本發(fā)明涉及云環(huán)境下服務(wù)性能優(yōu)化技術(shù)領(lǐng)域，尤其涉及一種云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)及方法。

背景技術(shù)：

隨著云應(yīng)用服務(wù)系統(tǒng)的復(fù)雜化及其運(yùn)行環(huán)境的開(kāi)放化、動(dòng)態(tài)化和難控化，云應(yīng)用服務(wù)系統(tǒng)在不同的時(shí)間點(diǎn)承載的并發(fā)量有著顯著的差異，并往往呈現(xiàn)出沿著某種規(guī)律的非平穩(wěn)的趨勢(shì)。應(yīng)用用戶(hù)并發(fā)量是指應(yīng)用在單位時(shí)間內(nèi)的用戶(hù)請(qǐng)求數(shù)。云應(yīng)用服務(wù)系統(tǒng)通過(guò)監(jiān)測(cè)應(yīng)用用戶(hù)并發(fā)量，分析和預(yù)測(cè)歷史應(yīng)用用戶(hù)并發(fā)量，執(zhí)行適合的保障服務(wù)性能資源調(diào)整策略，達(dá)到保障云服務(wù)系統(tǒng)的穩(wěn)定性和有效性的目的。因此，準(zhǔn)確實(shí)時(shí)的應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)既是判斷并發(fā)量異常與否的依據(jù)，也是動(dòng)態(tài)資源配置的基礎(chǔ)。傳統(tǒng)的應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)多將應(yīng)用用戶(hù)并發(fā)量看作成平穩(wěn)時(shí)間序列，采用AR等線(xiàn)性模型進(jìn)行預(yù)測(cè)，簡(jiǎn)單但精度較差。近年來(lái)，基于神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性預(yù)測(cè)理論和方法得到廣泛應(yīng)用，提高了預(yù)測(cè)精度，但神經(jīng)網(wǎng)絡(luò)固有的缺陷阻礙了它的進(jìn)一步發(fā)展。

在云應(yīng)用服務(wù)系統(tǒng)中，通過(guò)觸發(fā)模塊判斷是否需要執(zhí)行云資源性能優(yōu)化過(guò)程：如果當(dāng)前周期應(yīng)用的實(shí)際并發(fā)量與預(yù)測(cè)并發(fā)量的差值的絕對(duì)值大于閾值，則觸發(fā)性能優(yōu)化過(guò)程；否則，不觸發(fā)性能優(yōu)化過(guò)程。因此，盡可能準(zhǔn)確地預(yù)測(cè)云應(yīng)用用戶(hù)并發(fā)量有助于提高云資源性能優(yōu)化過(guò)程的效率。在這個(gè)過(guò)程中，建立并發(fā)量預(yù)測(cè)模型是云應(yīng)用系統(tǒng)性能優(yōu)化的關(guān)鍵。但由于云環(huán)境的復(fù)雜性，應(yīng)用所處理的業(yè)務(wù)大多屬于非平穩(wěn)型并發(fā)業(yè)務(wù)，即應(yīng)用用戶(hù)并發(fā)量不在一定數(shù)值上下內(nèi)平穩(wěn)變化的業(yè)務(wù)，其包括趨勢(shì)性并發(fā)業(yè)務(wù)與周期性并發(fā)業(yè)務(wù)。趨勢(shì)性并發(fā)業(yè)務(wù)是指應(yīng)用用戶(hù)并發(fā)量在一段時(shí)間內(nèi)具有遞增或遞減趨勢(shì)的業(yè)務(wù)。周期性并發(fā)業(yè)務(wù)是指應(yīng)用用戶(hù)并發(fā)量在一段時(shí)間內(nèi)周期性變化的業(yè)務(wù)。

為了構(gòu)建并發(fā)量預(yù)測(cè)模型，現(xiàn)有技術(shù)中大多采用時(shí)間序列分析、人工神經(jīng)網(wǎng)絡(luò)以及卡爾曼濾波等方法，主要有：依賴(lài)連續(xù)并發(fā)量信息的測(cè)量和捕獲，采用多種線(xiàn)性時(shí)間序列模型對(duì)并發(fā)量進(jìn)行短期的預(yù)測(cè)；基于人工神經(jīng)網(wǎng)絡(luò)的BP預(yù)測(cè)算法，應(yīng)用人工智能技術(shù)預(yù)測(cè)并發(fā)量；基于濾波理論的預(yù)測(cè)算法PAA，應(yīng)用電子或動(dòng)力學(xué)的濾波理論預(yù)測(cè)并發(fā)量；等等。然而，現(xiàn)有的研究都集中在預(yù)測(cè)的算法上，企圖建立一個(gè)通用的預(yù)測(cè)算法以適應(yīng)各種應(yīng)用，這勢(shì)必導(dǎo)致算法的通用性提高而準(zhǔn)確性降低。而并發(fā)量本身沒(méi)有一個(gè)特定的非線(xiàn)性模式，不同的應(yīng)用，由于性質(zhì)的差異，需要相對(duì)應(yīng)的、適合的預(yù)測(cè)方法進(jìn)行并發(fā)量預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)及方法，針對(duì)云環(huán)境下非平穩(wěn)型業(yè)務(wù)的趨勢(shì)性與周期性應(yīng)用用戶(hù)并發(fā)量的特點(diǎn)，利用不同的預(yù)測(cè)方法構(gòu)造了預(yù)測(cè)模型，對(duì)含有兩種性質(zhì)的并發(fā)量進(jìn)行預(yù)測(cè)，能自動(dòng)識(shí)別趨勢(shì)性和周期性并分發(fā)量序列的特征，并能自動(dòng)計(jì)算出序列的周期數(shù)，且無(wú)需人工干預(yù)，能自行完成預(yù)測(cè)過(guò)程，同時(shí)能有效提高非平穩(wěn)型業(yè)務(wù)并發(fā)量預(yù)測(cè)的準(zhǔn)確性。

一方面，本發(fā)明提供一種云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)，包括歷史數(shù)據(jù)獲取模塊、非平穩(wěn)型業(yè)務(wù)判定模塊和應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模塊；

所述歷史數(shù)據(jù)獲取模塊用于通過(guò)連接存儲(chǔ)應(yīng)用用戶(hù)并發(fā)量的數(shù)據(jù)庫(kù)，將云環(huán)境下一段時(shí)間內(nèi)用戶(hù)并發(fā)量按照一定的時(shí)間間隔從數(shù)據(jù)庫(kù)中獲取到系統(tǒng)緩存當(dāng)中，為非平穩(wěn)型判定模塊提供有效的用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列；

所述非平穩(wěn)型業(yè)務(wù)判定模塊用于通過(guò)分析從歷史數(shù)據(jù)獲取模塊得到的用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列，來(lái)識(shí)別產(chǎn)生該用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列的業(yè)務(wù)是否屬于非平穩(wěn)型業(yè)務(wù)，包括：趨勢(shì)性識(shí)別模塊和周期性識(shí)別模塊；

所述趨勢(shì)性識(shí)別模塊用于利用時(shí)間序列自相關(guān)系數(shù)趨勢(shì)識(shí)別法，識(shí)別用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列是否具有趨勢(shì)性；所述時(shí)間序列自相關(guān)系數(shù)趨勢(shì)識(shí)別法是一種利用自相關(guān)系數(shù)與T分布相結(jié)合，對(duì)時(shí)間序列的自相關(guān)系數(shù)與零值的差異性進(jìn)行檢測(cè)，從而分析時(shí)間序列的趨勢(shì)性的方法；

所述周期性識(shí)別模塊用于利用時(shí)間序列功率譜周期識(shí)別法，識(shí)別用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列是否具有周期性，并計(jì)算周期性用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列的周期數(shù)；所述時(shí)間序列功率譜周期識(shí)別法是利用周期圖法計(jì)算時(shí)間序列的功率譜，并對(duì)時(shí)間序列的功率譜進(jìn)行奇異值檢測(cè)分析，從而識(shí)別出時(shí)間序列的周期性，并計(jì)算具有周期性的時(shí)間序列的周期數(shù)；

所述應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模塊用于利用經(jīng)過(guò)所述非平穩(wěn)型業(yè)務(wù)判定模塊判定后的非平穩(wěn)型業(yè)務(wù)的應(yīng)用用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列，建立相應(yīng)的云環(huán)境下應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模型，并利用該模型預(yù)測(cè)得到未來(lái)一段時(shí)間內(nèi)的應(yīng)用用戶(hù)并發(fā)量時(shí)間序列，包括趨勢(shì)性并發(fā)量預(yù)測(cè)模塊和周期性并發(fā)量預(yù)測(cè)模塊；

所述趨勢(shì)性并發(fā)量預(yù)測(cè)模塊用于對(duì)趨勢(shì)性并發(fā)量時(shí)間序列進(jìn)行預(yù)測(cè)；

所述周期性并發(fā)量預(yù)測(cè)模塊用于從周期性識(shí)別模塊獲取周期數(shù)，然后進(jìn)行周期性并發(fā)量時(shí)間序列的預(yù)測(cè)；

所述云環(huán)境下應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模型是一種無(wú)需任何參數(shù)針對(duì)趨勢(shì)性時(shí)間序列與周期性時(shí)間序列的預(yù)測(cè)模型。

另一方面，本發(fā)明還提供一種云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)方法，采用所述的云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)實(shí)現(xiàn)，包括以下步驟：

步驟1：從數(shù)據(jù)庫(kù)服務(wù)器獲取用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列S；

從數(shù)據(jù)庫(kù)服務(wù)器獲取用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列S，如下式所示；

其中，con_i為t_i時(shí)間的并發(fā)量，時(shí)間t_i滿(mǎn)足t_i＜t_i+1，n為并發(fā)量總個(gè)數(shù)；

步驟2、計(jì)算自相關(guān)系數(shù)序列；

將用戶(hù)并發(fā)量序列按延遲步長(zhǎng)為k的間隔可化分為n-k個(gè)二元組：<con_l，con_l+k>、…、<con_i，con_i+k>、…、<con_n-k，con_n>，其延遲步長(zhǎng)為k的自相關(guān)系數(shù)ρ_k為：

其中，為并發(fā)量時(shí)間序列中前n-k項(xiàng)的平均值，為并發(fā)量時(shí)間序列中前n-k項(xiàng)向后平移k項(xiàng)的所有值的平均值；γ(i，i+k)為自協(xié)方差函數(shù)；

用戶(hù)并發(fā)量自相關(guān)系數(shù)序列由各延遲步長(zhǎng)下自相關(guān)系數(shù)組成，為其中，P_m為用戶(hù)并發(fā)量自相關(guān)系數(shù)序列，k＝1，2，…，例，m為最大延遲步長(zhǎng)；

步驟3、計(jì)算功率譜序列；

用戶(hù)并發(fā)量功率譜序列由各頻率下時(shí)間序列的功率譜組成，為其中，Q為用戶(hù)并發(fā)量功率譜序列，為頻率為v時(shí)并發(fā)量序列的功率譜，其中，F(xiàn)_v為用戶(hù)并發(fā)量序列的離散傅里葉變換，v＝1，2，…，n，W_n為旋轉(zhuǎn)因子，j為虛數(shù)單位；

步驟4、對(duì)用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列進(jìn)行業(yè)務(wù)性質(zhì)識(shí)別，具體包括：

步驟4.1、進(jìn)行趨勢(shì)性識(shí)別，識(shí)別方法為：

步驟4.1.1、利用t分布推斷出并發(fā)量自相關(guān)系數(shù)序列P_m與零值發(fā)生差異的錯(cuò)誤概率P_ρ；

步驟4.1.2、判斷錯(cuò)誤概率P_ρ與趨勢(shì)性判定閾值P_s的關(guān)系，若P_ρ＞P_s，表示自相關(guān)系數(shù)序列P_m與零差異性不顯著，該用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列無(wú)趨勢(shì)性，執(zhí)行步驟4.2；若P_ρ＜P_s，表示自相關(guān)系數(shù)序列P_m與零差異性顯著，該用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列含有趨勢(shì)性，執(zhí)行步驟5，進(jìn)行趨勢(shì)性并發(fā)量的預(yù)測(cè)；

步驟4.2、進(jìn)行周期性識(shí)別，識(shí)別方法為：

步驟4.2.1、確定功率譜序列Q的相鄰數(shù)據(jù)變化序列H，為

其中，為向上取整符號(hào)；

步驟4.2.2、根據(jù)3σ準(zhǔn)則，判斷頻率為v時(shí)并發(fā)量序列的功率譜的奇異性，μ_c為相鄰數(shù)據(jù)變化序列H的平均值，σ_c為相鄰數(shù)據(jù)變化序列H的標(biāo)準(zhǔn)差，若h_v-μ_c＞3σ_c，為奇異值，則用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列含有周期性，執(zhí)行步驟4.3；否則，為非奇異值，用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列不含周期性，則步驟終止；

步驟4.3、計(jì)算用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列的周期數(shù)n_period，其中，v。為周期峰對(duì)應(yīng)的頻率；然后執(zhí)行步驟5，進(jìn)行周期性并發(fā)量的預(yù)測(cè)；

步驟5、進(jìn)行趨勢(shì)性并發(fā)量預(yù)測(cè)，具體方法為：

步驟5.1、進(jìn)行基于線(xiàn)性回歸的數(shù)據(jù)擬合，采用線(xiàn)性回歸的方法對(duì)趨勢(shì)性應(yīng)用并發(fā)量序列進(jìn)行擬合，得到訓(xùn)練完成的線(xiàn)性回歸模型f_w(x)和原始數(shù)據(jù)與線(xiàn)性回歸模型擬合后的殘差數(shù)據(jù)序列，進(jìn)而將原始序列與擬合序列的殘差作為平穩(wěn)型序列進(jìn)行分析；

步驟5.2、進(jìn)行基于ARMA(Auto-Regressive and Moving Average，自回歸滑動(dòng)平均)的殘差擬合，實(shí)現(xiàn)對(duì)殘差數(shù)據(jù)序列的分析和建模，得到的ARMA(p，q)模型有p+q+2個(gè)未知參數(shù)，即θ₁，θ₂，…，θ_q、μ和p是自回歸階數(shù)，q是移動(dòng)平均階數(shù)，是p階自相關(guān)系數(shù)，θ₁，θ₂，…，θ_q是q階移動(dòng)平均系數(shù)，μ是移動(dòng)位移值，是隨機(jī)干擾項(xiàng)的方差值，其中，p和q需要進(jìn)行預(yù)設(shè)；

步驟5.3、進(jìn)行基于Ljung-Box檢驗(yàn)的二次殘差驗(yàn)證；

采用Ljung-Box檢驗(yàn)進(jìn)行驗(yàn)證，Ljung-Box檢驗(yàn)則是基于一系列滯后階數(shù)，對(duì)二次殘差是否屬于高斯白噪聲進(jìn)行驗(yàn)證，二次殘差是指擬合ARMA后得到的殘差序列，判斷序列總體的相關(guān)性是否存在，驗(yàn)證的本質(zhì)是確定建立的ARMA模型是否有效，如果相關(guān)性不存在代表ARMA模型有效，則執(zhí)行步驟5.4，反之，相關(guān)性存在代表ARMA模型無(wú)效，則重新訓(xùn)練ARMA模型，返回步驟5.2；

步驟5.4、基于訓(xùn)練完成的線(xiàn)性回歸模型和ARMA模型進(jìn)行趨勢(shì)性應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)；

步驟6、進(jìn)行周期性并發(fā)量預(yù)測(cè)，具體方法如下：

步驟6.1、初始化粒子群的最大粒子數(shù)、最大迭代次數(shù)以及粒子的位置和速度；

步驟6.2、采用5折交叉驗(yàn)證法訓(xùn)練支持向量機(jī)模型，將并發(fā)量歷史時(shí)間序列分為5個(gè)數(shù)據(jù)包，其中4個(gè)數(shù)據(jù)包用于訓(xùn)練，1個(gè)數(shù)據(jù)包用于測(cè)試訓(xùn)練結(jié)果；

步驟6.3、利用預(yù)測(cè)準(zhǔn)確率f_CP作為適應(yīng)度評(píng)價(jià)標(biāo)準(zhǔn)評(píng)價(jià)粒子適應(yīng)度，預(yù)測(cè)準(zhǔn)確率f_CP為其中，為并發(fā)量預(yù)測(cè)值，和分別為指定的并發(fā)量歷史數(shù)據(jù)con_i可接受的準(zhǔn)確區(qū)間的上界和下界，con_i為并發(fā)量歷史值，P_L為預(yù)測(cè)的容錯(cuò)度；

步驟6.4、更新局部最優(yōu)解與全局最優(yōu)解，并將結(jié)果記錄在局部最優(yōu)解向量p_i與全局最優(yōu)解向量p_g中；

步驟6.5、判斷更新迭代是否達(dá)到終止條件，迭代的終止條件為最大迭代次數(shù)，如果最大迭代次數(shù)尚未達(dá)到，則更新粒子的位置和速度后，返回步驟6.4，進(jìn)入下一個(gè)迭代循環(huán)，繼續(xù)查找支持向量機(jī)參數(shù)的最優(yōu)解；如果達(dá)到最大迭代次數(shù)，則迭代終止，粒子群優(yōu)化結(jié)束，得到支持向量機(jī)的懲罰因子C與核參數(shù)γ的最優(yōu)解，執(zhí)行步驟6.6；

步驟6.6、進(jìn)行支持向量機(jī)預(yù)測(cè)，利用從粒子群優(yōu)化算法中得到的懲罰因子C與核參數(shù)γ的最優(yōu)解作用于支持向量機(jī)，并利用并發(fā)量歷史數(shù)據(jù)時(shí)間序列訓(xùn)練支持向量機(jī)模型，然后利用訓(xùn)練結(jié)果及輸入的預(yù)測(cè)時(shí)間序列的時(shí)間標(biāo)識(shí)，通過(guò)重建訓(xùn)練預(yù)測(cè)出周期性應(yīng)用用戶(hù)并發(fā)量數(shù)據(jù)。

進(jìn)一步地，所述步驟5.1中數(shù)據(jù)擬合的過(guò)程如下：

步驟5.1.1、設(shè)置進(jìn)行線(xiàn)性回歸擬合的目標(biāo)函數(shù)為f_w(t_i)＝w^Tt_i，f_w(t_i)表示t_i時(shí)刻對(duì)應(yīng)的擬合應(yīng)用用戶(hù)并發(fā)量，w為損失函數(shù)參數(shù)；

步驟5.1.2、設(shè)置進(jìn)行線(xiàn)性回歸的損失函數(shù)為了(w)表示真實(shí)應(yīng)用用戶(hù)并發(fā)量與擬合應(yīng)用用戶(hù)并發(fā)量的誤差平方和；

步驟5.1.3、采用梯度下降法進(jìn)行損失函數(shù)中的參數(shù)優(yōu)化求解，得到損失函數(shù)參數(shù)w的更新公式為：其中，α為學(xué)習(xí)速率，j為w更新的標(biāo)號(hào)，j＝0，1，…，limit，limit為梯度下降的迭代次數(shù)；設(shè)置參數(shù)更新閾值ε，參數(shù)更新直到前后兩次絕對(duì)值小于參數(shù)更新閾值ε或者更新迭代次數(shù)達(dá)到了設(shè)置的迭代次數(shù)limit。

進(jìn)一步地，所述步驟5.3判斷序列總體的相關(guān)性是否存在的具體方法為：

步驟5.3.1、Ljung-Box檢驗(yàn)的原假設(shè)H0為：原本的數(shù)據(jù)都是獨(dú)立的，即總體的相關(guān)系數(shù)為0，能觀察到的某些相關(guān)僅僅產(chǎn)生于隨機(jī)抽樣的誤差，即其中，h是指定延遲期數(shù)，根據(jù)二次殘差的自相關(guān)圖人為設(shè)定其取值的數(shù)值；Ljung-Box檢驗(yàn)的備擇假設(shè)Ha為：原本的數(shù)據(jù)不是獨(dú)立的，即至少存在某個(gè)其中，k≤h；

步驟5.3.2、構(gòu)造統(tǒng)計(jì)量R為其中，u是用戶(hù)并發(fā)量時(shí)間序列二次殘差序列中元素的個(gè)數(shù)，其數(shù)值上和n相等，是二次殘差序列k階滯后的相關(guān)系數(shù)，該統(tǒng)計(jì)量服從自由度為h的卡方分布，給定顯著性水平α，則拒絕域是若接受原假設(shè)HO，則認(rèn)為原序列不存在相關(guān)性，否則認(rèn)為原序列存在相關(guān)性。

進(jìn)一步地，所述步驟5.4中趨勢(shì)性應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)方法，具體步驟如下：

步驟5.4.1、基于訓(xùn)練完成的線(xiàn)性回歸模型，得到下一段時(shí)間t_n+1，t_n+2，…，t_l的預(yù)測(cè)并發(fā)量為pre_con_n+1，pre_con_n+2，…，pre_con_l，1表示預(yù)測(cè)并發(fā)量時(shí)間點(diǎn)的個(gè)數(shù)，同時(shí)也是預(yù)測(cè)并發(fā)量的個(gè)數(shù)；

步驟5.4.2、基于訓(xùn)練完成的ARMA模型，得到下一段時(shí)間t_n+1，t_n+2，…，t_l的預(yù)測(cè)殘差為pre_bias_n+1，pre_bias_n+2，…，pre_bias_l；

步驟5.4.3、下一段時(shí)間t_n+1，t_n+2，…，t_m的預(yù)測(cè)趨勢(shì)性應(yīng)用用戶(hù)并發(fā)量為pre_con_n+1+pre_bias_n+1，pre_con_n+2+pre_bias_n+2，…，pre_con_m+pre_bias_m。

由上述技術(shù)方案可知，本發(fā)明的有益效果在于：本發(fā)明提供的一種云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)及方法，針對(duì)云環(huán)境下非平穩(wěn)型業(yè)務(wù)的趨勢(shì)性與周期性應(yīng)用用戶(hù)并發(fā)量的特點(diǎn)，利用不同的預(yù)測(cè)方法構(gòu)造了預(yù)測(cè)模型，對(duì)含有兩種性質(zhì)的并發(fā)量進(jìn)行預(yù)測(cè)，提高了非平穩(wěn)型業(yè)務(wù)并發(fā)量預(yù)測(cè)的準(zhǔn)確性；并發(fā)量序列趨勢(shì)性判定方法，本方法通過(guò)自相關(guān)系數(shù)與T分布結(jié)合分析，可以自動(dòng)的識(shí)別趨勢(shì)性并分發(fā)量序列的特征；并發(fā)量序列周期性判定方法，本方法通過(guò)周期圖法計(jì)算出的功率譜序列與3口準(zhǔn)則結(jié)合分析，可以自動(dòng)的識(shí)別周期性并發(fā)量的特征，并可以自動(dòng)的計(jì)算出序列的周期數(shù)，解決了人工干預(yù)計(jì)算周期的問(wèn)題；趨勢(shì)性并發(fā)量序列預(yù)測(cè)方法，采用線(xiàn)性回歸的方法對(duì)趨勢(shì)型應(yīng)用并發(fā)量序列進(jìn)行擬合，并與ARMA算法結(jié)合，使擬合序列與殘差擬合序列共同構(gòu)造出預(yù)測(cè)序列，這種方法對(duì)具有趨勢(shì)性的序列具有優(yōu)秀的預(yù)測(cè)效果，且無(wú)需人工干預(yù)，自行完成預(yù)測(cè)過(guò)程；周期性并發(fā)量序列預(yù)測(cè)方法，利用粒子群優(yōu)化的支持向量機(jī)對(duì)已知周期的并發(fā)量序列進(jìn)行預(yù)測(cè)，能夠精準(zhǔn)的識(shí)別周期特征，尤其是對(duì)有趨勢(shì)變化的周期性序列較其他預(yù)測(cè)方法有較好的預(yù)測(cè)效果，且無(wú)需人工干預(yù)，自行完成預(yù)測(cè)過(guò)程。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例提供的云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)框圖；

圖2為本發(fā)明實(shí)施例提供的云環(huán)境下應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模型的結(jié)構(gòu)框圖；

圖3為本發(fā)明實(shí)施例提供的云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)方法的流程圖；

圖4為本發(fā)明實(shí)施例提供的周期性應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)流程圖；

圖5為本發(fā)明實(shí)施例提供的趨勢(shì)性應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)流程圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍。

如圖1所示，一種云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)，包括歷史數(shù)據(jù)獲取模塊、非平穩(wěn)型業(yè)務(wù)判定模塊和應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模塊。

歷史數(shù)據(jù)獲取模塊用于通過(guò)連接存儲(chǔ)應(yīng)用用戶(hù)并發(fā)量的數(shù)據(jù)庫(kù)，將云環(huán)境下一段時(shí)間內(nèi)用戶(hù)并發(fā)量按照一定的時(shí)間間隔從數(shù)據(jù)庫(kù)中獲取到系統(tǒng)緩存當(dāng)中，為非平穩(wěn)型判定模塊提供有效的用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列。

非平穩(wěn)型業(yè)務(wù)判定模塊用于通過(guò)分析從歷史數(shù)據(jù)獲取模塊得到的用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列，來(lái)識(shí)別產(chǎn)生該用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列的業(yè)務(wù)是否屬于非平穩(wěn)型業(yè)務(wù)，包括：趨勢(shì)性識(shí)別模塊和周期性識(shí)別模塊，應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模塊提供算法選擇依據(jù)及必要數(shù)據(jù)。

趨勢(shì)性識(shí)別模塊用于利用時(shí)間序列自相關(guān)系數(shù)趨勢(shì)識(shí)別法，識(shí)別用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列是否具有趨勢(shì)性。時(shí)間序列自相關(guān)系數(shù)趨勢(shì)識(shí)別法是一種利用自相關(guān)系數(shù)與T分布相結(jié)合，對(duì)時(shí)間序列的自相關(guān)系數(shù)與零值的差異性進(jìn)行檢測(cè)，從而識(shí)別時(shí)間序列的趨勢(shì)性的方法。

周期性識(shí)別模塊用于利用時(shí)間序列功率譜周期識(shí)別法，識(shí)別用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列是否具有周期性，并計(jì)算周期性用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列的周期數(shù)。時(shí)間序列功率譜周期識(shí)別法是利用周期圖法計(jì)算時(shí)間序列的功率譜，并對(duì)時(shí)間序列的功率譜進(jìn)行奇異值檢測(cè)分析，從而識(shí)別出時(shí)間序列的周期性，并計(jì)算具有周期性的時(shí)間序列的周期數(shù)。

應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模塊用于利用經(jīng)過(guò)非平穩(wěn)型業(yè)務(wù)判定模塊判定后的非平穩(wěn)型業(yè)務(wù)的應(yīng)用用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列，建立相應(yīng)的云環(huán)境下應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模型，并利用該模型預(yù)測(cè)得到未來(lái)一段時(shí)間內(nèi)的應(yīng)用用戶(hù)并發(fā)量時(shí)間序列，包括趨勢(shì)性并發(fā)量預(yù)測(cè)模塊和周期性并發(fā)量預(yù)測(cè)模塊。

趨勢(shì)性并發(fā)量預(yù)測(cè)模塊用于對(duì)趨勢(shì)性并發(fā)量時(shí)間序列進(jìn)行預(yù)測(cè)，周期性并發(fā)量預(yù)測(cè)模塊用于從周期性識(shí)別模塊獲取周期數(shù)，然后進(jìn)行周期性并發(fā)量時(shí)間序列的預(yù)測(cè)。

云環(huán)境下應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)模型是一種無(wú)需任何參數(shù)針對(duì)趨勢(shì)性時(shí)間序列與周期性時(shí)間序列的預(yù)測(cè)模型，模型結(jié)構(gòu)如圖2所示，采取分別預(yù)測(cè)的方式，趨勢(shì)性并發(fā)量利用粒子群優(yōu)化的支持向量機(jī)進(jìn)行預(yù)測(cè)，周期性并發(fā)量利用基于線(xiàn)性回歸與ARMA的方法進(jìn)行預(yù)測(cè)。

采用上述的預(yù)測(cè)系統(tǒng)進(jìn)行云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量預(yù)測(cè)的方法，如圖3所示，具體包括以下步驟。

步驟1、獲取用戶(hù)并發(fā)量歷史數(shù)據(jù)。

從數(shù)據(jù)庫(kù)服務(wù)器獲取用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列，本實(shí)施方案中，從數(shù)據(jù)庫(kù)服務(wù)器獲取2016年3月5日-2016年3月7日間每天9：00-10：15的并發(fā)量數(shù)據(jù)，這些并發(fā)量數(shù)據(jù)以30秒為時(shí)間間隔記錄，此用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列是一個(gè)按照時(shí)間順序排列的時(shí)間與并發(fā)量的二元組的集合，即用戶(hù)并發(fā)量時(shí)間序列為

其中，con_i為t_i時(shí)間的并發(fā)量，時(shí)間t_i滿(mǎn)足t_i＜t_i+1，n為并發(fā)量總個(gè)數(shù)，本實(shí)施例中的并發(fā)量總個(gè)數(shù)為450。

為了減小并發(fā)量個(gè)別噪聲對(duì)特征分析造成的影響，con_i的取值為時(shí)間步長(zhǎng)內(nèi)的平均并發(fā)量，即其中，r_i為t_i-1至t_i時(shí)間內(nèi)云服務(wù)的用戶(hù)請(qǐng)求數(shù)。

步驟2、計(jì)算自相關(guān)系數(shù)序列。

由步驟1可知，con₁、con₂、…、con_i、…、con_n是過(guò)去450個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的用戶(hù)并發(fā)量，將這個(gè)序列按延遲步長(zhǎng)為1的間隔可化分為n-1即449個(gè)二元組：<con₁，con₂>、<con₂，con₃>、…、<con_i，con_i+1>、…、<con₄₄₉，con₄₅₀>，其延遲步長(zhǎng)為1的自相關(guān)系數(shù)為：

其中，為并發(fā)量時(shí)間序列中前n-k項(xiàng)的平均值，為并發(fā)量時(shí)間序列中前n-k項(xiàng)向后平移k項(xiàng)的所有值的平均值；γ(i，i+k)為自協(xié)方差函數(shù)；

自相關(guān)系數(shù)的含義不同于兩個(gè)變量間的相關(guān)系數(shù)，并發(fā)量自相關(guān)系數(shù)ρ₁用來(lái)度量并發(fā)量時(shí)間序列上一時(shí)間段并發(fā)量觀測(cè)值與下一時(shí)間段并發(fā)量觀測(cè)值之間的關(guān)系，從定量的角度來(lái)研究上一時(shí)間段對(duì)下一時(shí)間段并發(fā)量觀測(cè)值的影響程度的大小。自相關(guān)系數(shù)的延遲步長(zhǎng)是組成二元組的兩個(gè)數(shù)值在序列中的間隔數(shù)，如果延遲步長(zhǎng)為k，則組成的二元組為<con_i，con_i+k>，由此可知，并發(fā)量時(shí)間序列可被劃分出n-k個(gè)二元組，這樣可以得到并發(fā)量的自相關(guān)系數(shù)序列。

用戶(hù)并發(fā)量自相關(guān)系數(shù)序列是一個(gè)由各延遲步長(zhǎng)下自相關(guān)系數(shù)組成的序列其中，ρ_k為并發(fā)量時(shí)間序列在延遲步長(zhǎng)為k下的自相關(guān)系數(shù)：

其中，k＝1，2，…，m，m為最大延遲步長(zhǎng)，一般情況下為向上取整符號(hào)，本實(shí)施例中，最大延遲步長(zhǎng)m取值150。

步驟3、計(jì)算功率譜序列。

并發(fā)量功率譜序列是一個(gè)由各頻率下時(shí)間序列的功率譜組成的序列其中，為頻率為v時(shí)并發(fā)量序列的功率譜：

其中，F(xiàn)_v為用戶(hù)并發(fā)量序列的離散傅里葉變換，v＝1，2，…，n，W_n為旋轉(zhuǎn)因子，j為虛數(shù)單位。

步驟4、對(duì)用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列進(jìn)行業(yè)務(wù)性質(zhì)識(shí)別，具體包括：

步驟4.1、進(jìn)行趨勢(shì)性識(shí)別，識(shí)別方法為：

步驟4.1.1、利用t分布推斷出并發(fā)量自相關(guān)系數(shù)序列P_m與零值發(fā)生差異的錯(cuò)誤概率P_ρ；

步驟4.1.2、判斷錯(cuò)誤概率P_ρ與趨勢(shì)性判定閾值P_s的關(guān)系，若P_ρ＞P_s，表示自相關(guān)系數(shù)序列P_m與零差異性不顯著，該用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列無(wú)趨勢(shì)性，執(zhí)行步驟4.2；若P_ρ＜P_s，表示自相關(guān)系數(shù)序列P_m與零差異性顯著，該用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列含有趨勢(shì)性，執(zhí)行步驟5，進(jìn)行趨勢(shì)性并發(fā)量的預(yù)測(cè)；

趨勢(shì)性判定閾值P_s可調(diào)節(jié)趨勢(shì)性判定的標(biāo)準(zhǔn)，P_s值越大，用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列越容易被判定為具有趨勢(shì)性，反之，則具有較強(qiáng)趨勢(shì)性的序列才能被判定為具有趨勢(shì)性。本實(shí)施例中，P_s＝0.05；

步驟4.2、進(jìn)行周期性識(shí)別，識(shí)別方法為：

步驟4.2.1、確定功率譜序列Q的相鄰數(shù)據(jù)變化序列H，為

其中，由于當(dāng)v＝1時(shí)，頻率為v時(shí)并發(fā)量序列的功率譜的值可能會(huì)出現(xiàn)突出峰值，當(dāng)時(shí)間序列為趨勢(shì)性時(shí)這個(gè)峰值尤為突出，但這個(gè)峰值表示整個(gè)時(shí)間序列只有一個(gè)周期，因此這個(gè)值不能代表序列的周期性，所以在識(shí)別突出峰值時(shí)不考慮v＝1時(shí)的功率譜；

步驟4.2.2、用μ_c代表相鄰數(shù)據(jù)變化序列H的平均值，用σ_c代表相鄰數(shù)據(jù)變化序列H的標(biāo)準(zhǔn)差，則根據(jù)3σ準(zhǔn)則，判斷頻率為v時(shí)并發(fā)量序列的功率譜的奇異性，若h_v-μ_c＞3σ_c，為奇異值，則用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列含有周期性，執(zhí)行步驟4.3；否則，為非奇異值，用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列不含周期性，則步驟終止；

步驟4.3、計(jì)算用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列的周期數(shù)，然后執(zhí)行步驟6，進(jìn)行周期性并發(fā)量的預(yù)測(cè)；

如果用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列含有周期性，則計(jì)算其周期數(shù)n_period，并發(fā)量序列周期數(shù)為并發(fā)量序列在一個(gè)周期內(nèi)的數(shù)值個(gè)數(shù)：

其中，v_s為周期峰對(duì)應(yīng)的頻率，周期峰即在功率譜序列中突出大的一個(gè)功率譜數(shù)值。

步驟5、進(jìn)行趨勢(shì)性并發(fā)量預(yù)測(cè)，如圖4所示，具體方法為：

步驟5.1、進(jìn)行基于線(xiàn)性回歸的數(shù)據(jù)擬合，采用線(xiàn)性回歸的方法對(duì)趨勢(shì)性應(yīng)用并發(fā)量序列進(jìn)行擬合，得到訓(xùn)練完成的線(xiàn)性回歸模型f_w(x)和原始數(shù)據(jù)與線(xiàn)性回歸模型擬合后的殘差數(shù)據(jù)序列，進(jìn)而將原始序列與擬合序列的殘差作為平穩(wěn)型序列進(jìn)行分析，擬合過(guò)程如下：

步驟5.1.1、設(shè)置進(jìn)行線(xiàn)性回歸擬合的目標(biāo)函數(shù)為f_w(t_i)＝w^Tt_i，f_w(t_i)表示t_i時(shí)刻對(duì)應(yīng)的擬合應(yīng)用用戶(hù)并發(fā)量，w為損失函數(shù)參數(shù)；本實(shí)施例中，w初始化設(shè)置為一個(gè)各元素為0的向量[0，0]；

步驟5.1.2、設(shè)置進(jìn)行線(xiàn)性回歸的損失函數(shù)為了(w)表示真實(shí)應(yīng)用用戶(hù)并發(fā)量與擬合應(yīng)用用戶(hù)并發(fā)量的誤差平方和；

步驟5.1.3、采用梯度下降法進(jìn)行損失函數(shù)中的參數(shù)優(yōu)化求解，得到損失函數(shù)參數(shù)w的更新公式為：其中，α為學(xué)習(xí)速率，j為w更新的標(biāo)號(hào)，j＝0，1，…，limit，limit為梯度下降的迭代次數(shù)；設(shè)置參數(shù)更新閾值ε，參數(shù)更新直到前后兩次絕對(duì)值小于參數(shù)更新閾值ε或者更新迭代次數(shù)達(dá)到了設(shè)置的迭代次數(shù)limit；本實(shí)施例中，limit＝200，ε＝10^-3；

通過(guò)線(xiàn)性回歸對(duì)原始數(shù)據(jù)訓(xùn)練完成之后，會(huì)得到兩部分內(nèi)容，一部分是訓(xùn)練完成的線(xiàn)性回歸模型f_w(x)，另一部分是原始數(shù)據(jù)與線(xiàn)性回歸模型擬合后的殘差數(shù)據(jù)序列；

步驟5.2、進(jìn)行基于ARMA的殘差擬合；

在得到殘差應(yīng)用用戶(hù)并發(fā)量數(shù)據(jù)之后，基于殘差應(yīng)用用戶(hù)并發(fā)量數(shù)據(jù)的特點(diǎn)，采用ARMA算法(Auto-Regressive and Moving Average，自回歸滑動(dòng)平均)實(shí)現(xiàn)對(duì)殘差數(shù)據(jù)序列的分析和建模；

對(duì)于ARMA(p，q)模型，有p+q+2個(gè)未知參數(shù)，即θ₁、θ₂、…、θ_q、μ和p是自回歸階數(shù)，q是移動(dòng)平均階數(shù)，是p階自相關(guān)系數(shù)，θ₁，θ₂，…，θ_q是q階移動(dòng)平均系數(shù)，μ是移動(dòng)位移值，是隨機(jī)干擾項(xiàng)的方差值，其中，p和q需要進(jìn)行預(yù)設(shè)，它們共同決定模型的擬合效果；本實(shí)施例中，p＝4，q＝1，即ARMA(p，q)模型由7個(gè)未知參數(shù)；

步驟5.3、進(jìn)行基于Ljung-Box檢驗(yàn)的二次殘差驗(yàn)證；

采用Ljung-Box檢驗(yàn)進(jìn)行驗(yàn)證，Ljung-Box檢驗(yàn)則是基于一系列滯后階數(shù)，對(duì)二次殘差是否屬于高斯白噪聲進(jìn)行驗(yàn)證，二次殘差是指擬合ARMA后得到的殘差序列，判斷序列總體的相關(guān)性或者說(shuō)隨機(jī)性是否存在，驗(yàn)證的本質(zhì)是確定建立的ARMA模型是否有效，具體方法為：

步驟5.3.1、Ljung-Box檢驗(yàn)的原假設(shè)H0為：原本的數(shù)據(jù)都是獨(dú)立的，即總體的相關(guān)系數(shù)為0，能觀察到的某些相關(guān)僅僅產(chǎn)生于隨機(jī)抽樣的誤差，即其中h是指定延遲期數(shù)，根據(jù)二次殘差的自相關(guān)圖人為設(shè)定其取值的數(shù)值，本實(shí)施例中，h＝10；Ljung-Box檢驗(yàn)的備擇假設(shè)Ha為：原本的數(shù)據(jù)不是獨(dú)立的，即至少存在某個(gè)其中，k≤h；

步驟5.3.2、構(gòu)造統(tǒng)計(jì)量R為：其中，u是用戶(hù)并發(fā)量時(shí)間序列二次殘差序列中元素的個(gè)數(shù)，其數(shù)值上和n相等，是二次殘差序列k階滯后的相關(guān)系數(shù)，該統(tǒng)計(jì)量R服從自由度為h的卡方分布，給定顯著性水平α，則拒絕域是接受原假設(shè)意味著認(rèn)為原序列是白噪聲序列，相關(guān)性不存在，ARMA模型有效，則執(zhí)行步驟5.4，否則認(rèn)為序列存在相關(guān)性，ARMA模型無(wú)效，則返回步驟5.2，重新訓(xùn)練ARMA模型；

經(jīng)過(guò)以上步驟，可以驗(yàn)證ARMA模型是否充分提取了殘差中信息，并能夠?qū)埐钸M(jìn)行精確的預(yù)測(cè)，若經(jīng)過(guò)ARMA模型得到的二次殘差不屬于高斯白噪聲，說(shuō)明需要返回步驟5.2進(jìn)行ARMA模型的重建；

步驟5.4、進(jìn)行基于訓(xùn)練模型的預(yù)測(cè)；

通過(guò)對(duì)線(xiàn)性回歸模型和ARMA的訓(xùn)練，能夠分別得到兩個(gè)模型：線(xiàn)性回歸模型對(duì)原始應(yīng)用用戶(hù)并發(fā)量數(shù)據(jù)的趨勢(shì)進(jìn)行擬合，進(jìn)而對(duì)未來(lái)下一段時(shí)間的應(yīng)用用戶(hù)并發(fā)量進(jìn)行預(yù)測(cè)，ARMA模型對(duì)基于線(xiàn)性回歸擬合后的殘差數(shù)據(jù)進(jìn)行擬合，進(jìn)而對(duì)未來(lái)下一段時(shí)間的殘差趨勢(shì)進(jìn)行預(yù)測(cè)；因此，趨勢(shì)性應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)包括兩部分的預(yù)測(cè)結(jié)果之和，具體步驟如下：

步驟5.4.1、基于訓(xùn)練完成的線(xiàn)性回歸模型，得到下一段時(shí)間t_n+1，t_n+2，…，t_l的預(yù)測(cè)并發(fā)量為pre_con_n+1，pre_con_n+2，…，pre_con_l，l表示預(yù)測(cè)并發(fā)量時(shí)間點(diǎn)的個(gè)數(shù)，同時(shí)也是預(yù)測(cè)并發(fā)量的個(gè)數(shù)，本實(shí)施例中嗎，1＝50；

步驟5.4.2、基于訓(xùn)練完成的ARMA模型，得到下一段時(shí)間t_n+1，t_n+2，…，t_m的預(yù)測(cè)殘差為pre_bias_n+1，pre_bias_n+2，…，pre_bias_m；

步驟5.4.3、下一段時(shí)間t_n+1，t_n+2，…，t_m的預(yù)測(cè)趨勢(shì)性應(yīng)用用戶(hù)并發(fā)量為pre_con_n+1+pre_bias_n+1，pre_con_n+2+pre_bias_n+2，…，pre_con_m+pre_bias_m。

步驟6、進(jìn)行周期性并發(fā)量預(yù)測(cè)，如圖5所示，具體方法如下：

步驟6.1、初始化粒子群的最大粒子數(shù)、最大迭代次數(shù)以及粒子的位置和速度，本實(shí)施例中，每個(gè)粒子都包含2個(gè)元素，即支持向量機(jī)的懲罰因子C和核參數(shù)γ，一般情況下懲罰因子C的取值范圍為[10^-5，10⁵]，γ的取值范圍為[0，10]，由于這兩個(gè)參數(shù)的合適范圍不是預(yù)知的，所以查找先從這兩個(gè)寬泛的范圍開(kāi)始，并在查找過(guò)程中逐漸縮小查找范圍，一方面能減少計(jì)算量，另一方面能保證全局最優(yōu)解的覆蓋廣度以及局部最優(yōu)解的精確度；

步驟6.2、采用5折交叉驗(yàn)證法訓(xùn)練支持向量機(jī)模型，將并發(fā)量歷史時(shí)間序列分為5個(gè)數(shù)據(jù)包，其中4個(gè)數(shù)據(jù)包用于訓(xùn)練，1個(gè)數(shù)據(jù)包用于測(cè)試訓(xùn)練結(jié)果；

支持向量機(jī)模型是一種基于統(tǒng)計(jì)學(xué)理論的監(jiān)督學(xué)習(xí)模型，支持向量機(jī)的核心思想是將輸入空間Rⁿ非線(xiàn)性的映射到一個(gè)高維空間D上，從而將低維特征空間的非線(xiàn)性回歸問(wèn)題轉(zhuǎn)化為高維特征空間的現(xiàn)行回歸問(wèn)題，假設(shè)給定的訓(xùn)練數(shù)據(jù)集為其中x_i∈Rⁿ，d_i∈D，N為數(shù)據(jù)個(gè)數(shù)，則支持向量機(jī)的回歸函數(shù)f(x_i)可表示為：

其中，w是權(quán)重向量，標(biāo)識(shí)從輸入空間Rⁿ映射到目標(biāo)空間D的非線(xiàn)性函數(shù)，<，>是內(nèi)積符號(hào)，b為偏差。權(quán)重向量w與偏差b需要從給定數(shù)據(jù)中訓(xùn)練得出。為了訓(xùn)練w與b，可將問(wèn)題轉(zhuǎn)換為一個(gè)二次規(guī)劃問(wèn)題：

其中，C為懲罰因子，為一個(gè)正常數(shù)，其作用為權(quán)衡模型的復(fù)雜性和誤差的關(guān)系；ξ_i與為引入的松弛變量，可以減小誤差，可以擴(kuò)大輸入空間到高維特征空間的距離，以此來(lái)提高泛化能力；ε為ε不敏感損失函數(shù)，這個(gè)函數(shù)決定著它可以使其忽略實(shí)際值在某個(gè)范圍內(nèi)的誤差，確保全局最小值的存在。

為了將輸入空間映射到高維特征空間，需要引入一個(gè)核函數(shù)k(x_i，x_j)：

支持向量機(jī)的核函數(shù)需要滿(mǎn)足Mercer定理，此函數(shù)完成了對(duì)輸入樣本x_i從低維特征空間向高維特征空間的非線(xiàn)性映射，x_j為輸入樣本x_i在高維特種空間的表達(dá)。這樣就可以將輸入樣本與輸出變量的關(guān)系在高維特征空間中表示為一個(gè)線(xiàn)性映射。也正是由于核函數(shù)的作用，支持向量機(jī)能夠適用于非線(xiàn)性關(guān)系的學(xué)習(xí)問(wèn)題。根據(jù)對(duì)偶原則，支持向量機(jī)的對(duì)偶問(wèn)題可以被表達(dá)為：

其中，α_i與兩個(gè)對(duì)偶的拉格朗日乘數(shù)，則最終的最優(yōu)化回歸函數(shù)可表示為：

步驟6.3、利用預(yù)測(cè)準(zhǔn)確率f_CP作為適應(yīng)度評(píng)價(jià)標(biāo)準(zhǔn)評(píng)價(jià)粒子適應(yīng)度，預(yù)測(cè)準(zhǔn)確率f_CP為：

其中，為并發(fā)量預(yù)測(cè)值，和分別為指定的并發(fā)量歷史數(shù)據(jù)con_i可接受的準(zhǔn)確區(qū)間的上界和下界，con_i為并發(fā)量歷史值，P_L為預(yù)測(cè)的容錯(cuò)度，本實(shí)施例中容錯(cuò)度取5％；

粒子群中的每一個(gè)粒子需要被此標(biāo)準(zhǔn)重復(fù)的評(píng)價(jià)，因此可以從迭代過(guò)程中得出粒子的適應(yīng)度向量，即由粒子在迭代過(guò)程中的最優(yōu)解組成的向量；

步驟6.4、更新局部最優(yōu)解與全局最優(yōu)解，并將結(jié)果記錄在局部最優(yōu)解向量p_i與全局最優(yōu)解向量p_g中；

在粒子群每次迭代過(guò)程中，每個(gè)粒子都會(huì)得到一個(gè)適應(yīng)度數(shù)值，將此數(shù)值與該粒子的最優(yōu)解相比較，如果適應(yīng)度優(yōu)于粒子的最優(yōu)解，則更新此粒子的最優(yōu)解為粒子的當(dāng)前狀態(tài)，此最優(yōu)解為則為粒子的局部最優(yōu)解；再將此局部最優(yōu)解與全局最優(yōu)解相比較，如果適應(yīng)度優(yōu)于全局最優(yōu)解則更新全局最優(yōu)解為當(dāng)前粒子狀態(tài)。全局最優(yōu)解是所有粒子中適應(yīng)度最優(yōu)的解向量。通過(guò)迭代評(píng)價(jià)，可以得到目前為止粒子的局部最優(yōu)解與粒子群的全局最優(yōu)解，這兩個(gè)值將被更新到局部最優(yōu)解向量p_i與全局最優(yōu)解向量p_g中記錄下來(lái)；

步驟6.5、判斷更新迭代是否達(dá)到終止條件，迭代的終止條件為最大迭代次數(shù)，如果最大迭代次數(shù)尚未達(dá)到，則更新粒子的位置和速度后，返回步驟6.4，進(jìn)入下一個(gè)迭代循環(huán)，繼續(xù)查找支持向量機(jī)參數(shù)的最優(yōu)解；如果達(dá)到最大迭代次數(shù)，則迭代終止，粒子群優(yōu)化結(jié)束，得到支持向量機(jī)的懲罰因子C與核參數(shù)γ的最優(yōu)解，執(zhí)行步驟6.6；本實(shí)施例中，最大迭代次數(shù)為100次；

步驟6.6、進(jìn)行支持向量機(jī)預(yù)測(cè)，利用從粒子群優(yōu)化算法中得到的懲罰因子C與核參數(shù)γ的最優(yōu)解作用于支持向量機(jī)，并利用并發(fā)量歷史數(shù)據(jù)時(shí)間序列訓(xùn)練支持向量機(jī)模型(原理見(jiàn)步驟6.2)，然后利用訓(xùn)練結(jié)果及輸入的預(yù)測(cè)時(shí)間序列標(biāo)識(shí)，通過(guò)重建訓(xùn)練預(yù)測(cè)出并發(fā)量數(shù)據(jù)；所述預(yù)測(cè)時(shí)間序列的時(shí)間標(biāo)識(shí)是由所要預(yù)測(cè)的并發(fā)量對(duì)應(yīng)的時(shí)間點(diǎn)組成，即{t_n+1，t_n+2，…，t_n+l}，1為預(yù)測(cè)序列的長(zhǎng)度，起始時(shí)間點(diǎn)為用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列最后一個(gè)時(shí)間點(diǎn)的下一時(shí)間點(diǎn)，各時(shí)間點(diǎn)的時(shí)間間隔與用戶(hù)并發(fā)量歷史數(shù)據(jù)時(shí)間序列的時(shí)間間隔相同。

本實(shí)施例提供的一種云環(huán)境下非平穩(wěn)型應(yīng)用用戶(hù)并發(fā)量的預(yù)測(cè)系統(tǒng)及方法，針對(duì)云環(huán)境下非平穩(wěn)型業(yè)務(wù)的趨勢(shì)性與周期性應(yīng)用用戶(hù)并發(fā)量的特點(diǎn)，利用不同的預(yù)測(cè)方法構(gòu)造了預(yù)測(cè)模型，對(duì)含有兩種性質(zhì)的并發(fā)量進(jìn)行預(yù)測(cè)，提高了非平穩(wěn)型業(yè)務(wù)并發(fā)量預(yù)測(cè)的準(zhǔn)確性；并發(fā)量序列趨勢(shì)性判定方法，本方法通過(guò)自相關(guān)系數(shù)與T分布結(jié)合分析，可以自動(dòng)的識(shí)別趨勢(shì)性并分發(fā)量序列的特征；并發(fā)量序列周期性判定方法，本方法通過(guò)周期圖法計(jì)算出的功率譜序列與3σ準(zhǔn)則結(jié)合分析，可以自動(dòng)的識(shí)別周期性并發(fā)量的特征，并可以自動(dòng)的計(jì)算出序列的周期數(shù)，解決了人工干預(yù)計(jì)算周期的問(wèn)題；趨勢(shì)性并發(fā)量序列預(yù)測(cè)方法，采用線(xiàn)性回歸的方法對(duì)趨勢(shì)型應(yīng)用并發(fā)量序列進(jìn)行擬合，并與ARMA算法結(jié)合，使擬合序列與殘差擬合序列共同構(gòu)造出預(yù)測(cè)序列，這種方法對(duì)具有趨勢(shì)性的序列具有優(yōu)秀的預(yù)測(cè)效果，且無(wú)需人工干預(yù)，自行完成預(yù)測(cè)過(guò)程；周期性并發(fā)量序列預(yù)測(cè)方法，利用粒子群優(yōu)化的支持向量機(jī)對(duì)已知周期的并發(fā)量序列進(jìn)行預(yù)測(cè)，能夠精準(zhǔn)的識(shí)別周期特征，尤其是對(duì)有趨勢(shì)變化的周期性序列較其他預(yù)測(cè)方法有較好的預(yù)測(cè)效果，且無(wú)需人工干預(yù)，自行完成預(yù)測(cè)過(guò)程。

最后應(yīng)說(shuō)明的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明權(quán)利要求所限定的范圍。