应用系统负载预测方法、可读存储介质和终端与流程

本发明涉及工业互联网技术领域，特别是涉及一种应用系统负载预测方法、可读存储介质和终端。

背景技术：

工业物联网的快速发展，给其应用系统的负载带来了极大的挑战。

一方面，工业物联网应用系统所涉及的资源种类繁多，任意资源种类的负载过大，都可能会导致应用系统性能的大幅度下降；另一方面，某种资源的负载具有随机性和突发性，给系统负载能力带来更大的要求。因此，及时获悉历史的负载情况并对下一时间段的负载进行精准分析，做出提前准备和防护，能够促进系统的稳定运行。

但是，现有的工业物联网应用系统负载预测方法存在着预测准确性差的问题。

技术实现要素：

本发明解决的技术问题是如何提高工业物联网中应用系统负载预测的准确性。

为了达到上述目的，本发明提供一种应用系统负载预测方法，所述方法包括：

获取工业物联网中应用系统负载的历史数据；

对所获取的工业物联网中应用系统负载的历史数据进行预处理，得到工业物联网中应用系统负载的有效历史数据；

采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型；

采用所构建的工业物联网中应用系统负载预测模型对工业物联网中应用系统的负载进行预测。

可选地，所述对所获取的工业物联网中应用系统负载的历史数据进行预处理，包括：

对所获取的工业物联网中应用系统负载的历史数据进行规划化处理；

对规划化后的工业物联网中应用系统负载的历史数据依次离群点检测和数据清洗。

可选地，得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型之前，所述方法还包括：

对所得到的工业物联网中应用系统负载的有效历史数据进行平稳性分析和白噪声检测。

可选地，所述对所得到的工业物联网中应用系统负载的有效历史数据进行平稳性分析，包括：

计算所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量；

当确定计算得到的df统计量大于或等于预设的df统计量阈值时，确定所得到的工业物联网中应用系统负载的有效历史数据具备平稳性。

可选地，采用如下的公式计算所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量：

且：

xt＝βxt-1+μt；

其中，df表示所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量，t为样本容量，表示β的估计值，μt表示差值，表示ut的估计值，{xt}为随机过程。

可选地，所述对所得到的工业物联网中应用系统负载的有效历史数据进行白噪声检测，包括：

计算所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量；

当确定计算得到的lb统计量大于或等于预设的lb统计量阈值时，确定所得到的工业物联网中应用系统负载的有效历史数据不具备白噪声。

可选地，采用如下的公式计算所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量：

且：

其中，lb表示所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量，t表示样本容量，m表示人为选定的一个数，表示k阶滞后的自相关系数，h0表示延迟期数小于或等于m期的序列值之间相互独立，h1表示延迟期数小于或等于m期的序列值之间的相关性。

可选地，所述采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型，包括：

采用所得到的工业物联网中应用系统负载的有效历史数据和极大似然估计方法对应用系统负载预测模型中的参数进行初步估计；

分别计算初步估计得到的参数对应的不同自回归积分滑动平均模型对应的贝叶斯信息度量准则值；

选取最小的贝叶斯信息度量准则值对应的参数所得到的自回归积分滑动平均模型，作为所述工业物联网中应用系统负载预测模型。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一项所述的应用系统负载预测方法的步骤。

本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一项所述的应用系统负载预测方法的步骤。

与现有技术相比，本发明的有益效果为：

上述的方案，通过对所获取的工业物联网中应用系统负载的历史数据进行预处理，得到工业物联网中应用系统负载的有效历史数据，并采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型，从而使得训练得到的工业物联网中应用系统负载预测模型更加准确，进而可以提高工业物联网中应用系统负载预测的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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是本发明实施例的一种应用系统负载预测方法的流程示意图；

图2是本发明实施例的一种应用系统负载预测装置的结构示意图。

具体实施方式

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，都属于本申请保护的范围。本发明实施例中有关方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

如背景技术所述，现有技术中工业互联网中应用系统负载预测方法存在着预测准确性差的问题。

本发明的技术方案通过对所获取的工业物联网中应用系统负载的历史数据进行预处理，得到工业物联网中应用系统负载的有效历史数据，并采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型，从而使得训练得到的工业物联网中应用系统负载预测模型更加准确，进而可以提高工业物联网中应用系统负载预测的准确性。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

图1是本发明实施例的一种应用系统负载预测方法的流程示意图。参见图1，一种应用系统负载预测方法，适于对工业互联网中应用系统负载进行预测，具体可以包括如下的步骤：

步骤s101：获取工业物联网中应用系统负载的历史数据。

在具体实施中，可以通过对负载相关数据实施抽取获取工业物联网中应用系统负载的历史数据。其中，主要抽取方式可以分为选择性抽取和定期抽取两种。最终所抽取的工业物联网中应用系统负载的历史数据可以表示x＝{x1，x2…xn}，其中，xn为工业物联网中应用系统在时刻n的负载数据。

步骤s102：对所获取的工业物联网中应用系统负载的历史数据进行预处理，得到工业物联网中应用系统负载的有效历史数据。

在具体实施中，当抽取到工业物联网中应用系统负载的历史数据时，可以通过对所抽取到的工业物联网中应用系统负载的历史数据进行预处理，得到工业物联网中应用系统负载的历史数据。

具体而言，可以首先接着对所抽取到的工业物联网中应用系统负载的历史数据进行规范化处理。在本发明一实施例中，采用如下的公式对所抽取到的工业物联网中应用系统负载的历史数据进行规范化处理：

其中，x′n表示规范化后的工业物联网中应用系统负载的历史数据，max(x)表示所抽取的工业物联网中应用系统负载的历史数据的最大值，min(x)表示所抽取的工业物联网中应用系统负载的历史数据的最小值。

接着，可以对规范化后所得到的数据做基于聚类的离群点检测。在本发明一实施例中，为了应对数据因测量问题、收集问题以及自然突变问题等而产生数据离群的问题，运用k-means方法对历史数据进行聚类的离群点检测，从而从所抽取到的工业物联网中应用系统负载的历史数据主动识别并剔除异常数据，并采用均值修正法对剔除的值进行处理。

之后，可以对离群点检测后得到的工业物联网中应用系统负载的历史数据进行数据清洗，以对源数据中的重复或无效数据作剔除和补全处理。

采用上述的预处理方式，可以偶从源头上保证数据的有效性。

步骤s103：采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型。

在本发明一实施例中，为了进一步确保所得到的得到的工业物联网中应用系统负载的历史数据的有效性，在采用所得到的工业物联网中应用系统负载的有效历史数据构建对应的工业物联网中应用系统负载预测模型之前，对所得到的工业物联网中应用系统负载的有效历史数据进行平稳性分析和白噪声检测。其中：

在对所得到的工业物联网中应用系统负载的有效历史数据进行平稳性分析时，可以首先计算所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量，并将计算得到的df统计量与预设的df统计量阈值，如0.5等进行比较，当确定计算得到的df统计量大于或等于预设的df统计量阈值时，确定所得到的工业物联网中应用系统负载的有效历史数据具备平稳性，适于用于构建工业物联网中应用系统负载预测模型；反之，则可以确定所得到的工业物联网中应用系统负载的有效历史数据具备平稳性，不适于用于构建工业物联网中应用系统负载预测模型。在本发明一实施例中，采用如下的公式计算所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量：

其中：

xt＝βxt-1+μt(4)

其中，df表示所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量，t为样本容量，表示β的估计值，μt表示差值，表示ut的估计值，{xt}为随机过程。

在对所得到的工业物联网中应用系统负载的有效历史数据进行白噪声检测时，通过计算所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量，并将计算得到的lb统计量与预设的lb统计量阈值，如0.05等进行比较，当确定计算得到的lb统计量大于或等于预设的lb统计量阈值时，确定所得到的工业物联网中应用系统负载的有效历史数据不具备白噪声，适于用于构建工业物联网中应用系统负载预测模型；反之，则可以确定所得到的工业物联网中应用系统负载的有效历史数据具备白噪声，不适于用于构建工业物联网中应用系统负载预测模型。在本发明一实施例中，采用如下的公式计算所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量：

且：

其中，lb表示所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量，t表示样本容量，m表示人为选定的一个数，表示k阶滞后的自相关系数，h0表示延迟期数小于或等于m期的序列值之间相互独立，h1表示延迟期数小于或等于m期的序列值之间的相关性。

步骤s104：采用所构建的工业物联网中应用系统负载预测模型对工业物联网中应用系统的负载进行预测。

在本发明一实施例中，在采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型，首先采用所得到的工业物联网中应用系统负载的有效历史数据和极大似然估计方法对应用系统负载预测模型(autoregressiveintegratedmovingaverage，arima)中的参数，即自回归阶数p和滑动平均数q的参数值进行初步估计，并分别计算初步估计得到的参数对应的不同自回归积分滑动平均模型对应的贝叶斯信息度量准则值，最后选取最小的贝叶斯信息度量准则值对应的参数所得到的自回归积分滑动平均模型，作为所述工业物联网中应用系统负载预测模型。

由于对于工业物联网中的应用系统负载数据而言，它们与时间有一定的关联性，属于时间序列数据，它们更倾向于具有非平稳的特性，故采用自回归积分滑动平均模型作为所述工业物联网中应用系统负载预测模型，可以提高模型预测的准确性，进而可以进一步提高工业互联网中应用系统负载预测的准确性。

在本发明一实施例中，根据建立的模型对时序性的数据进行预测，应用建立好的模型对已知的系统负载数据进行预测，并将预测值与真实值比较，并选取常用的三个模型精准度评价指标，即平均绝对误差(meanabsoluteerror，mae)、均方根误差(meansquarederror，mse)和平均绝对百分误差(meanabsolutepercentageerror，mape)对所建立的模型的优劣做出有效评价，从而可以确保所建立的工业互联网中应用系统负载预测模型的可靠性和准确性。

上述对本发明实施例中的方法进行了详细的描述，下面将对上述的方法对应的装置进行介绍。

图2示出了本发明实施例中的一种应用系统负载预测装置的结构示意图。参见图2，本发明实施例中的一种应用系统负载预测装置20，可以包括数据获取单元201、预处理单元202、模型构建单元203和负载预测单元204，其中：

所述数据获取单元201，适于获取工业物联网中应用系统负载的历史数据；

所述预处理单元202，适于对所获取的工业物联网中应用系统负载的历史数据进行预处理，得到工业物联网中应用系统负载的有效历史数据；

所述模型构建单元203，适于采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型；

所述负载预测单元204，适于采用所构建的工业物联网中应用系统负载预测模型对工业物联网中应用系统的负载进行预测。

在具体实施中，所述预处理单元202，适于对所获取的工业物联网中应用系统负载的历史数据进行规划化处理；对规划化后的工业物联网中应用系统负载的历史数据依次离群点检测和数据清洗。

在本发明一实施例中，所述工业物联网中应用系统负载预测装置20还可以包括检测单元205，其中：

所述检测单元205，适于在采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型之前，对所得到的工业物联网中应用系统负载的有效历史数据进行平稳性分析和白噪声检测。

在具体实施中，所述检测单元205，适于计算所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量；当确定计算得到的df统计量大于或等于预设的df统计量阈值时，确定所得到的工业物联网中应用系统负载的有效历史数据具备平稳性。

在本发明一实施例中，所述检测单元205，适于采用如下的公式计算所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量：

且：

xt＝βxt-1+μt；

其中，df表示所得到的工业物联网中应用系统负载的有效历史数据对应的df统计量，t为样本容量，表示β的估计值，μt表示差值，表示ut的估计值，{xt}为随机过程。

在具体实施中，所述检测单元205，适于计算所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量；当确定计算得到的lb统计量大于或等于预设的lb统计量阈值时，确定所得到的工业物联网中应用系统负载的有效历史数据不具备白噪声。

在本发明一实施例中，所述检测单元205，适于采用如下的公式计算所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量：

且：

其中，lb表示所得到的工业物联网中应用系统负载的有效历史数据对应的lb统计量，t表示样本容量，m表示人为选定的一个数，表示k阶滞后的自相关系数，h0表示延迟期数小于或等于m期的序列值之间相互独立，h1表示延迟期数小于或等于m期的序列值之间的相关性。

在本发明一实施例中，所述模型构建单元，适于采用所得到的工业物联网中应用系统负载的有效历史数据和极大似然估计方法对应用系统负载预测模型中的参数进行初步估计；分别计算初步估计得到的参数对应的不同自回归积分滑动平均模型对应的贝叶斯信息度量准则值；选取最小的贝叶斯信息度量准则值对应的参数所得到的自回归积分滑动平均模型，作为所述工业物联网中应用系统负载预测模型。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的应用系统负载预测方法的步骤。其中，所述的应用系统负载预测方法请参见前述部分的详细介绍，不再赘述。

本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的应用系统负载预测方法的步骤。其中，所述的应用系统负载预测方法请参见前述部分的详细介绍，不再赘述。

采用本发明实施例中的上述方案，通过对所获取的工业物联网中应用系统负载的历史数据进行预处理，得到工业物联网中应用系统负载的有效历史数据，并采用所得到的工业物联网中应用系统负载的有效历史数据，构建对应的工业物联网中应用系统负载预测模型，从而使得训练得到的工业物联网中应用系统负载预测模型更加准确，进而可以提高工业物联网中应用系统负载预测的准确性。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。