下表2所示，通过2020M11-2021M08的(x1f-x1)/x1计算预测误差为0.0571％。
表2
需要说明的是，对未来的系统稳定性进行预测，便于对大数据架构和服务器进行优化和效果评估。模型稳定性数值越高，越接近于1，说明系统越稳定。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
在本实施例中还提供了一种系统稳定性的预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的设备较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的系统稳定性的预测装置的结构框图，该装置包括：
分析模块72，用于对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；
处理模块74，用于通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到目标稳定性数值；
确定模块76，用于根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
通过上述装置，通过目标历史时间段对应的系统的时间序列数据构建时间序列预测模型，并将时间序列数据以及待预测系统稳定性的目标时间段输入至构建好的时间序列预测模型，得到目标稳定性数值，进而根据目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。由于可以通过历史时间段系统的稳定性数值预测系统在未来时间段的稳定性，进而解决了无法预测未来一段时间内系统的稳定性的问题，使得可以提前根据预测到的系统的稳定性来对系统的架构和服务器进行优化和效果评估。
在一个示例性的实施例中，处理模块74包括，确定单元，用于确定所述时间序列数据是否满足平稳性要求；在所述时间序列数据满足平稳性要求的情况下，通过所述时间序列数据构建时间序列预测模型。
在一个示例性的实施例中，确定单元，还用于在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求；在通过单位根验证确定第一时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第一时间序列数据为对所述时间序列数据进行一阶差分运算后所得到的数据；在通过单位根验证确定第二时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第二时间序列数据为对所述时间序列数据进行二阶差分运算后所得到的数据。
在一个示例性的实施例中，处理模块74还包括，构建单元，用于通过所述时间序列数据确定第一参数值，其中，所述第一参数值用于指示所述时间序列数据在确定满足平稳性要求的过程中所进行差分运算的阶数；通过所述第一参数值和最小化信息量准则确定第二参数值与第三参数值，其中，所述第二参数值用于指示所述时间序列数据的滞后数，所述第三参数值用于指示所述时间序列预测模型对所述时间序列数据进行预测时采用的预测误差的滞后数；将所述第一参数值、所述第二参数值、所述第三参数值输入至所述时间序列预测模型对应的通用模型，得到所述时间序列预测模型，其中，在所述通用模型的第一参数的值为所述第一参数值、第二参数的值为所述第二参数值、第三参数的值为所述第三参数值时，所述通用模型为所述时间序列预测模型。
在一个示例性的实施例中，构建单元，还用于在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于0；在通过单位根验证确定第N-1时间序列数据不是平稳时间序列数据、第N时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于所述N，其中，所述第N-1时间序列数据为对所述时间序列数据进行N-1阶差分运算后得到的数据，所述第N时间序列数据为对所述时间序列数据进行N阶差分运算后得到的数据，所述N等于1或者2。
在一个示例性的实施例中，构建单元，还用于获取所述通用模型的所述第二参数的第一取值范围以及所述第三参数的第二取值范围；根据最小化信息量准则从所述第一取值范围中确定出第二参数值、从所述第二取值范围中确定出第三参数值，其中，将所述第一参数值、所述第二参数值、所述第三参数值分别代入至所述最小化信息量准则对应的目标函数的三个参数中进行计算，得到目标函数值；将所述第一参数值、所述第一取值范围中的任意一个值、所述第二取值范围中的任意一个值分别代入至所述目标函数的三个参数中进行计算，得到参考函数值；所述目标函数值小于或等于所述参考函数值。
在一个示例性的实施例中，确定模块76，还用于确定目标参考值与所述目标稳定性数值的差值；根据所述差值确定所述系统在目标时间段内的系统稳定性，其中，所述差值与所述系统稳定性负相关。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；
S2，通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到目标稳定性数值；
S3，根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；
S2，通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到目标稳定性数值；
S3，根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种系统稳定性的预测方法，其特征在于，包括：
对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；
通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到所述目标时间段对应的目标稳定性数值；
根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
2.根据权利要求1所述的方法，其特征在于，通过所述时间序列数据构建时间序列预测模型，包括：
确定所述时间序列数据是否满足平稳性要求；
在所述时间序列数据满足平稳性要求的情况下，通过所述时间序列数据构建时间序列预测模型。
3.根据权利要求2所述的方法，其特征在于，确定所述时间序列数据是否满足平稳性要求，包括：
在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求；
在通过单位根验证确定第一时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第一时间序列数据为对所述时间序列数据进行一阶差分运算后所得到的数据；
在通过单位根验证确定第二时间序列数据是平稳时间序列数据的情况下，确定所述时间序列数据满足平稳性要求，其中，所述第二时间序列数据为对所述时间序列数据进行二阶差分运算后所得到的数据。
4.根据权利要求1所述的方法，其特征在于，通过所述时间序列数据构建时间序列预测模型，包括：
通过所述时间序列数据确定第一参数值，其中，所述第一参数值用于指示所述时间序列数据在确定满足平稳性要求的过程中所进行差分运算的阶数；
通过所述第一参数值和最小化信息量准则确定第二参数值与第三参数值，其中，所述第二参数值用于指示所述时间序列数据的滞后数，所述第三参数值用于指示所述时间序列预测模型对所述时间序列数据进行预测时采用的预测误差的滞后数；
将所述第一参数值、所述第二参数值、所述第三参数值输入至所述时间序列预测模型对应的通用模型，得到所述时间序列预测模型，其中，在所述通用模型的第一参数的值为所述第一参数值、第二参数的值为所述第二参数值、第三参数的值为所述第三参数值时，所述通用模型为所述时间序列预测模型。
5.根据权利要求4所述的方法，其特征在于，通过所述时间序列数据确定第一参数的第一参数值，包括：
在通过单位根验证确定所述时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于0；
在通过单位根验证确定第N-1时间序列数据不是平稳时间序列数据、第N时间序列数据是平稳时间序列数据的情况下，确定所述第一参数值等于所述N，其中，所述第N-1时间序列数据为对所述时间序列数据进行N-1阶差分运算后得到的数据，所述第N时间序列数据为对所述时间序列数据进行N阶差分运算后得到的数据。
6.根据权利要求4所述的方法，其特征在于，通过所述第一参数值和最小化信息量准则确定第二参数值与第三参数值，包括：
获取所述通用模型的所述第二参数的第一取值范围以及所述第三参数的第二取值范围；
根据所述最小化信息量准则从所述第一取值范围中确定出第二参数值、从所述第二取值范围中确定出第三参数值；
其中，将所述第一参数值、所述第二参数值、所述第三参数值分别代入至所述最小化信息量准则对应的目标函数的三个参数中进行计算，得到目标函数值；将所述第一参数值、所述第一取值范围中的任意一个值、所述第二取值范围中的任意一个值分别代入至所述目标函数的三个参数中进行计算，得到参考函数值；所述目标函数值小于或等于所述参考函数值。
7.根据权利要求1所述的方法，其特征在于，根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性，包括：
确定目标参考值与所述目标稳定性数值的差值；
根据所述差值确定所述系统在所述目标时间段内的系统稳定性，其中，所述差值与所述系统稳定性负相关。
8.一种系统稳定性的预测装置，其特征在于，包括：
分析模块，用于对目标历史时间段中的每个子时间段内系统的数据进行分析，得到时间序列数据，其中，所述时间序列数据包括所述每个子时间段对应的稳定性数值，所述稳定性数值用于反映所述系统在对应的子时间段的稳定性；
处理模块，用于通过所述时间序列数据构建时间序列预测模型，并将所述时间序列数据以及待预测系统稳定性的目标时间段输入至所述时间序列预测模型，得到所述目标时间段对应的目标稳定性数值；
确定模块，用于根据所述目标稳定性数值确定所述系统在所述目标时间段内的系统稳定性。
9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至7中任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211510862.XA CN115774660A (zh) | 2022-11-29 | 2022-11-29 | 系统稳定性的预测方法及装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211510862.XA CN115774660A (zh) | 2022-11-29 | 2022-11-29 | 系统稳定性的预测方法及装置、存储介质及电子装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115774660A true CN115774660A (zh) | 2023-03-10 |
Family
ID=85390626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211510862.XA Pending CN115774660A (zh) | 2022-11-29 | 2022-11-29 | 系统稳定性的预测方法及装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115774660A (zh) |
-
2022
- 2022-11-29 CN CN202211510862.XA patent/CN115774660A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109478045B (zh) | 使用预测来控制目标系统 | |
| CN112418921A (zh) | 用电需量预测方法、装置、系统与计算机存储介质 | |
| KR102495494B1 (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
| CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
| CN117391224A (zh) | 能耗优化方法、系统、装置及存储介质 | |
| CN117573320A (zh) | 任务节点的执行方法、装置、存储介质及电子装置 | |
| CN115774660A (zh) | 系统稳定性的预测方法及装置、存储介质及电子装置 | |
| CN115345225A (zh) | 推荐场景的确定方法及装置、存储介质及电子装置 | |
| CN116107975A (zh) | 设备的控制方法和装置、存储介质及电子装置 | |
| CN115390466A (zh) | 行为偏好表的生成方法和装置、存储介质及电子装置 | |
| CN115631832A (zh) | 烹饪计划的确定方法及装置、存储介质及电子装置 | |
| CN115654668A (zh) | 一种空调系统及空调系统的负荷预测方法 | |
| CN115496524A (zh) | 门店拜访方法、装置、存储介质及电子装置 | |
| KR102542488B1 (ko) | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 | |
| CN114840557A (zh) | 数据的查询方法和装置、存储介质及电子装置 | |
| CN114675551A (zh) | 操作行为的确定方法和装置、存储介质及电子装置 | |
| CN116483799A (zh) | 优化信息的推送方法及装置、存储介质及电子装置 | |
| CN115658312A (zh) | 资源使用情况的确定方法和装置、存储介质及电子装置 | |
| CN116540998A (zh) | 统计数据的确定方法及装置、存储介质及电子装置 | |
| CN114880364A (zh) | 目标行为的预测方法及装置、存储介质及电子装置 | |
| CN115481317A (zh) | 一种工作台场景的推荐方法、存储介质及电子装置 | |
| CN117573442A (zh) | 设备测试方法和装置、存储介质及电子装置 | |
| CN115857681A (zh) | 行为预测方法、装置、存储介质以及电子装置 | |
| CN116910245A (zh) | 类别确定方法和装置、存储介质及电子装置 | |
| CN116521767A (zh) | 数据信息的确定方法和装置、存储介质及电子装置 |
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 |