为何需要预测？
通过分析序列进行合理预测，做到提前掌握未来的发展趋势，为业务决策提供依据，这也是决策科学化的前提。
时间序列就是按时间顺序排列的一组数据序列。时间序列分析就是发现这组数据的变动规律并用于预测的统计技术。
- 明天的账单大约多少？？（根据在各个云产品中资源消耗量进行预测 ---> 业务稳定）
- 业务流量预测，明天各个小时的流量如何？？（业务在稳定的情况下，也是可以预测的）
- 某公司的资源组的消耗情况？？（何时下发MR任务，导致哪些机器的资源消耗的情况，是具有一定规律，可以进行预测）
序列都可预测么？
- 明天股票价格是多少，未来一年我买这个股票或者基金会赚多少钱？？
- 预测一下下一期的彩票号码是多少？？
- ......
在大数据时代，相关关系似乎替代了因果关系。然而世界具有复杂性，大数据时代世界似乎被数据统治，是混沌的。相关关系是指当一个数据变化时，另一个数据也可能随之变化，不论是这两个数据也没有必然联系。相关关系有可能是正相关也有可能是负相关，有可能是强相关也有可能是弱相关。因果关系是指当一个作为原因的数据变化时，另一个作为结果的数据在一定程度发生变化，这两个数据存在着必然联系。因果关系可能是线性关系，也可能是非线性关系。
回归模型比相关系数进了一步，它可以解释数据之间作用机制和作用的大小。但回归模型即使通过了各种统计检验，也可能只在一定程度上说明事物之间的因果关系。模型的自变量不一定是原因，因变量不一定是结果。$X_i$与$y_i$之间的因果关系是否成立，还要由统计学所应用领域的专家来判断，如经济学家、管理学家、生物学家、医学家等，并大量的实践得到检验。统计模型只能说包含真正因果关系的可能性较大，二真值在哪里？上帝知道。
我们提供了什么？
统计学模型
ts_predicate_simple(unixtime, val, nPred, samplePeriod, sampleMethod)
ts_predicate_ar(unixtime, val, p, nPred, samplePeriod, sampleMethod)
ts_predicate_arma(unixtime, val, p, q, nPred, samplePeriod, sampleMethod)
ts_predicate_arima(unixtime, val, p, d, q, nPred, samplePeriod, sampleMethod)机器学习模型
- 不对数据做任何处理，直接使用GBRT模型进行预测
ts_regression_predict(unixtime, val, nPred, 'origin', samplePeriod, sampleMethod)- 对数据做时序分解，对分解出来的序列分别做预测，在进行整合
ts_regression_predict(unixtime, val, nPred, 'forest', samplePeriod, sampleMethod)- 不对数据做任何处理，使用线性模型进行预测
ts_regression_predict(unixtime, val, nPred, 'linear', samplePeriod, sampleMethod)实际案例
Storage一周预测
UserId:xxxxxxxxxxx and Bucket: xxxxxxxxxxx |
select date_format(cast(key1[1] as bigint), '%Y-%m-%d %h:%i') as t, key1[2] as src, key1[3] as val from (
select ts_regression_predict(EndTime, Storage, 168, 'linear', 1, 'avg') as key from (
select EndTime, sum(Storage) as Storage from log GROUP by EndTime )), unnest(key) as t(key1) limit 1000
NetworkOut一周预测
UserId:xxxxxxxxxxx and Bucket: xxxxxxxxxxx |
select date_format(cast(key1[1] as bigint), '%Y-%m-%d %h:%i') as t, key1[2] as src, key1[3] as pred from (
select ts_regression_predict(EndTime, NetworkOut, 168, 'origin', 1, 'avg') as key from (
select EndTime, sum(NetworkOut) as NetworkOut from log GROUP by EndTime ) ), unnest(key) as t(key1) limit 10000
GetRequest一周预测
UserId:xxxxxxxxxxx and Bucket: xxxxxxxxxxx |
select date_format(cast(key1[1] as bigint), '%Y-%m-%d %h:%i') as t, key1[2] as src, key1[3] as pred from (
select ts_regression_predict(EndTime, GetRequest, 168, 'origin', 1, 'avg') as key from (
select EndTime, sum(GetRequest) as GetRequest from log GROUP by EndTime )), unnest(key) as t(key1) limit 1000
机柜电量预测
* and rackId:xxxxxxxxxxx |
select date_trunc('minute', cast( key1[1] as bigint ) ) as time, key1[2] as source, key1[3] as pred from (
select ts_regression_predict(time, rackTotalPower, 100, 'origin', 1, 'avg') as key from (
select __time__ - __time__ % 1800 as time, sum(rackTotalPower) as rackTotalPower from log GROUP BY time ) ), unnest(key) as t(key1) limit 10000
硬广时间
日志进阶
阿里云日志服务针对日志提供了完整的解决方案，以下相关功能是日志进阶的必备良药：
- 机器学习语法与函数: https://help.aliyun.com/document_detail/93024.html
- 日志上下文查询：https://help.aliyun.com/document_detail/48148.html
- 快速查询：https://help.aliyun.com/document_detail/88985.html
- 实时分析：https://help.aliyun.com/document_detail/53608.html
- 快速分析：https://help.aliyun.com/document_detail/66275.html
- 基于日志设置告警：https://help.aliyun.com/document_detail/48162.html
- 配置大盘：https://help.aliyun.com/document_detail/69313.html
更多日志进阶内容可以参考：日志服务学习路径。
联系我们
纠错或者帮助文档以及最佳实践贡献，请联系：悟冥
问题咨询请加钉钉群：
