應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法
【專利摘要】一種應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法，其包括如下步驟：S1、同時(shí)將由N個(gè)數(shù)據(jù)元素組成的歷史資源消耗數(shù)據(jù)集合A分割成多個(gè)子數(shù)據(jù)集合，子數(shù)據(jù)集合中數(shù)據(jù)的個(gè)數(shù)與由M個(gè)數(shù)據(jù)元素組成的實(shí)時(shí)資源消耗數(shù)據(jù)集合B中的數(shù)據(jù)個(gè)數(shù)相同；其中N、M均為正整數(shù)且M小于N；S2、分別計(jì)算各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量；S3、利用多種算法模型對數(shù)據(jù)集合B的特征值向量進(jìn)行趨勢預(yù)測得到預(yù)測結(jié)果，并根據(jù)預(yù)測結(jié)果計(jì)算預(yù)測算法模型；S4、實(shí)時(shí)選擇數(shù)據(jù)集合B特征值向量中的數(shù)據(jù)，重復(fù)步驟S3，修正預(yù)測算法模型的權(quán)重值，得到應(yīng)用中間件數(shù)據(jù)庫連接池實(shí)時(shí)根據(jù)消耗資源數(shù)據(jù)集合模型選擇最優(yōu)預(yù)測算法模型。
【專利說明】
應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及計(jì)算器技術(shù)領(lǐng)域，特別涉及一種應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法。
【背景技術(shù)】
[0002]計(jì)算機(jī)自我學(xué)習(xí)，是指計(jì)算機(jī)模擬和實(shí)現(xiàn)人類的學(xué)習(xí)行為，來獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身性能的過程。
[0003]但是，目前的計(jì)算機(jī)自我學(xué)習(xí)方法預(yù)測效果并不理想。

【發(fā)明內(nèi)容】

[0004]有鑒于此，本發(fā)明提出一種應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法。
[0005]—種應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法，其包括如下步驟:
[0006]S1、同時(shí)將由N個(gè)數(shù)據(jù)元素組成的歷史資源消耗數(shù)據(jù)集合A分割成多個(gè)子數(shù)據(jù)集合，子數(shù)據(jù)集合中數(shù)據(jù)的個(gè)數(shù)與由M個(gè)數(shù)據(jù)元素組成的實(shí)時(shí)資源消耗數(shù)據(jù)集合B中的數(shù)據(jù)個(gè)數(shù)相同；其中N、M均為正整數(shù)且M小于N;
[0007]S2、分別計(jì)算各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量；
[0008]S3、利用多種算法模型對數(shù)據(jù)集合B的特征值向量進(jìn)行趨勢預(yù)測得到預(yù)測結(jié)果，并根據(jù)預(yù)測結(jié)果計(jì)算預(yù)測算法模型；
[0009]S4、實(shí)時(shí)選擇數(shù)據(jù)集合B特征值向量中的數(shù)據(jù)，重復(fù)步驟S3，修正預(yù)測算法模型的權(quán)重值，得到應(yīng)用中間件實(shí)時(shí)根據(jù)使用的數(shù)據(jù)庫連接池資源數(shù)據(jù)集合模型選擇最優(yōu)預(yù)測算法模型。
[0010]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法中，
[0011]所述步驟SI包括:
[0012]將數(shù)據(jù)集合A中的數(shù)據(jù)從第一個(gè)數(shù)據(jù)開始取出M個(gè)數(shù)放入集合Al中，從第二個(gè)數(shù)據(jù)開始再拿出M個(gè)數(shù)放入集合A2中......從第η個(gè)數(shù)據(jù)開始拿出M個(gè)數(shù)據(jù)放入集合An中......依次類推，直到數(shù)據(jù)集合A中的η+1個(gè)數(shù)據(jù)開始到數(shù)據(jù)集合A的最后一個(gè)數(shù)據(jù)不滿足M個(gè);數(shù)據(jù)集合A被分成η個(gè)小數(shù)據(jù)集合Al，Α2，……An;Al，Α2，……An集合中都有M個(gè)數(shù)據(jù)。
[0013]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法中，
[0014]所述步驟S2中各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量的數(shù)據(jù)包括:
[0015](I)最大值:切片數(shù)據(jù)中的最大數(shù)；
[0016](2)最小值:切片數(shù)據(jù)中的最小數(shù)；
[0017](3)平均值:切片數(shù)據(jù)的算術(shù)平均值；
[0018](4)標(biāo)準(zhǔn)差:表示切片數(shù)據(jù)集的離散程度；
[0019](5)變異系數(shù):表示數(shù)據(jù)測量尺度相對較大的離散程度；
[0020 ] (6)中位數(shù):把數(shù)據(jù)集分成相等兩部分的數(shù)；
[0021](7)偏度:統(tǒng)計(jì)數(shù)據(jù)分步非對稱程度的數(shù)字特征；
[0022](8)峰度:頻數(shù)分布曲線頂端尖峭或扁平程度的指標(biāo)；
[0023](9)最大差值:數(shù)據(jù)集中差值最大的值；
[0024](10)最大差值出現(xiàn)位置占比:數(shù)據(jù)集中差值最大的值的位置；
[0025]集合Al的特征值向量表示為FI，A2的特征值向量表示為F2......依次類推An的特征值向量表示為Fn ；數(shù)據(jù)集合B的特征值向量表示為Fb。
[0026]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法中，
[0027]所述步驟S3中預(yù)測算法包括:
[0028](I)ARBlA專家系統(tǒng)的預(yù)測算法，標(biāo)記為Algl;
[0029I (2) AR IMA訓(xùn)練參數(shù)的預(yù)測算法，標(biāo)記為AI g2;
[0030](3)灰色預(yù)測算法，標(biāo)記為Alg3;
[OO31 ] (4)HoltWinters指數(shù)平滑預(yù)測算法，標(biāo)記為Alg4;
[0032](5)—元線性回歸預(yù)測算法，標(biāo)記為Alg5;
[0033](6)環(huán)比預(yù)測算法，標(biāo)記為Alg6;
[0034](7)同比預(yù)測算法，標(biāo)記為Alg7;
[0035](8)同環(huán)比平均預(yù)測算法，標(biāo)記為AlgS;
[0036](9)基于同環(huán)比的一元回歸預(yù)測算法，標(biāo)記為Alg9;
[0037](10)滑動(dòng)平均預(yù)測算法，標(biāo)記為AlglO;
[0038](11)平均增長率預(yù)測算法，標(biāo)記為Algl I;
[0039]對數(shù)據(jù)集合B的特征值向量Fb分別利用上述11中算法模型進(jìn)行趨勢預(yù)測，得出預(yù)測結(jié)果，并計(jì)算殘差，記錄算法對應(yīng)的殘差分別為1?1、1?2、1?3、1?4、1?5、1?6、1?7、1?8、1?9、1?10和Rll，進(jìn)彳丁殘差對比最小的標(biāo)記為Rmin，殘差最小Rmin對應(yīng)的算法，命中率最尚，即是最合適預(yù)測算法，對每個(gè)算法初始化相同的權(quán)重值，分別為Ql、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、QlO和Qll，將其權(quán)重加I，最終選擇權(quán)重最大的算法模型作為預(yù)測算法模型。
[0040]實(shí)施本發(fā)明提供的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法具有以下有益效果:可以通過實(shí)時(shí)選擇數(shù)據(jù)集合B特征值向量Fb數(shù)據(jù)，重復(fù)上述的選擇預(yù)測算法模型的過程，持續(xù)通過實(shí)際發(fā)生情況實(shí)現(xiàn)機(jī)器自我學(xué)習(xí)，修正算法模型的權(quán)重值，最終實(shí)現(xiàn)預(yù)測模型的修改，實(shí)現(xiàn)應(yīng)用中間件數(shù)據(jù)庫連接池實(shí)時(shí)根據(jù)消耗資源數(shù)據(jù)集合模型選擇最優(yōu)模型算法。
【附圖說明】
[0041]圖1是本發(fā)明實(shí)施例的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法流程圖。
【具體實(shí)施方式】
[0042]本發(fā)明實(shí)施例提供一種應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法，其包括如下步驟:
[0043]S1、同時(shí)將由N個(gè)數(shù)據(jù)元素組成的歷史資源消耗數(shù)據(jù)集合A分割成多個(gè)子數(shù)據(jù)集合，子數(shù)據(jù)集合中數(shù)據(jù)的個(gè)數(shù)與由M個(gè)數(shù)據(jù)元素組成的實(shí)時(shí)資源消耗數(shù)據(jù)集合B中的數(shù)據(jù)個(gè)數(shù)相同；其中N、M均為正整數(shù)且M小于N;
[0044]S2、分別計(jì)算各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量。
[0045]S3、利用多種算法模型對數(shù)據(jù)集合B的特征值向量進(jìn)行趨勢預(yù)測得到預(yù)測結(jié)果，并根據(jù)預(yù)測結(jié)果計(jì)算預(yù)測算法模型。
[0046]S4、實(shí)時(shí)選擇數(shù)據(jù)集合B特征值向量中的數(shù)據(jù)，重復(fù)步驟S3，修正預(yù)測算法模型的權(quán)重值，得到應(yīng)用中間件數(shù)據(jù)庫連接池實(shí)時(shí)根據(jù)消耗資源數(shù)據(jù)集合模型選擇最優(yōu)預(yù)測算法模型。
[0047]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法中，
[0048]所述步驟SI包括:
[0049]將數(shù)據(jù)集合A中的數(shù)據(jù)從第一個(gè)數(shù)據(jù)開始取出M個(gè)數(shù)放入集合Al中，從第二個(gè)數(shù)據(jù)開始再拿出M個(gè)數(shù)放入集合A2中......從第η個(gè)數(shù)據(jù)開始拿出M個(gè)數(shù)據(jù)放入集合An中......依次類推，直到數(shù)據(jù)集合A中的η+1個(gè)數(shù)據(jù)開始到數(shù)據(jù)集合A的最后一個(gè)數(shù)據(jù)不滿足M個(gè);數(shù)據(jù)集合A被分成η個(gè)小數(shù)據(jù)集合Al，Α2，……An;Al，Α2，……An集合中都有M個(gè)數(shù)據(jù)。
[0050]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法中，
[0051 ]所述步驟S2中各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量的數(shù)據(jù)包括:
[0052](I)最大值:切片數(shù)據(jù)中的最大數(shù)；
[0053](2)最小值:切片數(shù)據(jù)中的最小數(shù)；
[0054](3)平均值:切片數(shù)據(jù)的算術(shù)平均值；
[0055](4)標(biāo)準(zhǔn)差:表示切片數(shù)據(jù)集的離散程度；
[0056](5)變異系數(shù):表示數(shù)據(jù)測量尺度相對較大的離散程度；
[0057](6)中位數(shù):把數(shù)據(jù)集分成相等兩部分的數(shù)；
[0058](7)偏度:統(tǒng)計(jì)數(shù)據(jù)分步非對稱程度的數(shù)字特征；
[0059](8)峰度:頻數(shù)分布曲線頂端尖峭或扁平程度的指標(biāo)；
[0060](9)最大差值:數(shù)據(jù)集中差值最大的值；
[0061](10)最大差值出現(xiàn)位置占比:數(shù)據(jù)集中差值最大的值的位置；
[0062]集合Al的特征值向量表示為Fl，Α2的特征值向量表示為F2……依次類推An的特征值向量表示為Fn ；數(shù)據(jù)集合B的特征值向量表示為Fb。
[0063]對切片處理過的數(shù)據(jù)進(jìn)行特征值計(jì)算，即是切片后數(shù)據(jù)的特征表現(xiàn)。每一條切片數(shù)據(jù)對應(yīng)一個(gè)特征值向量，如Al的特征值向量Fl(最大值，最小值，平均值，標(biāo)準(zhǔn)差，變異系數(shù)，中位數(shù)，偏度，峰度，最大差值，最大差值出現(xiàn)位置占比)，A2的特征值向量F2(最大值，最小值，平均值，標(biāo)準(zhǔn)差，變異系數(shù)，中位數(shù)，偏度，峰度，最大差值，最大差值出現(xiàn)位置占比)……依次類推An的特征值向量Fn(最大值，最小值，平均值，標(biāo)準(zhǔn)差，變異系數(shù)，中位數(shù)，偏度，峰度，最大差值，最大差值出現(xiàn)位置占比數(shù)據(jù)集的特征值向量為Fb(最大值，最小值，平均值，標(biāo)準(zhǔn)差，變異系數(shù)，中位數(shù)，偏度，峰度，最大差值，最大差值出現(xiàn)位置占比)。
[0064]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法中，
[0065]所述步驟S3中預(yù)測算法包括:
[0066](I)ARIMA專家系統(tǒng)的預(yù)測算法，標(biāo)記為Algl;ARIMA全稱為自回歸積分滑動(dòng)平均模型(Autoregressive Integrated Moving Average Model，簡記ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名時(shí)間序列預(yù)測方法，基本思想是:將預(yù)測對象隨時(shí)間推移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列，用一定的數(shù)學(xué)模型來近似描述這個(gè)序列。這個(gè)模型一旦被識(shí)別后就可以從時(shí)間序列的過去值及現(xiàn)在值來預(yù)測未來值。
[OO67 ] (2) AR IMA訓(xùn)練參數(shù)的預(yù)測算法，標(biāo)記為AI g 2;
[0068](3)灰色預(yù)測算法，標(biāo)記為Alg3;
[0069](4 )Ho ItWinters指數(shù)平滑預(yù)測算法，標(biāo)記為Alg4; Ho ItWinters為時(shí)間序列挖掘-預(yù)測算法-三次指數(shù)平滑法。
[0070](5)—元線性回歸預(yù)測算法，標(biāo)記為Alg5;
[0071](6)環(huán)比預(yù)測算法，標(biāo)記為Alg6;
[0072](7)同比預(yù)測算法，標(biāo)記為Alg7;
[0073](8)同環(huán)比平均預(yù)測算法，標(biāo)記為AlgS;
[0074](9)基于同環(huán)比的一元回歸預(yù)測算法，標(biāo)記為Alg9;
[0075](10)滑動(dòng)平均預(yù)測算法，標(biāo)記為AlglO;
[0076](11)平均增長率預(yù)測算法，標(biāo)記為Algl I;
[0077]對數(shù)據(jù)集合B的特征值向量Fb分別利用上述11中算法模型進(jìn)行趨勢預(yù)測，得出預(yù)測結(jié)果，并計(jì)算殘差，記錄算法對應(yīng)的殘差分別為1?1、1?2、1?3、1?4、1?5、1?6、1?7、1?8、1?9、1?10和Rll，進(jìn)行殘差對比最小的標(biāo)記為Rmin(例如此處比較后Rl為做小殘差，Rl S卩為Rmin)，殘差最小Rmin對應(yīng)的算法(Rl對應(yīng)的算法Algl)，命中率最尚，即是最合適預(yù)測算法(Algl就是最合適適用于此數(shù)據(jù)集合的預(yù)測算法)，對每個(gè)算法初始化相同的權(quán)重值，分別為Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Qll (最適算法Algl對應(yīng)的權(quán)重Q1)，將其權(quán)重加1，最終選擇權(quán)重最大的算法模型作為預(yù)測算法模型。
[0078]本發(fā)明還提供一種應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測系統(tǒng)，其包括如下單元:
[0079]切片單元10，用于同時(shí)將由N個(gè)數(shù)據(jù)元素組成的歷史資源消耗數(shù)據(jù)集合A分割成多個(gè)子數(shù)據(jù)集合，子數(shù)據(jù)集合中數(shù)據(jù)的個(gè)數(shù)與由M個(gè)數(shù)據(jù)元素組成的實(shí)時(shí)資源消耗數(shù)據(jù)集合B中的數(shù)據(jù)個(gè)數(shù)相同；其中N、M均為正整數(shù)且M小于N。
[0080]特征值計(jì)算單元20，用于分別計(jì)算各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量。
[0081]預(yù)測單元30，用于利用多種算法模型對數(shù)據(jù)集合B的特征值向量進(jìn)行趨勢預(yù)測得到預(yù)測結(jié)果，并根據(jù)預(yù)測結(jié)果計(jì)算預(yù)測算法模型。
[0082]學(xué)習(xí)單元40，用于實(shí)時(shí)選擇數(shù)據(jù)集合B特征值向量中的數(shù)據(jù)，重復(fù)執(zhí)行預(yù)測單元30，修正預(yù)測算法模型的權(quán)重值，得到應(yīng)用中間件數(shù)據(jù)庫連接池實(shí)時(shí)根據(jù)消耗資源數(shù)據(jù)集合模型選擇最優(yōu)預(yù)測算法模型。
[0083]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測系統(tǒng)中，
[0084]所述切片單元10包括:
[0085]將數(shù)據(jù)集合A中的數(shù)據(jù)從第一個(gè)數(shù)據(jù)開始取出M個(gè)數(shù)放入集合Al中，從第二個(gè)數(shù)據(jù)開始再拿出M個(gè)數(shù)放入集合A2中......從第η個(gè)數(shù)據(jù)開始拿出M個(gè)數(shù)據(jù)放入集合An中......依次類推，直到數(shù)據(jù)集合A中的η+1個(gè)數(shù)據(jù)開始到數(shù)據(jù)集合A的最后一個(gè)數(shù)據(jù)不滿足M個(gè);數(shù)據(jù)集合A被分成η個(gè)小數(shù)據(jù)集合Al，Α2，……An;Al，Α2，……An集合中都有M個(gè)數(shù)據(jù)。
[0086]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測系統(tǒng)中，
[0087]所述特征值計(jì)算單元20中各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量的數(shù)據(jù)包括:
[0088](I)最大值:切片數(shù)據(jù)中的最大數(shù)；
[0089](2)最小值:切片數(shù)據(jù)中的最小數(shù)；
[0090](3)平均值:切片數(shù)據(jù)的算術(shù)平均值；
[0091](4)標(biāo)準(zhǔn)差:表示切片數(shù)據(jù)集的離散程度；
[0092](5)變異系數(shù):表示數(shù)據(jù)測量尺度相對較大的離散程度；
[0093 ] (6)中位數(shù):把數(shù)據(jù)集分成相等兩部分的數(shù)；
[0094](7)偏度:統(tǒng)計(jì)數(shù)據(jù)分步非對稱程度的數(shù)字特征；
[0095](8)峰度:頻數(shù)分布曲線頂端尖峭或扁平程度的指標(biāo)；
[0096](9)最大差值:數(shù)據(jù)集中差值最大的值；
[0097](10)最大差值出現(xiàn)位置占比:數(shù)據(jù)集中差值最大的值的位置；
[0098]集合Al的特征值向量表示為Fl，A2的特征值向量表示為F2……依次類推An的特征值向量表示為Fn ；數(shù)據(jù)集合B的特征值向量表示為Fb。
[0099]在本發(fā)明所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測系統(tǒng)中，
[0100]預(yù)測單元30中預(yù)測算法包括:
[0101 ] (I )ARB1A專家系統(tǒng)的預(yù)測算法，標(biāo)記為Algl;
[010 2 ] (2) AR IMA訓(xùn)練參數(shù)的預(yù)測算法，標(biāo)記為AI g 2;
[0103] (3)灰色預(yù)測算法，標(biāo)記為Alg3;
[0?04] (4)HoltWinters指數(shù)平滑預(yù)測算法，標(biāo)記為Alg4;
[0105](5)—元線性回歸預(yù)測算法，標(biāo)記為Alg5;
[0106](6)環(huán)比預(yù)測算法，標(biāo)記為Alg6;
[0107](7)同比預(yù)測算法，標(biāo)記為Alg7;
[0108](8)同環(huán)比平均預(yù)測算法，標(biāo)記為AlgS;
[0109](9)基于同環(huán)比的一元回歸預(yù)測算法，標(biāo)記為Alg9;
[0110](10)滑動(dòng)平均預(yù)測算法，標(biāo)記為AlglO;
[0111](II)平均增長率預(yù)測算法，標(biāo)記為AlglI;
[0112]對數(shù)據(jù)集合B的特征值向量Fb分別利用上述11中算法模型進(jìn)行趨勢預(yù)測，得出預(yù)測結(jié)果，并計(jì)算殘差，記錄算法對應(yīng)的殘差分別為1?1、1?2、1?3、1?4、1?5、1?6、1?7、1?8、1?9、1?10和Rll，進(jìn)彳丁殘差對比最小的標(biāo)記為Rmin，殘差最小Rmin對應(yīng)的算法，命中率最尚，即是最合適預(yù)測算法，對每個(gè)算法初始化相同的權(quán)重值，分別為Ql、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、QlO和Qll，將其權(quán)重加I，最終選擇權(quán)重最大的算法模型作為預(yù)測算法模型。
[0113]實(shí)施本發(fā)明提供的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法及系統(tǒng)具有以下有益效果:可以通過實(shí)時(shí)選擇數(shù)據(jù)集合B特征值向量Fb數(shù)據(jù)，重復(fù)上述的選擇預(yù)測算法模型的過程，持續(xù)通過實(shí)際發(fā)生情況實(shí)現(xiàn)機(jī)器自我學(xué)習(xí)，修正算法模型的權(quán)重值，最終實(shí)現(xiàn)預(yù)測模型的修改，實(shí)現(xiàn)應(yīng)用中間件數(shù)據(jù)庫連接池實(shí)時(shí)根據(jù)消耗資源數(shù)據(jù)集合模型選擇最優(yōu)模型算法。
[0114]結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)儲(chǔ)存器、內(nèi)存、只讀存儲(chǔ)器、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、⑶-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其他形式的存儲(chǔ)介質(zhì)中。可以理解的是，對于本領(lǐng)域的普通技術(shù)人員來說，可以根據(jù)本發(fā)明的技術(shù)構(gòu)思做出其它各種相應(yīng)的改變與變形，而所有這些改變與變形都應(yīng)屬于本發(fā)明權(quán)利要求的保護(hù)范圍。
【主權(quán)項(xiàng)】
1.一種應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法，其特征在于，其包括如下步驟: 51、同時(shí)將由N個(gè)數(shù)據(jù)元素組成的歷史資源消耗數(shù)據(jù)集合A分割成多個(gè)子數(shù)據(jù)集合，子數(shù)據(jù)集合中數(shù)據(jù)的個(gè)數(shù)與由M個(gè)數(shù)據(jù)元素組成的實(shí)時(shí)資源消耗數(shù)據(jù)集合B中的數(shù)據(jù)個(gè)數(shù)相同；其中N、M均為正整數(shù)且M小于N; 52、分別計(jì)算各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量； 53、利用多種算法模型對數(shù)據(jù)集合B的特征值向量進(jìn)行趨勢預(yù)測得到預(yù)測結(jié)果，并根據(jù)預(yù)測結(jié)果計(jì)算預(yù)測算法模型； 54、實(shí)時(shí)選擇數(shù)據(jù)集合B特征值向量中的數(shù)據(jù)，重復(fù)步驟S3，修正預(yù)測算法模型的權(quán)重值，得到應(yīng)用中間件數(shù)據(jù)庫連接池實(shí)時(shí)根據(jù)消耗資源數(shù)據(jù)集合模型選擇最優(yōu)預(yù)測算法模型。2.如權(quán)利要求1所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法，其特征在于， 所述步驟SI包括: 將數(shù)據(jù)集合A中的數(shù)據(jù)從第一個(gè)數(shù)據(jù)開始取出M個(gè)數(shù)放入集合Al中，從第二個(gè)數(shù)據(jù)開始再拿出M個(gè)數(shù)放入集合A2中......從第η個(gè)數(shù)據(jù)開始拿出M個(gè)數(shù)據(jù)放入集合An中......依次類推，直到數(shù)據(jù)集合A中的η+1個(gè)數(shù)據(jù)開始到數(shù)據(jù)集合A的最后一個(gè)數(shù)據(jù)不滿足M個(gè);數(shù)據(jù)集合A被分成η個(gè)小數(shù)據(jù)集合Al，Α2，……An;Al，Α2，……An集合中都有M個(gè)數(shù)據(jù)。3.如權(quán)利要求2所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法，其特征在于， 所述步驟S2中各子數(shù)據(jù)集合以及數(shù)據(jù)集合B的特征值向量的數(shù)據(jù)包括: (1)最大值:切片數(shù)據(jù)中的最大數(shù)； (2)最小值:切片數(shù)據(jù)中的最小數(shù)； (3)平均值:切片數(shù)據(jù)的算術(shù)平均值； (4)標(biāo)準(zhǔn)差:表示切片數(shù)據(jù)集的離散程度； (5)變異系數(shù):表示數(shù)據(jù)測量尺度相對較大的離散程度； (6)中位數(shù):把數(shù)據(jù)集分成相等兩部分的數(shù)； (7)偏度:統(tǒng)計(jì)數(shù)據(jù)分步非對稱程度的數(shù)字特征； (8)峰度:頻數(shù)分布曲線頂端尖峭或扁平程度的指標(biāo)； (9)最大差值:數(shù)據(jù)集中差值最大的值； (10)最大差值出現(xiàn)位置占比:數(shù)據(jù)集中差值最大的值的位置； 集合Al的特征值向量表示為Fl，Α2的特征值向量表示為F2……依次類推An的特征值向量表示為Fn;數(shù)據(jù)集合B的特征值向量表示為Fb。4.如權(quán)利要求3所述的應(yīng)用中間件數(shù)據(jù)庫連接池資源消耗趨勢智能預(yù)測方法，其特征在于， 所述步驟S3中預(yù)測算法包括: (I )ARIMA專家系統(tǒng)的預(yù)測算法，標(biāo)記為Algl; (2)ARIMA訓(xùn)練參數(shù)的預(yù)測算法，標(biāo)記為Alg2; (3)灰色預(yù)測算法，標(biāo)記為Alg3; (4)HoltWinters指數(shù)平滑預(yù)測算法，標(biāo)記為Alg4; (5)—元線性回歸預(yù)測算法，標(biāo)記為Alg5; (6)環(huán)比預(yù)測算法，標(biāo)記為Alg6; (7)同比預(yù)測算法，標(biāo)記為Alg7; (8)同環(huán)比平均預(yù)測算法，標(biāo)記為Alg8; (9)基于同環(huán)比的一元回歸預(yù)測算法，標(biāo)記為Alg9; (10)滑動(dòng)平均預(yù)測算法，標(biāo)記為AlglO; (11)平均增長率預(yù)測算法，標(biāo)記為AlglI; 對數(shù)據(jù)集合B的特征值向量Fb分別利用上述11中算法模型進(jìn)行趨勢預(yù)測，得出預(yù)測結(jié)果，并計(jì)算殘差，記錄算法對應(yīng)的殘差分別為町、1?2、1?、1?4、1?5、1?6、1?7、1?8、1?9、1?10和1?11，進(jìn)行殘差對比最小的標(biāo)記為Rmin，殘差最小Rmin對應(yīng)的算法，命中率最尚，即是最合適預(yù)測算法，對每個(gè)算法初始化相同的權(quán)重值，分別為Ql、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q1和Ql I，將其權(quán)重加I，最終選擇權(quán)重最大的算法模型作為預(yù)測算法模型。
【文檔編號(hào)】G06F11/34GK106021080SQ201610306081
【公開日】2016年10月12日
【申請日】2016年5月10日
【發(fā)明人】張科, 肖治華, 朱小軍, 查志勇, 廖榮濤, 徐靜進(jìn), 鄒澄澄, 徐煥, 余錚, 王逸兮, 詹偉, 劉芬, 龍霏, 羅弦, 馮浩, 朱聞遠(yuǎn), 肖銳
【申請人】國家電網(wǎng)公司, 國網(wǎng)湖北省電力公司信息通信公司