存储容量预测模型生成方法、存储容量预测方法

摘要

本申请公开了一种存储容量预测模型生成方法、装置、设备和存储及存储容量预测方法，存储容量预测模型生成方法包括：获取历史存储容量数据基于时间变化的原始序列；分解原始序列得到季节周期成分；基于原始序列中的原始跳变点进行变点预测得到跳变序列；根据原始序列计算短期增长率和长期增长率，得到线性主序列；对季节周期成分、线性主序列和跳变序列进行叠加处理，生成存储容量预测模型。本申请通过对原始序列进行季节周期性判别，对可能出现的变点进行预测，再计算短期增长率和长期增长率得到线性主序列，进而叠加季节周期成分、跳变序列和线性主序列生成存储容量预测模型，能够提高预测精确度，适应不同类型容量趋势变化的形态特征。

说明书

技术领域

本申请涉及计算机技术领域，更具体地说，涉及一种存储容量预测模型生成方法、装置、电子设备和计算机可读存储介质及一种存储容量预测方法、装置、电子设备和计算机可读存储介质。

背景技术

近年来，全球云计算支出以及云服务的需求出现了爆发式增长，云服务提供商的服务器购买规划问题就面临着两难的局面。一方面考虑到生产和交货周期以及折扣因素，较早和较大的采购可能有助于降低购买成本；另一方面，设备的保修有限，需要维护资源，后期和较小的采购可以减少折旧和维护成本。云服务器的容量预测能够根据已有的工作负载和资源使用情况，规划未来负载变化和资源使用情况。在虚拟存储技术领域，预测存储容量变化趋势就是其中的热点问题。

基于不同的业务模型，资源增长模式也有着不同的形态。如图1所示，a类容量变化形态有平稳的线性趋势，易于预测；b类容量变化形态主要是线性趋势，稍微有较小程度的变化；c类容量变化形态具有明显的周期性；d类容量变化形态呈现线性趋势并伴随大量的跳变点。

传统技术中，通过采用基于线性回归的方法，神经网络模型或经典时间序列模型，如自回归积分移动平均值和指数平滑法等方式来实现存储容量变化预测。然而，基于线性回归的方法虽然实现比较简单，但只能预测a类的变化趋势，b类效果还可以接受，但针对c、d类型的预测效果都很不理想；而神经网络模型或经典时间序列模型算法复杂度较高，通常需要很长的运算时间和复杂的调参过程，且由于d类变化趋势形态变化较大，缺乏周期性，很容易导致模型陷入过拟合，预测效果也不够理想。

因此，如何解决上述问题是本领域技术人员需要重点关注的。

发明内容

本申请的目的在于提供一种存储容量预测模型生成方法、装置、电子设备和计算机可读存储介质及一种存储容量预测方法、装置、电子设备和计算机可读存储介质，能够提高预测精确度，适应不同类型容量趋势变化的形态特征。

为实现上述目的，本申请提供了一种存储容量预测模型生成方法，包括：

获取历史存储容量数据基于时间变化的原始序列；

对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；

基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；

根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；

对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型，所述存储容量预测模型用于容量管理操作。

可选的，所述基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列，包括：

确定所述原始序列中的原始跳变点，并判断所述原始跳变点的分布是否符合泊松过程；

若符合泊松过程，则基于所述原始跳变点，利用泊松过程的强度参数生成跳变序列。

可选的，所述确定所述原始序列中的原始跳变点，包括：

计算所述原始序列对应的第一类一阶差分序列，并取所述第一类一阶差分序列的绝对值得到处理后序列；

选取所述处理后序列中超过预设变点阈值的目标点，将所述目标点确定为所述原始跳变点。

可选的，所述根据所述原始序列计算短期增长率和长期增长率，包括：

基于所述原始跳变点，对所述原始序列进行切分，得到目标子序列；

利用线性模型对所述目标子序列进行拟合，得到各个目标子序列对应的斜率；

通过加权平均的方式对各个目标子序列对应的斜率进行计算，得到所述短期增长率；

将预测窗口作为步长，计算所述原始序列对应的第二类一阶差分序列，得到所述长期增长率。

可选的，所述通过加权平均的方式对各个目标子序列对应的斜率进行计算，得到所述短期增长率，包括：

利用预设输入接口获取实时输入的衰减系数；

基于所述衰减系数，利用指数衰减函数计算各个目标子序列对应的权重；

根据计算得到的权重，对各个目标子序列对应的斜率进行加权平均计算，得到所述短期增长率。

可选的，所述对所述原始序列进行分解，得到所述原始序列对应的季节周期成分之后，还包括：

确定所述季节周期成分对应的占比，并判断所述占比是否大于预设比例阈值；

若所述占比小于所述预设比例阈值，则禁止对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，直接对所述线性主序列和所述跳变序列进行叠加处理生成存储容量预测模型。

可选的，所述对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型之后，还包括：

获取当前服务器的剩余存储容量；

结合所述存储容量预测模型和所述剩余存储容量，确定当前服务器存储容量耗尽的预测时间节点；

通过可视化界面返回包括所述预测时间节点的预警提示信息。

为实现上述目的，本申请提供了一种存储容量预测方法，包括：

获取待预测服务器在预设历史时间段内的实际容量使用数据；

将所述实际容量使用数据输入到存储容量预测模型，获得所述待预测服务器预设未来时间段内的存储容量预测结果；其中，所述存储容量预测模型为前述任一项所述存储容量预测模型生成方法生成的预测模型。

为实现上述目的，本申请提供了一种存储容量预测模型生成装置，包括：

序列获取模块，用于获取历史存储容量数据基于时间变化的原始序列；

序列分解模块，用于对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；

变点预测模块，用于基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；

增长计算模块，用于根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；

模型生成模块，用于对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型，所述存储容量预测模型用于容量管理操作。

为实现上述目的，本申请提供了一种存储容量预测装置，包括：

数据获取模块，用于获取待预测服务器在预设历史时间段内的实际容量使用数据；

容量预测模块，用于将所述实际容量使用数据输入到存储容量预测模型，获得所述待预测服务器预设未来时间段内的存储容量预测结果；其中，所述存储容量预测模型为前述任一项所述存储容量预测模型生成方法生成的预测模型。

为实现上述目的，本申请提供了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现前述公开的任一种存储容量预测模型生成方法的步骤。

为实现上述目的，本申请提供了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现前述公开的任一种存储容量预测方法的步骤。

为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述公开的任一种存储容量预测模型生成方法的步骤。

为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述公开的任一种存储容量预测方法的步骤。

通过以上方案可知，本申请提供的一种存储容量预测模型生成方法，包括：获取历史存储容量数据基于时间变化的原始序列；对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型，所述存储容量预测模型用于容量管理操作。由上可知，本申请通过对原始序列进行季节周期性判别，并对可能出现的变点进行预测，再根据原始序列计算短期增长率和长期增长率得到容量变化主趋势，即线性主序列，能够将季节周期性判别得到的季节周期成分、预测得到的跳变序列和线性主序列进行叠加，生成存储容量预测模型，有效提高了预测精确度，可以适应不同类型容量趋势变化的形态特征，同时算法复杂度较低，能够快速计算预测结果。

本申请还公开了一种存储容量预测模型生成装置、电子设备、计算机可读存储介质及一种存储容量预测方法、装置、电子设备和计算机可读存储介质，同样能实现上述技术效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为存储容量变化形态趋势的常见类型示意图；

图2为本申请实施例公开的一种存储容量预测模型生成方法的流程图；

图3为本申请实施例公开的另一种存储容量预测模型生成方法的流程图；

图4为本申请实施例公开的又一种存储容量预测模型生成方法的流程图；

图5为本申请实施例公开的一种存储容量预测方法的流程图；

图6为本申请实施例公开的一种存储容量预测模型生成装置的结构图；

图7为本申请实施例公开的一种存储容量预测装置的结构图；

图8为本申请实施例公开的一种电子设备的结构图；

图9为本申请实施例公开的另一种电子设备的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

传统技术中，通过采用基于线性回归的方法，神经网络模型或经典时间序列模型，如自回归积分移动平均值和指数平滑法等方式来实现存储容量变化预测。然而，基于线性回归的方法虽然实现比较简单，但只能预测a类的变化趋势，b类效果还可以接受，但针对c、d类型的预测效果都很不理想；而神经网络模型或经典时间序列模型算法复杂度较高，通常需要很长的运算时间和复杂的调参过程，且由于d类变化趋势形态变化较大，缺乏周期性，很容易导致模型陷入过拟合，预测效果也不够理想。

因此，本申请实施例公开了一种存储容量预测模型生成方法，能够提高预测精确度，适应不同类型容量趋势变化的形态特征。

参见图2所示，本申请实施例公开的一种存储容量预测模型生成方法包括：

S101：获取历史存储容量数据基于时间变化的原始序列；

本申请实施例中，首先获取历史存储容量数据的原始序列，该序列为基于时间变化的序列，表征历史存储容量数据的变化趋势。

在具体实施中，获取原始序列的方式可以包括：预先收集预设历史时间内存储容量变化的数据，得到原始序列；或可通过文件传输接口获取用户上传的包括历史存储容量数据的文件。

S102：对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；

在本步骤中，将对上述原始序列进行季节性分解，得到其中的季节周期成分。其中，季节性分解是将原始的时间序列分解为长期趋势、季节周期和随机变动三部分。季节性分解是为了分析存储容量变化趋势受季节变动的影响，季节变动，即由于受自然条件和经济条件的变动影响，而形成在一年中数据随季节变动而发生的有规律的变动。

作为一种具体的实施方式，本申请实施例可采用加法模型或乘法模型分解原始序列，得到原始序列的长期趋势、季节周期成分、随机变动成分。需要指出的是，加法模型和乘法模型均为长期趋势分析中常用的统计分析方法，其中，乘法模型是假定长期趋势、季节周期和随机变动对发展变化趋势的影响是相互作用的，以长期趋势成分的绝对量为基础，其余量均以比率表示，而加法模型是假定长期趋势、季节周期和随机变动对发展变化趋势的影响是相互独立的，每个成分均以绝对量表示。

S103：基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；

本申请实施例中，将进行变点预测。变点预测是在一个序列或过程中，当某个统计特性如分布类型、分布参数等在某时间点受系统性因素而非偶然性因素影响而发生变化，则该时间点被称为变点，具体可以利用统计量或统计方法将变点位置统计出来。

在一种具体的实施方式中，上述基于原始序列中的原始跳变点进行变点预测，得到跳变序列的过程可以具体包括：确定原始序列中的原始跳变点，并判断原始跳变点的分布是否符合泊松过程；若符合泊松过程，则基于原始跳变点，利用泊松过程的强度参数生成跳变序列。也即，首先需要查找历史容量数据的原始序列中是否存在原始跳变点，进而判断原始跳变点的分布是否符合泊松过程，若符合，则可以进行后续的变点预测过程，否则跳过该原始跳变点，分析下一原始跳变点的分布是否符合泊松过程，直至针对全部跳变点的分析过程结束。

需要说明的是，泊松分布是一种统计与概率学里常见的离散概率分布。适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数等。而随机过程在概率论概念中，是随机变量的集合。若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。例如股票和汇率的波动、语音信号、视频信号、体温的变化等均属于随机过程的实例。泊松过程具体为随机过程的一种，是以事件的发生时间来定义的。它需要满足以下条件：在两个互斥不重叠的区间内所发生的事件的数目是互相独立的随机变量；在预设时间区间内发生的事件的数目的概率分布服从泊松分布。

作为一种具体的实施方式，上述确定原始序列中的原始跳变点的过程可以包括：计算原始序列对应的第一类一阶差分序列，并取第一类一阶差分序列的绝对值得到处理后序列；选取处理后序列中超过预设变点阈值的目标点，将目标点确定为原始跳变点。由上可知，本申请实施例首先计算原始序列的一阶差分序列，并取一阶差分序列的绝对值。在一阶差分序列中查找当前点与前一个点相差超过预设变点阈值的当前点作为目标点，即为原始跳变点。上述预设变点阈值可以具体选取一阶差分序列的标准差的三倍，当然，在实施过程中，可根据实际需求设定预设变点阈值，本申请实施例并不对此进行限定。

S104：根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；

在本步骤中，将通过线性模型拟合得到存储容量变化的线性主趋势。首先根据原始序列计算短期增长率和长期增长率，短期增长率表征存储容量在较短时间范围内的增长率，长期增长率表征存储容量在较长时间范围内的增长率。

具体地，可基于原始跳变点对原始序列进行切分，得到多个平稳变化的目标子序列；利用线性模型对目标子序列进行拟合，得到各个目标子序列对应的斜率；通过加权平均的方式对各个目标子序列对应的斜率进行计算，得到短期增长率。需要指出的是，在一般情况下，近期的趋势继续延续下去的概率更高，因此在加权平均计算的时候，近期子序列的权重会高于远期的权重。作为一种具体的实施方式，可采用指数衰减的方式确定各个目标子序列的权重，例如，可利用预设输入接口获取实时输入的衰减系数，基于衰减系数，利用指数衰减函数计算各个目标子序列对应的权重，进而可根据计算得到的权重，对各个目标子序列对应的斜率进行加权平均计算，得到短期增长率。

在计算长期增长率时，可将预测窗口作为步长，计算原始序列对应的第二类一阶差分序列。例如，若预测窗口大小为三个月，按照步长90计算原始序列的一阶差分序列，即第91天的数据减去第1天的数据，第92天的数据减去第2天的数据，以此类推。

可以理解的是，在计算得到短期增长率和长期增长率之后，即可预测未来的序列变化主趋势。具体地，可将预测时间分为第一时间段和第二时间段，例如将90天分为30天和60天，第一时间段对应的线性主序列采用短期增长率进行线性拟合预测，第二时间段对应的线性主序列采用长期增长率进行线性拟合预测，得到最终的线性主序列。

S105：对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型，所述存储容量预测模型用于容量管理操作。

在本步骤中，将对上述分解和预测得到的季节周期成分、线性主序列和跳变序列进行叠加处理，生成存储容量预测模型。具体叠加的过程，可同样采用加法模型或乘法模型进行叠加处理。需要指出的是，若前述步骤的季节性分解采用的是加法模型，则此处需要采用加法模型进行叠加处理；若前述步骤的季节性分解采用的是乘法模型，则此处需要采用乘法模型进行叠加处理。当生成存储容量预测模型之后，可利用该模型预测未来一定时间段内可能的存储容量，以便管理员进行扩容等容量管理操作。

通过以上方案可知，本申请提供的一种存储容量预测模型生成方法，包括：获取历史存储容量数据基于时间变化的原始序列；对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型，所述存储容量预测模型用于容量管理操作。由上可知，本申请通过对原始序列进行季节周期性判别，并对可能出现的变点进行预测，再根据原始序列计算短期增长率和长期增长率得到容量变化主趋势，即线性主序列，能够将季节周期性判别得到的季节周期成分、预测得到的跳变序列和线性主序列进行叠加，生成存储容量预测模型，有效提高了预测精确度，可以适应不同类型容量趋势变化的形态特征，同时算法复杂度较低，能够快速计算预测结果。

本申请实施例公开了另一种存储容量预测模型生成方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。参见图3所示，具体的：

S201：获取历史存储容量数据基于时间变化的原始序列；

S202：对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；

S203：基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；

S204：根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；

S205：确定所述季节周期成分对应的占比，并判断所述占比是否大于预设比例阈值；如果是，则进入步骤S206；如果否，则进入步骤S207；

S206：对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型；

S207：对所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型。

可以理解的是，本申请实施例在对原始序列进行季节性分解之后，可进一步确定季节周期成分的占比，并判断该占比与预设比例阈值的大小关系。若季节周期成分占比大于预设比例阈值，则表征季节周期成分对存储容量变化趋势的影响较明显，可保存季节周期成分并在预测的主趋势上叠加该成分，进一步提高预测的精确度。若季节周期成分占比小于预设比例阈值，则表征季节周期对存储容量变化趋势的影响不明显，则可放弃该季节周期成分，在生成存储容量预测模型时只叠加线性主序列和跳变序列，无需在季节周期影响较小时仍进行无意义的叠加，避免了不必要的工作过程和工作时间浪费。

本申请实施例公开了另一种存储容量预测模型生成方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。参见图4所示，具体的：

S301：获取历史存储容量数据基于时间变化的原始序列；

S302：对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；

S303：基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；

S304：根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；

S305：对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型；

S306：获取当前服务器的剩余存储容量；

S307：结合所述存储容量预测模型和所述剩余存储容量，确定当前服务器存储容量耗尽的预测时间节点；

S308：通过可视化界面返回包括所述预测时间节点的预警提示信息。

作为一种优选的实施方式，本申请实施例可获取当前服务器的剩余存储容量，根据存储容量预测模型和当前剩余存储容量确定当前服务器存储容量耗尽的预测时间节点，并返回包括预测时间节点的预警提示信息，以便管理员及时进行扩容等操作。

本申请实施例公开了一种存储容量预测方法，该方法主要利用前述任一实施例生成的存储容量预测模型进行存储容量预测。参见图5所示，该方法具体包括：

S401：获取待预测服务器在预设历史时间段内的实际容量使用数据；

本申请实施例中，可首先获取待预测服务器在预设历史时间段内的实际容量使用数据。上述待预测服务器可具体为需要进行容量预测的服务器，预设历史时间段可以在实际实施中根据具体情况进行设定，本实施例对此不进行具体限定。

在具体实施中，上述获取待预测服务器的实际容量使用数据的方式可以为：获取待预测服务器中预设线程主动上报的实际容量使用数据，或通过外部存储设备获取预先拷贝的待预测服务器的实际容量使用数据，也即，可以采用数据自动上报或手动采集的方式获取实际容量使用数据。

S402：将所述实际容量使用数据输入到存储容量预测模型，获得所述待预测服务器预设未来时间段内的存储容量预测结果；其中，所述存储容量预测模型为前述任一实施例生成的预测模型。

可以理解的是，本实施例可以将实际容量使用数据输入到存储容量预测模型，存储容量预测模型将根据待预测服务器在预设历史时间段内的实际容量使用数据对该服务器未来时间段内的容量使用趋势进行预测，从而得到待预测服务器的存储容量预测结果，该存储容量预测模型具体为前述任一实施例生成的预测模型。其中，预设未来时间段内的存储容量预测结果可以是具体数据，例如未来某个时间点的存储容量使用数据，或者未来某个时间点的存储容量剩余数据。预设未来时间段内的存储容量预测结果也可以表示发展趋势，例如预设未来时间段内存储容量使用数据的变化趋势，或者预设未来时间段内存储容量剩余数据的变化趋势。

下面通过具体实施中的产品服务形态对本申请实施例的存储容量预测过程进行介绍。作为一种可行的实施方式，可将存储容量预测模型的预测功能作为一个软件模块部署到云产品的管理平台中，例如HCI(Hyperconvergence Infrastructure，超融合)产品。用户在完成云计算产品的部署之后，即可使用该功能进行相应的存储容量预测。作为另外一种可行的实施方式，可将存储容量预测模型的预测功能以SaaS(Software-as-a-Service，软件即服务)的形式对外提供服务，提供API(Application Program Interface，应用程序接口)以便用户通过调用API接口上传历史容量使用数据，并获取根据容量使用数据预测得到的存储容量预测结果。

在一种示例性的实施方式中，对存储容量进行预测时，可具体采用滚动式预测方式，即周期性执行存储容量的预测过程，例如每天、每周执行一次，每次执行时采集过往一段时间内，例如过去180天内的实际容量使用数据，预测未来一段时间，例如90天的容量使用趋势。在每次预测后利用更新的预测趋势覆盖前一周期的预测结果，实现滚动式预测。

下面对本申请实施例提供的一种存储容量预测模型生成装置进行介绍，下文描述的一种存储容量预测模型生成装置与上文描述的一种存储容量预测模型生成方法可以相互参照。

参见图6所示，本申请实施例提供的一种存储容量预测模型生成装置包括：

序列获取模块501，用于获取历史存储容量数据基于时间变化的原始序列；

序列分解模块502，用于对所述原始序列进行分解，得到所述原始序列对应的季节周期成分；

变点预测模块503，用于基于所述原始序列中的原始跳变点进行变点预测，得到跳变序列；

增长计算模块504，用于根据所述原始序列计算短期增长率和长期增长率，结合所述短期增长率和所述长期增长率得到线性主序列；

模型生成模块505，用于对所述季节周期成分、所述线性主序列和所述跳变序列进行叠加处理，生成存储容量预测模型，所述存储容量预测模型用于容量管理操作。

关于上述模块501至505的具体实施过程可参考前述实施例公开的相应内容，在此不再进行赘述。

下面对本申请实施例提供的一种存储容量预测装置进行介绍，下文描述的一种存储容量预测装置与上文描述的一种存储容量预测方法可以相互参照。

参见图7所示，本申请实施例提供的一种存储容量预测模型生成装置包括：

数据获取模块601，用于获取待预测服务器在预设历史时间段内的实际容量使用数据；

容量预测模块602，用于将所述实际容量使用数据输入到存储容量预测模型，获得所述待预测服务器预设未来时间段内的存储容量预测结果；其中，所述存储容量预测模型前述任一实施例公开的所述存储容量预测模型生成方法生成的预测模型。

关于上述模块601和602的具体实施过程可参考前述实施例公开的相应内容，在此不再进行赘述。

本申请还提供了一种电子设备，参见图8所示，本申请实施例提供的一种电子设备包括：

存储器100，用于存储计算机程序；

处理器200，用于执行所述计算机程序时可以实现上述实施例所提供的存储容量预测模型生成方法或存储容量预测方法的步骤。

具体的，存储器100包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令，该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器200在一些实施例中可以是一中央处理器(CentralProcessing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，为电子设备提供计算和控制能力，执行所述存储器100中保存的计算机程序时，可以实现前述任一实施例公开的存储容量预测模型生成方法或存储容量预测方法的步骤。

在上述实施例的基础上，作为优选实施方式，参见图9所示，所述电子设备还包括：

输入接口300，与处理器200相连，用于获取外部导入的计算机程序、参数和指令，经处理器200控制保存至存储器100中。该输入接口300可以与输入系统相连，接收用户手动输入的参数或指令。该输入系统可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、轨迹球或触控板，也可以是键盘、触控板或鼠标等。

显示单元400，与处理器200相连，用于显示处理器200处理的数据以及用于显示可视化的用户界面。该显示单元400可以为LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。

网络端口500，与处理器200相连，用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术，如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。

图9仅示出了具有组件100-500的电子设备，本领域技术人员可以理解的是，图9示出的结构并不构成对电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

本申请还提供了一种计算机可读存储介质，该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述任一实施例公开的存储容量预测模型生成方法或存储容量预测方法的的步骤。

本申请通过对原始序列进行季节周期性判别，并对可能出现的变点进行预测，再根据原始序列计算短期增长率和长期增长率得到容量变化主趋势，即线性主序列，能够将季节周期性判别得到的季节周期成分、预测得到的跳变序列和线性主序列进行叠加，生成存储容量预测模型，有效提高了预测精确度，可以适应不同类型容量趋势变化的形态特征，同时算法复杂度较低，能够快速计算预测结果。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。