CN111930602A - 性能指标预测方法及装置 - Google Patents
性能指标预测方法及装置 Download PDFInfo
- Publication number
- CN111930602A CN111930602A CN202010814767.3A CN202010814767A CN111930602A CN 111930602 A CN111930602 A CN 111930602A CN 202010814767 A CN202010814767 A CN 202010814767A CN 111930602 A CN111930602 A CN 111930602A
- Authority
- CN
- China
- Prior art keywords
- time
- value
- performance index
- network model
- long
- 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
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
- 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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种性能指标预测方法及装置,涉及人工智能技术领域,该性能指标预测方法包括:获取预设的性能指标的当前时刻数值;将所述当前时刻数值输入到预设的长短时记忆网络模型中,得到所述性能指标的下一时刻预测值,其中,所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。本发明提供了一种预测准确性较高的性能指标预测方法。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种性能指标预测方法及装置。
背景技术
当前,在***运维中,对***的一些关键性能指标进行监控和预测是重点,对性能指标进行监控和预测可以用于对***中的异常事件进行识别和预测。这些性能指标随着时间变化,为标准的时序数据。长短时记忆网络(LSTM)是一种递归网络,可以对时序数据进行预测。
而在将长短时记忆网络应用在性能指标预测上时,发明人发现了以下问题。***运维异常普遍存在的特点为,一个异常事件在时间上会有一定延续性,例如,在时间点t1发生了异常事件,而异常事件会延续一段时间,使t2甚至更后面的时间点的性能指标都为大小相同或相似的异常数据,这就造成性能指标的时序数据中出现重复和无效的信息,导致长短时记忆网络模型的预测准确性不理想。
发明内容
本发明为了解决上述背景技术中的技术问题,提出了一种性能指标预测方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种性能指标预测方法,该方法包括:
获取预设的性能指标的当前时刻数值;
将所述当前时刻数值输入到预设的长短时记忆网络模型中,得到所述性能指标的下一时刻预测值,其中,所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
可选的,所述权重值由所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值确定。
可选的,所述权重值为所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值与1之差的绝对值。
可选的,该性能指标预测方法还包括:
获取所述性能指标的时序数据;
根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,其中,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
可选的,所述根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,包括:
根据所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值计算出遗忘门中的权重值;
根据计算出的权重值确定所述遗忘门;
根据确定出的所述遗忘门、所述长短时记忆网络模型的上一时刻细胞状态以及所述长短时记忆网络模型的输入门确定所述长短时记忆网络模型的当前时刻细胞状态;
根据所述当前时刻细胞状态以及所述长短时记忆网络模型的输出门确定所述长短时记忆网络模型的当前时刻输出,其中,所述当前时刻输出为所述性能指标的下一时刻预测值。
为了实现上述目的,根据本发明的另一方面,提供了一种性能指标预测装置,该装置包括:
当前性能指标获取单元,用于获取预设的性能指标的当前时刻数值;
预测单元,用于将所述当前时刻数值输入到预设的长短时记忆网络模型中,得到所述性能指标的下一时刻预测值,其中,所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
可选的,所述权重值由所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值确定。
可选的,所述权重值为所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值与1之差的绝对值。
可选的,该性能指标预测装置还包括:
训练数据获取单元,用于获取所述性能指标的时序数据;
模型训练单元,用于根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,其中,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
可选的,所述模型训练单元包括:
权重值确定模块,用于根据所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值计算出遗忘门中的权重值;
遗忘门确定模块,用于根据计算出的权重值确定所述遗忘门;
当前时刻细胞状态确定模块,用于根据确定出的所述遗忘门、所述长短时记忆网络模型的上一时刻细胞状态以及所述长短时记忆网络模型的输入门确定所述长短时记忆网络模型的当前时刻细胞状态;
当前时刻输出确定模块,用于根据所述当前时刻细胞状态以及所述长短时记忆网络模型的输出门确定所述长短时记忆网络模型的当前时刻输出,其中,所述当前时刻输出为所述性能指标的下一时刻预测值。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,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,所述处理器执行所述计算机程序时实现上述性能指标预测方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述性能指标预测方法中的步骤。
本发明的有益效果为:本发明通过对长短时记忆网络模型中的遗忘门进行改进,将遗忘门中的权重值设置为由性能指标的当前时刻数值以及性能指标的上一时刻数值确定,有助于当上一时刻数值与当前时刻数值相等或相近时遗忘或淡化上一时刻的细胞状态,进而有助于提升长短时记忆网络模型预测的准确性。
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,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例性能指标预测方法的第一流程图;
图2是本发明实施例性能指标预测方法的第二流程图;
图3是本发明实施例性模型训练的流程图;
图4是本发明实施例性能指标预测装置的第一结构框图;
图5是本发明实施例性能指标预测装置的第二结构框图;
图6是本发明实施例模型训练单元的结构框图;
图7是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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他实施例,都应当属于本发明保护的范围。
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、***、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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“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、***、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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是本发明实施例性能指标预测方法的第一流程图,如图1所示,本实施例的性能指标预测方法包括步骤S101和步骤S102。
步骤S101,获取预设的性能指标的当前时刻数值。
在本发明可选实施例中,性能指标可以为响应时间RT或每秒查询率QPS。性能指标随着时间变化,为标准的时序数据。在本发明可选实施例中性能指标的时序数据可以以一系列数组的形式来表示,例如数组[性能指标,时间,数值]。
在本发明可选实施例中,本步骤具体为获取采集的预设的性能指标的当前时刻数值,并将当前时刻数值实时添加到性能指标的时序数据中。
步骤S102,将所述当前时刻数值输入到预设的长短时记忆网络模型中,得到所述性能指标的下一时刻预测值,其中,所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
在本发明实施例中,本发明采用在线学习的方法根据性能指标的时序数据不断训练长短时记忆网络模型,随着时间的前进,不断将当前时刻数值输入长短时记忆网络模型得到下一时刻预测值。
本发明考虑到一个异常事件在时间上会有一定延续性,例如,在时间点t1发生了异常事件,而异常事件会延续一段时间,使t2甚至更后面的时间点的性能指标都为大小相同或相似的异常数据,这就造成性能指标的时序数据中出现重复和无效的信息,导致长短时记忆网络模型的预测准确性不理想的问题,因此本发明对长短时记忆网络模型中的遗忘门进行改进。在现有技术中,长短时记忆网络模型包括:输入门、遗忘门和输出门,遗忘门通常用ft来表示,遗忘门的具体公式可以为:
ft=σ(Wf·[ht-1,xt]+bf)
其中,σ为权重值,用于描述长短时记忆网络上一时刻的细胞状态有多少量可以通过,权重值σ为一个大于等于0且小于等于1的数,0代表不需任何量通过,1表示允许任意量通过。在现有技术中,σ为通过sigmoid激活函数得到一个大于等于0且小于等于1的随机数。
本发明为了解决异常事件导致的时序数据中出现重复和无效的信息的问题,对遗忘门的权重值σ进行改进,用性能指标的当前时刻数值以及性能指标的上一时刻数值来确定权重值σ,取代现有技术采用sigmoid激活函数生成权重值σ。
在本发明实施例中,本发明用性能指标的当前时刻数值以及性能指标的上一时刻数值来确定权重值σ,权重值σ为一个大于等于0且小于等于1的数,在本发明实施例中当当前时刻数值与上一时刻数值相等时,使权重值σ等于0;当当前时刻数值与上一时刻数值不相等时,其两者之间差值越大权重值σ离0越远,直至其两者之间差值达到预设的最大值时权重值σ为1。由此,若当前时刻数值与上一时刻数值相等或十分接近时,权重值σ等于0或接近为0,遗忘门ft也会等于0或接近为0,这样上一时刻的细胞状态在通过遗忘门时会被遗忘或淡化,由此可以解决由于异常事件使时序数据中出现重复和无效的信息,导致长短时记忆网络模型的预测准确性不理想的问题。
在本发明中,遗忘门ft等于0或接近为0则让神经网络遗忘(或几乎遗忘)上一时刻的细胞状态,从而连接先前的观测值到当前的异常上,用历史数据强化对当前状态的理解。将遗忘门ft与上一时刻的细胞状态相乘,丢弃掉需要丢弃的信息,接着加上新的候选值,再通过输入门控制当前新增数据的添加比例,得到更新后的记忆信息。
在本发明一个可选实施例中,所述权重值由所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值确定。
在本发明另一个可选实施例中,所述权重值为所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值与1之差的绝对值,具体公式可以为:
σ=|1-A/B|
其中,A为性能指标的当前时刻数值,B为性能指标的上一时刻数值。
图2是本发明实施例性能指标预测方法的第二流程图,描述本发明的长短时记忆网络模型的训练过程,如图1所示,本发明实施例长短时记忆网络模型的训练过程包括步骤S201和步骤S202。
步骤S201,获取所述性能指标的时序数据。
步骤S202,根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,其中,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
图3是本发明实施例性模型训练的流程图,如图3所示,在本发明可选实施例中,上述步骤S202的根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练具体包括步骤S301至步骤S304。
步骤S301,根据所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值计算出遗忘门中的权重值。
步骤S302,根据计算出的权重值确定所述遗忘门。
在本发明实施例中,权重值和遗忘门的具体计算方法见上述步骤102的实施例这里不再赘述。
步骤S303,根据确定出的所述遗忘门、所述长短时记忆网络模型的上一时刻细胞状态以及所述长短时记忆网络模型的输入门确定所述长短时记忆网络模型的当前时刻细胞状态。
it=σ(Wi·[ht-1,xt]+bi)
当前时刻细胞状态Ct的计算公式为:
其中,Ct-1为所述长短时记忆网络模型的上一时刻细胞状态。
步骤S304,根据所述当前时刻细胞状态以及所述长短时记忆网络模型的输出门确定所述长短时记忆网络模型的当前时刻输出,其中,所述当前时刻输出为所述性能指标的下一时刻预测值。
在本发明实施例中,长短时记忆网络模型的输出门用于输出输出控制比例ot以及长短时记忆网络模型的当前时刻输出ht,具体公式可以如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
ht为长短时记忆网络模型的当前时刻输出,为性能指标的下一时刻预测值。
需要说明的是,本发明仅对长短时记忆网络模型中的遗忘门进行改进,并未对输入门和输出门做出改进,具体的输入门和输出门工作原理为现有技术,这里不再赘述。
由以上实施例可以看出,本发明通过对遗忘门进行改进,通过遗忘门有选择地遗忘时序数据中重复的数据,克服了现有技术异常事件导致时序数据中出现重复的数据使训练的模型准确性不高的问题,有效提高运维趋势预测的准确率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种性能指标预测装置,可以用于实现上述实施例所描述的性能指标预测方法,如下面的实施例所述。由于性能指标预测装置解决问题的原理与性能指标预测方法相似,因此性能指标预测装置的实施例可以参见性能指标预测方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“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装置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4是本发明实施例性能指标预测装置的第一结构框图,如图4所示,本发明实施例性能指标预测装置包括:
当前性能指标获取单元1,用于获取预设的性能指标的当前时刻数值;
预测单元2,用于将所述当前时刻数值输入到预设的长短时记忆网络模型中,得到所述性能指标的下一时刻预测值,其中,所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
在本发明一个可选实施例中,所述权重值由所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值确定。
在本发明一个可选实施例中,所述权重值为所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值与1之差的绝对值。
图5是本发明实施例性能指标预测装置的第二结构框图,如图5所示,在本发明可选实施例中,本发明的性能指标预测装置还包括:
训练数据获取单元3,用于获取所述性能指标的时序数据;
模型训练单元4,用于根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,其中,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
图6是本发明实施例模型训练单元4的结构框图,如图6所示,在本发明可选实施例中,模型训练单元4具体包括:
权重值确定模块401,用于根据所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值计算出遗忘门中的权重值;
遗忘门确定模块402,用于根据计算出的权重值确定所述遗忘门;
当前时刻细胞状态确定模块403,用于根据确定出的所述遗忘门、所述长短时记忆网络模型的上一时刻细胞状态以及所述长短时记忆网络模型的输入门确定所述长短时记忆网络模型的当前时刻细胞状态;
当前时刻输出确定模块404,用于根据所述当前时刻细胞状态以及所述长短时记忆网络模型的输出门确定所述长短时记忆网络模型的当前时刻输出,其中,所述当前时刻输出为所述性能指标的下一时刻预测值。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图7所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以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***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述性能指标预测方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
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,可选地,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,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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种性能指标预测方法,其特征在于,包括:
获取预设的性能指标的当前时刻数值;
将所述当前时刻数值输入到预设的长短时记忆网络模型中,得到所述性能指标的下一时刻预测值,其中,所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
2.根据权利要求1所述的性能指标预测方法,其特征在于,所述权重值由所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值确定。
3.根据权利要求2所述的性能指标预测方法,其特征在于,所述权重值为所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值与1之差的绝对值。
4.根据权利要求1所述的性能指标预测方法,其特征在于,还包括:
获取所述性能指标的时序数据;
根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,其中,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
5.根据权利要求4所述的性能指标预测方法,其特征在于,所述根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,包括:
根据所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值计算出遗忘门中的权重值;
根据计算出的权重值确定所述遗忘门;
根据确定出的所述遗忘门、所述长短时记忆网络模型的上一时刻细胞状态以及所述长短时记忆网络模型的输入门确定所述长短时记忆网络模型的当前时刻细胞状态;
根据所述当前时刻细胞状态以及所述长短时记忆网络模型的输出门确定所述长短时记忆网络模型的当前时刻输出,其中,所述当前时刻输出为所述性能指标的下一时刻预测值。
6.一种性能指标预测装置,其特征在于,包括:
当前性能指标获取单元,用于获取预设的性能指标的当前时刻数值;
预测单元,用于将所述当前时刻数值输入到预设的长短时记忆网络模型中,得到所述性能指标的下一时刻预测值,其中,所述长短时记忆网络模型为根据所述性能指标的时序数据训练得出,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
7.根据权利要求6所述的性能指标预测装置,其特征在于,所述权重值由所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值确定。
8.根据权利要求7所述的性能指标预测装置,其特征在于,所述权重值为所述性能指标的当前时刻数值与所述性能指标的上一时刻数值的比值与1之差的绝对值。
9.根据权利要求6所述的性能指标预测装置,其特征在于,还包括:
训练数据获取单元,用于获取所述性能指标的时序数据;
模型训练单元,用于根据所述时序数据采用在线学习的方法对预设的长短时记忆网络模型进行训练,其中,所述长短时记忆网络模型的遗忘门中的权重值由所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值确定。
10.根据权利要求9所述的性能指标预测装置,其特征在于,所述模型训练单元包括:
权重值确定模块,用于根据所述性能指标的当前时刻数值以及所述性能指标的上一时刻数值计算出遗忘门中的权重值;
遗忘门确定模块,用于根据计算出的权重值确定所述遗忘门;
当前时刻细胞状态确定模块,用于根据确定出的所述遗忘门、所述长短时记忆网络模型的上一时刻细胞状态以及所述长短时记忆网络模型的输入门确定所述长短时记忆网络模型的当前时刻细胞状态;
当前时刻输出确定模块,用于根据所述当前时刻细胞状态以及所述长短时记忆网络模型的输出门确定所述长短时记忆网络模型的当前时刻输出,其中,所述当前时刻输出为所述性能指标的下一时刻预测值。
11.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至5任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814767.3A CN111930602B (zh) | 2020-08-13 | 2020-08-13 | 性能指标预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814767.3A CN111930602B (zh) | 2020-08-13 | 2020-08-13 | 性能指标预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111930602A true CN111930602A (zh) | 2020-11-13 |
CN111930602B CN111930602B (zh) | 2023-09-22 |
Family
ID=73311372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010814767.3A Active CN111930602B (zh) | 2020-08-13 | 2020-08-13 | 性能指标预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111930602B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632127A (zh) * | 2020-12-29 | 2021-04-09 | 国华卫星数据科技有限公司 | 设备运行实时数据采集及时序的数据处理方法 |
CN116631487A (zh) * | 2023-05-26 | 2023-08-22 | 北京市合芯数字科技有限公司 | 基于长短期记忆网络模型的固态硬盘寿命预测方法、装置、终端及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN110245047A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 时间序列异常检测方法、装置及设备 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及*** |
-
2020
- 2020-08-13 CN CN202010814767.3A patent/CN111930602B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN110245047A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 时间序列异常检测方法、装置及设备 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632127A (zh) * | 2020-12-29 | 2021-04-09 | 国华卫星数据科技有限公司 | 设备运行实时数据采集及时序的数据处理方法 |
CN116631487A (zh) * | 2023-05-26 | 2023-08-22 | 北京市合芯数字科技有限公司 | 基于长短期记忆网络模型的固态硬盘寿命预测方法、装置、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111930602B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304324B (zh) | 测试用例生成方法、装置、设备及存储介质 | |
CN109300310B (zh) | 一种车流量预测方法及装置 | |
CN111708355A (zh) | 基于强化学习的多无人机动作决策方法和装置 | |
KR102310490B1 (ko) | 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계 | |
CN107632697B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN111930602B (zh) | 性能指标预测方法及装置 | |
CN111914516B (zh) | 一种网络数据预测序列生成方法、装置、设备及存储介质 | |
CN113746696A (zh) | 网络流量预测方法、设备、存储介质及装置 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及*** | |
CN115755564A (zh) | 基于睡眠分期预测的闹钟控制方法、雷达及存储介质 | |
CN113450572B (zh) | 一种交通状态估计方法、装置、设备及可读存储介质 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN114021861A (zh) | 一种电力负荷预测方法、装置、终端及存储介质 | |
CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN108245171B (zh) | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN110874635A (zh) | 一种深度神经网络模型压缩方法及装置 | |
CN110826695B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
CN111046156B (zh) | 奖励数据的确定方法、装置和服务器 | |
CN110764975B (zh) | 设备性能的预警方法、装置及监控设备 | |
CN110928634B (zh) | 数据处理方法、装置及设备 | |
CN110705437A (zh) | 一种基于动态级联回归的人脸关键点检测方法及*** | |
CN113656275B (zh) | 用户活跃度预测方法、装置、电子设备和存储介质 | |
CN114006865B (zh) | 基于多维度指标的用户流量控制***、方法、终端及介质 | |
CN117726304B (zh) | 项目进度预测及项目资源配给推荐方法 |
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 |