电脑系统磁盘容量预测

详细分析及预测过程

一、背景及目的

（1）背景介绍

为了实现信息化发展，建设自动化办公系统、人力资源管理系统财务管理系统、企业信息门户系统等大型应用系统。某企业应用系统日常运行时，会对底层软硬件造成负荷，显著地影响应用系统的性能。任何一种资源负载过大，都可能会引起应用系统性能下降甚至瘫痪。因此需要关注服务器、数据库、中间件和存储设备的运行状态，及时了解当前应用系统的负载情况，以便提前预防，确保系统安全稳定运行。

（2）目的

• 针对历史磁盘数据，采用时间序列分析方法，预测系统服务器磁盘已使用空间大小；
• 根据用户需要设置不同预警等级，将预测值与实际值进行比较，对结果进行预警判断，为系统管理员提供定制化的预警提示。

二、分析思路

本项目的主要分析思路如下图所示。

（1）数据平稳性：给出一个随机时间序列，首先可以通过该序列的时间路径图来粗略地判断数据是否平稳。
一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程；而不平稳的时间序列往往表现出在不同的时间段具有不同的均值。
平稳性检验：

• 时序图检验：其依据是均值方差为常数，且始终在一常数值附近随机波动，波动范围有限，无明显趋势及周期特征；
• 自相关图检验：随着延迟期数增加，自相关系数衰减到0
  平稳性的含义：一个时间序列剔除不变的均值和时间趋势以后，剩余的序列为0均值，同方差，也就是白噪声。

（2）白噪声：随机变量Xt和Xs的协方差为0，则为纯随机过程，若其期望为0，方差为常数，则称为白噪声过程。白噪声序列的AC和PAC的值都落在两倍标准差范围内，且p值>0.05（即序列为白噪声）,其序列没意义，不能建立ARIMA模型。

（3）模型识别：ARIMA（p,d,q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓的ARIMA模型是指将非平稳时间序列转为平稳的时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
ARIMA的基本思想：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，这个模型一旦识别后，就可以从时间序列的过去值及现在值预测未来值。

（4）模型检验：建立好模型后，需要对过去值和现在值进行检验，比较模型输出值与过去值相差是否很大，从而得知模型是否合理。

（5）模型预测：对模型进行检验并且合理后，可以利用模型来预测未来某一段时间的值。

三