法律状态公告日
法律状态信息
法律状态
2022-04-15
未缴年费专利权终止 IPC(主分类):G06F11/34 专利号:ZL2016103060817 申请日:20160510 授权公告日:20181019
专利权的终止
2018-10-19
授权
授权
2016-11-09
实质审查的生效 IPC(主分类):G06F11/34 申请日:20160510
实质审查的生效
2016-10-12
公开
公开
技术领域
本发明涉及计算器技术领域,特别涉及一种应用中间件数据库连接池资源消耗趋势智能预测方法。
背景技术
计算机自我学习,是指计算机模拟和实现人类的学习行为,来获取新的知识或技能,重新组织已有的知识结构使之不断改善自身性能的过程。
但是,目前的计算机自我学习方法预测效果并不理想。
发明内容
有鉴于此,本发明提出一种应用中间件数据库连接池资源消耗趋势智能预测方法。
一种应用中间件数据库连接池资源消耗趋势智能预测方法,其包括如下步骤:
S1、同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合,子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同;其中N、M均为正整数且M小于N;
S2、分别计算各子数据集合以及数据集合B的特征值向量;
S3、利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果,并根据预测结果计算预测算法模型;
S4、实时选择数据集合B特征值向量中的数据,重复步骤S3,修正预测算法模型的权重值,得到应用中间件实时根据使用的数据库连接池资源数据集合模型选择最优预测算法模型。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中,
所述步骤S1包括:
将数据集合A中的数据从第一个数据开始取出M个数放入集合A1中,从第二个数据开始再拿出M个数放入集合A2中……从第n个数据开始拿出 M个数据放入集合An中……依次类推,直到数据集合A中的n+1个数据开始到数据集合A的最后一个数据不满足M个;数据集合A被分成n个小数据集合A1,A2,……An;A1,A2,……An集合中都有M个数据。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中,
所述步骤S2中各子数据集合以及数据集合B的特征值向量的数据包括:
(1)最大值:切片数据中的最大数;
(2)最小值:切片数据中的最小数;
(3)平均值:切片数据的算术平均值;
(4)标准差:表示切片数据集的离散程度;
(5)变异系数:表示数据测量尺度相对较大的离散程度;
(6)中位数:把数据集分成相等两部分的数;
(7)偏度:统计数据分步非对称程度的数字特征;
(8)峰度:频数分布曲线顶端尖峭或扁平程度的指标;
(9)最大差值:数据集中差值最大的值;
(10)最大差值出现位置占比:数据集中差值最大的值的位置;
集合A1的特征值向量表示为F1,A2的特征值向量表示为F2……依次类推An的特征值向量表示为Fn;数据集合B的特征值向量表示为Fb。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中,
所述步骤S3中预测算法包括:
(1)ARIMA专家系统的预测算法,标记为Alg1;
(2)ARIMA训练参数的预测算法,标记为Alg2;
(3)灰色预测算法,标记为Alg3;
(4)HoltWinters指数平滑预测算法,标记为Alg4;
(5)一元线性回归预测算法,标记为Alg5;
(6)环比预测算法,标记为Alg6;
(7)同比预测算法,标记为Alg7;
(8)同环比平均预测算法,标记为Alg8;
(9)基于同环比的一元回归预测算法,标记为Alg9;
(10)滑动平均预测算法,标记为Alg10;
(11)平均增长率预测算法,标记为Alg11;
对数据集合B的特征值向量Fb分别利用上述11中算法模型进行趋势预测,得出预测结果,并计算残差,记录算法对应的残差分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10和R11,进行残差对比最小的标记为Rmin,残差最小Rmin对应的算法,命中率最高,即是最合适预测算法,对每个算法初始化相同的权重值,分别为Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Q11,将其权重加1,最终选择权重最大的算法模型作为预测算法模型。
实施本发明提供的应用中间件数据库连接池资源消耗趋势智能预测方法具有以下有益效果:可以通过实时选择数据集合B特征值向量Fb数据,重复上述的选择预测算法模型的过程,持续通过实际发生情况实现机器自我学习,修正算法模型的权重值,最终实现预测模型的修改,实现应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优模型算法。
附图说明
图1是本发明实施例的应用中间件数据库连接池资源消耗趋势智能预测方法流程图。
具体实施方式
本发明实施例提供一种应用中间件数据库连接池资源消耗趋势智能预测方法,其包括如下步骤:
S1、同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合,子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同;其中N、M均为正整数且M小于N;
S2、分别计算各子数据集合以及数据集合B的特征值向量。
S3、利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果,并根据预测结果计算预测算法模型。
S4、实时选择数据集合B特征值向量中的数据,重复步骤S3,修正预测算法模型的权重值,得到应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优预测算法模型。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中,
所述步骤S1包括:
将数据集合A中的数据从第一个数据开始取出M个数放入集合A1中,从第二个数据开始再拿出M个数放入集合A2中……从第n个数据开始拿出M个数据放入集合An中……依次类推,直到数据集合A中的n+1个数据开始到数据集合A的最后一个数据不满足M个;数据集合A被分成n个小数据集合A1,A2,……An;A1,A2,……An集合中都有M个数据。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中,
所述步骤S2中各子数据集合以及数据集合B的特征值向量的数据包括:
(1)最大值:切片数据中的最大数;
(2)最小值:切片数据中的最小数;
(3)平均值:切片数据的算术平均值;
(4)标准差:表示切片数据集的离散程度;
(5)变异系数:表示数据测量尺度相对较大的离散程度;
(6)中位数:把数据集分成相等两部分的数;
(7)偏度:统计数据分步非对称程度的数字特征;
(8)峰度:频数分布曲线顶端尖峭或扁平程度的指标;
(9)最大差值:数据集中差值最大的值;
(10)最大差值出现位置占比:数据集中差值最大的值的位置;
集合A1的特征值向量表示为F1,A2的特征值向量表示为F2……依次类推An的特征值向量表示为Fn;数据集合B的特征值向量表示为Fb。
对切片处理过的数据进行特征值计算,即是切片后数据的特征表现。每一条切片数据对应一个特征值向量,如A1的特征值向量F1(最大值,最小值,平均值,标准差,变异系数,中位数,偏度,峰度,最大差值,最大差值出现位置占比),A2的特征值向量F2(最大值,最小值,平均值,标准差,变异系数,中位数,偏度,峰度,最大差值,最大差值出现位置占比)……依次类推An的特征值向量Fn(最大值,最小值,平均值,标准差,变异系数,中位数,偏度,峰度,最大差值,最大差值出现位置占比)。B数据集 的特征值向量为Fb(最大值,最小值,平均值,标准差,变异系数,中位数,偏度,峰度,最大差值,最大差值出现位置占比)。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测方法中,
所述步骤S3中预测算法包括:
(1)ARIMA专家系统的预测算法,标记为Alg1;ARIMA全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA),是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法,基本思想是:将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。
(2)ARIMA训练参数的预测算法,标记为Alg2;
(3)灰色预测算法,标记为Alg3;
(4)HoltWinters指数平滑预测算法,标记为Alg4;HoltWinters为时间序列挖掘-预测算法-三次指数平滑法。
(5)一元线性回归预测算法,标记为Alg5;
(6)环比预测算法,标记为Alg6;
(7)同比预测算法,标记为Alg7;
(8)同环比平均预测算法,标记为Alg8;
(9)基于同环比的一元回归预测算法,标记为Alg9;
(10)滑动平均预测算法,标记为Alg10;
(11)平均增长率预测算法,标记为Alg11;
对数据集合B的特征值向量Fb分别利用上述11中算法模型进行趋势预测,得出预测结果,并计算残差,记录算法对应的残差分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10和R11,进行残差对比最小的标记为Rmin(例如此处比较后R1为做小残差,R1即为Rmin),残差最小Rmin对应的算法(R1对应的算法Alg1),命中率最高,即是最合适预测算法(Alg1就是最合适适用于此数据集合的预测算法),对每个算法初始化相同的权重值,分别为Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Q11(最适算法Alg1对应的权重Q1),将其权重加1,最终选择权重最大的算法模型作为 预测算法模型。
本发明还提供一种应用中间件数据库连接池资源消耗趋势智能预测系统,其包括如下单元:
切片单元10,用于同时将由N个数据元素组成的历史资源消耗数据集合A分割成多个子数据集合,子数据集合中数据的个数与由M个数据元素组成的实时资源消耗数据集合B中的数据个数相同;其中N、M均为正整数且M小于N。
特征值计算单元20,用于分别计算各子数据集合以及数据集合B的特征值向量。
预测单元30,用于利用多种算法模型对数据集合B的特征值向量进行趋势预测得到预测结果,并根据预测结果计算预测算法模型。
学习单元40,用于实时选择数据集合B特征值向量中的数据,重复执行预测单元30,修正预测算法模型的权重值,得到应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优预测算法模型。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测系统中,
所述切片单元10包括:
将数据集合A中的数据从第一个数据开始取出M个数放入集合A1中,从第二个数据开始再拿出M个数放入集合A2中……从第n个数据开始拿出M个数据放入集合An中……依次类推,直到数据集合A中的n+1个数据开始到数据集合A的最后一个数据不满足M个;数据集合A被分成n个小数据集合A1,A2,……An;A1,A2,……An集合中都有M个数据。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测系统中,
所述特征值计算单元20中各子数据集合以及数据集合B的特征值向量的数据包括:
(1)最大值:切片数据中的最大数;
(2)最小值:切片数据中的最小数;
(3)平均值:切片数据的算术平均值;
(4)标准差:表示切片数据集的离散程度;
(5)变异系数:表示数据测量尺度相对较大的离散程度;
(6)中位数:把数据集分成相等两部分的数;
(7)偏度:统计数据分步非对称程度的数字特征;
(8)峰度:频数分布曲线顶端尖峭或扁平程度的指标;
(9)最大差值:数据集中差值最大的值;
(10)最大差值出现位置占比:数据集中差值最大的值的位置;
集合A1的特征值向量表示为F1,A2的特征值向量表示为F2……依次类推An的特征值向量表示为Fn;数据集合B的特征值向量表示为Fb。
在本发明所述的应用中间件数据库连接池资源消耗趋势智能预测系统中,
预测单元30中预测算法包括:
(1)ARIMA专家系统的预测算法,标记为Alg1;
(2)ARIMA训练参数的预测算法,标记为Alg2;
(3)灰色预测算法,标记为Alg3;
(4)HoltWinters指数平滑预测算法,标记为Alg4;
(5)一元线性回归预测算法,标记为Alg5;
(6)环比预测算法,标记为Alg6;
(7)同比预测算法,标记为Alg7;
(8)同环比平均预测算法,标记为Alg8;
(9)基于同环比的一元回归预测算法,标记为Alg9;
(10)滑动平均预测算法,标记为Alg10;
(11)平均增长率预测算法,标记为Alg11;
对数据集合B的特征值向量Fb分别利用上述11中算法模型进行趋势预测,得出预测结果,并计算残差,记录算法对应的残差分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10和R11,进行残差对比最小的标记为Rmin,残差最小Rmin对应的算法,命中率最高,即是最合适预测算法,对每个算法初始化相同的权重值,分别为Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10和Q11,将其权重加1,最终选择权重最大的算法模型作为预测算法模型。
实施本发明提供的应用中间件数据库连接池资源消耗趋势智能预测方 法及系统具有以下有益效果:可以通过实时选择数据集合B特征值向量Fb数据,重复上述的选择预测算法模型的过程,持续通过实际发生情况实现机器自我学习,修正算法模型的权重值,最终实现预测模型的修改,实现应用中间件数据库连接池实时根据消耗资源数据集合模型选择最优模型算法。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。可以理解的是,对于本领域的普通技术人员来说,可以根据本发明的技术构思做出其它各种相应的改变与变形,而所有这些改变与变形都应属于本发明权利要求的保护范围。
机译: 采购趋势预测设备,采购趋势预测系统,采购趋势预测计划和采购趋势预测方法
机译: 支持数字广播的中间件,广播接收器,用于管理有关广播接收器资源分配的信息的方法以及记录介质,其中该方法被记录,能够执行应用程序,执行请求和分配资源
机译: 使用中间件层在Web上动态分配资源和功能的服务器客户端系统和客户端设备,以及使用中间件在Web上动态分配资源和功能的方法