基于加权改进的AR模型的负载预测研究

负载预测在故障管理中有着十分重要的作用,通过对CPU负载以及内存使用率的预测可以对系统进行实时监控,预知未来时间段资源的可用性,发出异常告警;文中提出一种加权改进的自回归模型,通过对最小二乘法求出的参数进行加权处理,结合时间序列分析理论,建立一个负载预测模型,用于CPU负载和内存使用率的预测;实验证明,对AR模型的参数进行加权的方法优化了参数估计,预测误差减小了60%~80%。

基于加权滑动平均的磁盘使用率预测模型

为能提前做好扩容准备,提出一种改进的加权滑动平均(weighted moving average,WMA)模型,用以预测未来短期内磁盘的使用率.针对磁盘使用率序列变化较为平缓、要求滞后较小的特性,采用自相关和偏自相关系数法对模型定阶,处理数据后,在不影响精度的前提下计算最小滞后值,并使用结合了拉依达准则的权重转移法来均衡权重,用多新息递推最小二乘法对参数进行更精确的估计,以提高预测的准确性.通过Matlab仿真实验可知,该算法预测误差小,滞后性弱,与原始WMA模型相比,具有更好的预测效果.