基于Holt-Winters方法对资源进行预测

文章目录

Holt-Winters方法是一种时间序列分析和预报方法。该方法对含有线性趋势和周期波动的非平稳序列适用，利用指数平滑法（EMA）让模型参数不断适应非平稳序列的变化，并对未来趋势进行短期预报。现实场景中如国家GDP历年数据，机器cpu利用率，内存数据等都是时间序列。对未来时间的观测值进行预测是有意义的工作，提前预知未来的数据的走势，可以提前做出行动，如预测cpu使用率，如果cpu飙高，可以及早进行调整，避免机器负载过高而宕机，这个在AIOPS是很常见的一个应用场景。
代码示例

# import needed packages
#-----------------------import math
import numpy  as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn        import linear_model
from scipy.optimize import fmin_l_bfgs_bsdata = open('data.csv')
tsA = sdata.read().split('\n')
tsA.remove("")
tsA = list(map(int, tsA))
source_len = len(tsA)def holtWinters(ts, p, sp, ahead, mtype, alpha = None, beta = None, gamma = None):a, b, s = _initValues(mtype, ts, p, sp)if alpha == None or beta == None or gamma == None:ituning   = [0.1, 0.1, 0.1]ibounds   = [(0,1), (0,1), (0,1)]optimized = fmin_l_bfgs_b(_MSD, ituning, args = (mtype, ts, p, a, b, s[:]), bounds = ibounds, approx_grad = True)alpha, beta, gamma = optimized[0]MSD, params, smoothed = _expSmooth(mtype, ts, p, a, b, s[:], alpha, beta, gamma)predicted = _predictValues(mtype, p, ahead, params)return {'alpha': alpha, 'beta': beta, 'gamma': gamma, 'MSD': MSD, 'params': params, 'smoothed': smoothed, 'predicted': predicted}def _initValues(mtype, ts, p, sp):initSeries = pd.Series(ts[:p*sp])if mtype == 'additive':rawSeason = initSeries - initSeries.rolling(window=p, min_periods=p, center=True).mean()initSeason = [np.nanmean(rawSeason[i::p]) for i in range(p)]initSeason = pd.Series(initSeason) - np.mean(initSeason)deSeasoned = [initSeries[v] - initSeason[v % p] for v in range(len(initSeries))]else:rawSeason  = initSeries / initSeries.rolling(window = p, min_periods = p, center = True).mean()initSeason = [np.nanmean(rawSeason[i::p]) for i in range(p)]initSeason = pd.Series(initSeason) / math.pow(np.prod(np.array(initSeason)), 1/p)deSeasoned = [initSeries[v] / initSeason[v % p] for v in range(len(initSeries))]lm = linear_model.LinearRegression()lm.fit(pd.DataFrame({'time': [t+1 for t in range(len(initSeries))]}), pd.Series(deSeasoned))return float(lm.intercept_), float(lm.coef_), list(initSeason)def _MSD(tuning, *args):predicted = []mtype     = args[0]ts, p     = args[1:3]Lt1, Tt1  = args[3:5]St1       = args[5][:]alpha, beta, gamma = tuning[:]for t in range(len(ts)):if mtype == 'additive':Lt = alpha * (ts[t] - St1[t % p]) + (1 - alpha) * (Lt1 + Tt1)Tt = beta  * (Lt - Lt1)           + (1 - beta)  * (Tt1)St = gamma * (ts[t] - Lt)         + (1 - gamma) * (St1[t % p])predicted.append(Lt1 + Tt1 + St1[t % p])else:Lt = alpha * (ts[t] / St1[t % p]) + (1 - alpha) * (Lt1 + Tt1)Tt = beta  * (Lt - Lt1)           + (1 - beta)  * (Tt1)St = gamma * (ts[t] / Lt)         + (1 - gamma) * (St1[t % p])predicted.append((Lt1 + Tt1) * St1[t % p])Lt1, Tt1, St1[t % p] = Lt, Tt, Streturn sum([(ts[t] - predicted[t])**2 for t in range(len(predicted))])/len(predicted)def _expSmooth(mtype, ts, p, a, b, s, alpha, beta, gamma):smoothed = []Lt1, Tt1, St1 = a, b, s[:]for t in range(len(ts)):if mtype == 'additive':Lt = alpha * (ts[t] - St1[t % p]) + (1 - alpha) * (Lt1 + Tt1)Tt = beta  * (Lt - Lt1)           + (1 - beta)  * (Tt1)St = gamma * (ts[t] - Lt)         + (1 - gamma) * (St1[t % p])smoothed.append(Lt1 + Tt1 + St1[t % p])else:Lt = alpha * (ts[t] / St1[t % p]) + (1 - alpha) * (Lt1 + Tt1)Tt = beta  * (Lt - Lt1)           + (1 - beta)  * (Tt1)St = gamma * (ts[t] / Lt)         + (1 - gamma) * (St1[t % p])smoothed.append((Lt1 + Tt1) * St1[t % p])Lt1, Tt1, St1[t % p] = Lt, Tt, StMSD = sum([(ts[t] - smoothed[t])**2 for t in range(len(smoothed))])/len(smoothed)return MSD, (Lt1, Tt1, St1), smootheddef _predictValues(mtype, p, ahead, params):'''subroutine to generate predicted values @ahead periods into the future'''Lt, Tt, St = paramsif mtype == 'additive':return [Lt + (t+1)*Tt + St[t % p] for t in range(ahead)]else:return [(Lt + (t+1)*Tt) * St[t % p] for t in range(ahead)]results = holtWinters(tsA, 12, 4, 24, mtype = 'additive')
results = holtWinters(tsA, 12, 4, 24, mtype = 'multiplicative')print("TUNING: ", results['alpha'], results['beta'], results['gamma'], results['MSD'])
print("FINAL PARAMETERS: ", results['params'])
print("PREDICTED VALUES: ", results['predicted'])
last_len =len(results['predicted'])
x1 = range(0, source_len)
x2 = range(source_len, source_len + last_len)
y1 = tsA
y2 = results['predicted']
fig = plt.figure()
plt.plot(x1, y1, marker=r'', color=u'blue', linestyle='-', label='Initial value')
plt.plot(x2, y2, marker=r'', color=u'red', linestyle='-', label='Estimate value')
plt.xlabel('time')
plt.ylabel('value')
plt.legend(loc='best')
plt.savefig('line_plot.png', dpi=400, bbox_inches='tight')
plt.show()

基于Holt-Winters方法对资源进行预测相关推荐

基于APMSSGA-LSTM的容器云资源预测
基于APMSSGA-LSTM的容器云资源预测谢晓兰1,2, 张征征1, 郑强清1, 陈超泉1 1 桂林理工大学信息科学与工程学院,广西桂林 541004 2 广西嵌入式技术与智能系统重点实验室,广 ...
MDIPA:基于非负矩阵分解的MicroRNA-药物相互作用预测方法
MDIPA:基于非负矩阵分解的MicroRNA-药物相互作用预测方法摘要一.简介二.方法 2.1 数据集 2.2 鉴定-药物相互作用 2.3 microRNA与药物的邻域信息 2.4 非负矩阵分 ...
基于多任务学习的快件送达时间预测方法
1.文章信息文章题目为<基于多任务学习的快件送达时间预测方法>,发表在计算机工程期刊上的一篇有关多任务学习预测的文章. 2.摘要快件送达时间预测是物流领域中一项至关重要的服务.准确地预 ...
基于保守性和规则性的预测方法SIFT和PolyPhen
有什么特征可以帮助我们来区分导致功能和表型变化的变异和其他变异,然后我们如何综合特征来做出一个预测模型? 表型或功能的改变(phenotypical/functional effect) a,个体表型 ...
【寿命预测】基于DLSTM网络的机械剩余使用寿命预测方法
数据驱动的RUL 之前方法的不足: 1.没有充分考虑各传感器采集的信息与机械剩余寿命之间的相关性 2.由于复杂系统运行过程中产生的信号噪声大.过维数多.非线性强,深度学习算法剩余有用寿命预测精度较低 ...
matlab血糖预测,一种基于VMD-PACF-BP模型的动态血糖在线预测方法与流程
本发明属于血糖预测技术领域,尤其涉及一种基于VMD-PACF-BP模型的动态血糖在线预测方法. 背景技术: 目前,中国患有糖尿病人数已成为在世界上拥有糖尿病患者最多的国家.为了降低糖尿病患者长期处于高 ...
径向基函数神经网络_基于RBF神经网络的网络安全态势感知预测研究
点击上方"网络空间安全学术期刊"关注我们基于RBF神经网络的网络安全态势感知预测研究钱建, 李思宇摘要针对网络安全态势的感知问题,结合巨龙山和者磨山风电场的运行情况,文章 ...
数据挖掘机器学习[七]---2021研究生数学建模B题空气质量预报二次建模求解过程：基于Stacking机器学习混合模型的空气质量预测｛含码源+pdf文章｝
相关文章: 特征工程详解及实战项目[参考] 数据挖掘---汽车车交易价格预测[一](测评指标:EDA) 数据挖掘机器学习---汽车交易价格预测详细版本[二]{EDA-数据探索性分析} 数据挖掘机器学习 ...
Nature综述：宏基因组测序研究耐药基因的方法和资源
本文转自红皇后学术,链接 https://mp.weixin.qq.com/s/2QMrq6hwr4mIPSpe_rfXJg 论文信息论文题目:Sequencing-based methods an ...

基于Holt-Winters方法对资源进行预测

文章目录

基于Holt-Winters方法对资源进行预测相关推荐

最新文章

热门文章