基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用

针对大数据监控系统对时间序列预测准确性和实时性的需求,以及大数据监控系统中时间序列呈现趋势性和季节性变化的特点,选择Holt-Winters算法建立时间序列预测模型。首先介绍时间序列的概念和特点,然后分析Holt-Winters算法的原理以及预测条件。选取合适的平滑系数是影响Holt-Winters算法预测准确性的关键,结合L-BFGS算法在不同时间区间求最优解,实现动态平滑系数的选取。最后以用户2天的页面访问量作为实验数据,通过相对误差指标的比较分析,验证该算法能满足大数据监控系统对时间序列预测的需求,具有较好的实际应用效果。     

基于三次指数平滑的失业率预测

由于失业率关系着国家和地区的经济发展,必须预测失业率与时间的变化关系。本文使用Holt-Winters模型对失业率进行预测,比较预测精度并选择最适模型。通过实验,得到应用周期为10的加法Holt-Winters模型预测失业率最为精确。因此其可以为失业率的预测提供有意义的参考。     

几种准实时IT系统负荷预测方法比较研究——基于R语言

为了找到简单有效的模型对IT系统负荷进行预测,通过使用现有的IT系统建立压力测试环境,模拟负载逐渐增加过程,同时采集IT系统的性能参数(如CPU使用量,内存使用率,网络带宽使用率),并利用几种传统预测方法对采集到的性能参数进行分析和预测,比较各种方法的适应性。研究实验分别采用直线回归、对数回归、二次曲线回归、Holt-Winters平滑、ARIMA、R语言包auto ARIMA、均值模型、中位数模型等八种方法进行建模,利用R语言计算出一定时刻(如10 s)后的预测结果,最后将预测结果与实测结果进行比较,根据其绝对/相对误差的大小,确定合适的预测模型。通过实验,得到了这样的结论:对于变化比较剧烈的CPU利用率,适合使用中位数模型进行准实时预测,平均精度较高,而对于变化比较缓慢的内存使用数则适合用ARIMA模型进行预测;对于变化比较大,但变化周期较长的网络带宽使用率则适合使用Holt-Winters方法。该结论可作为工程实际选择准实时连续预测最优方法的依据。     

云计算环境下基于需求预测的虚拟机节能分配方法研究

在云计算环境中,大量用来处理各种用户需求的虚拟机分布在具有相异物理配置的主机上.维持这些主机和配套设施的正常运转需要消耗大量的能源.为了控制云计算环境的运营支出并提高其能源利用率,提出了基于需求预测的虚拟机节能分配方法.首先,由于用户需求通常具有时变性且符合一定的季节性模型,所以利用Holt-Winters指数平滑法对后续周期的需求进行预测.其次,根据预测结果,利用修改后的背包算法在主机之间合理地分配虚拟机.最后,利用自优化模块对预测模型中的参数进行自适应更新,并确定合适的预测周期.实验表明该方法可以有效减少主机的开关机操作次数,从而降低云计算环境中无谓的能源消耗.     

基于ARIMA和Holt-Winters的消费行为预测

以学校一卡通交易流水数据为研究对象,挖掘出令管理层感兴趣的信息,为学校决策管理提供科学依据.把食堂2014年1月至2019年2月的消费数据作为研究对象,通过平滑消除数据噪音,分别建立ARIMA模型和Holt-Winters乘法模型,将月数据组成的离散型时间序列进行拟合分析,并对2019年3月至5月份的消费趋势进行了预测,最后用实际值来检测预测结果.实验证明,Holt-Winters模型对消费数据的拟合效果较好,预测精度更高.应用合适的数学模型对一卡通中饭堂消费的数据进行分析、拟合、预测,有助于全面掌握师生的食堂消费行为规律,可为后勤部门优化资源配置和科学决策提供依据.     

智能化时代新闻业务大数据监控系统的分析与设计

近年来，随着大数据技术的研发和应用，大数据相关业务的监控也越来越重要。在智能化时代，新闻业务呈现出了新的发展趋势，随着新闻业务的扩展和数据量级的增长，大数据监控系统的构建成为新闻领域重要工作之一。对此，文章首先分析智能化新闻业务的特点和生产模式困境，重点建立新闻业务的大数据监控系统，将监控系统整体上分为六个功能性模块，对监控系统的系统权限、数据监控管理、监控项可视化等功能性模块进行详细的设计，并基于Holt-Winters算法建立监控系统中时间序列预测模型。以期提升大数据监控系统的数据安全监控能力，尽可能减小数据风险和经济损失，促进大数据环境下新闻业务的智能化发展。     

面向SaaS运营的主成分分析组合预测模型

为了建立面向SaaS运营的预测模型,提出了一种基于主成分分析的组合预测模型并应用于SaaS运营预测中。利用相空间重构预测模型、灰色预测模型和三次指数平滑预测模型这三种单一预测模型,结合主成分分析策略,建立组合预测模型。仿真实验结果表明,基于主成分分析的组合预测模型的预测精度高于各单一预测模型,发挥了各单一预测模型的优势,是面向SaaS运营预测的一种有效方法。     

小波神经网络预测模型的仿真实现

针对神经网络预测模型在对非线性序列进行预测时,容易陷入局部次优点,训练速度慢的缺点,在传统神经网络预测模型的基础上,引入小波作为隐含层的传递函数,构成新的预测模型:小波神经网络预测模型.介绍了小波神经网络预测模型的构建,仿真模型和仿真算法,并把小波神经网络预测模型在matlab7.0以网络流量的预测对模型进行了效果检验,得出了预测精度较高的预测结果,并且克服了容易陷入局部次优点的缺点,同时训练速度较之神经网络预测模型大大提高.     

基于核和面积的离散灰数预测模型

灰色预测模型的既有研究成果均以实数或区间灰数为建模前提,缺乏对以离散灰数为建模对象的灰色预测模型进行有效研究．对此,分别建立了离散灰数序列核及灰单元格面积的预测模型,并在此基础上推导了基于离散灰数序列的灰色预测模型;应用分析验证了该模型的有效性及实用性．离散灰数预测模型对丰富与完善灰色预测模型的理论体系、拓展灰色预测模型的应用范围具有积极的意义．     

混合预测模型PMA GM在网格资源性能预测中的应用*

提出了基于时间序列的混合预测模型,即将改进的移动平均预测模型MA和灰色预测模型GM(1,1)结合起来。该混合预测模型产生的预测准确率比较高,有效地提高了网格中调度组件的调度效率。