1. 加性模型（Additive Model）
Prophet 假设时间序列可以分解为：
y(t) = g(t) + s(t) + h(t) + ε_t
g(t)：趋势（Trend）分量，描述长期增长或下降趋势
s(t)：季节性（Seasonality）分量，描述周期性变化（如日、周、年周期）
h(t)：节假日（Holiday）分量，描述特殊事件对数据的影响
ε_t：误差项（Noise）
2. 趋势建模
Prophet 支持线性趋势和饱和增长（logistic growth）两种趋势模型。
可以自动检测并拟合趋势中的“转折点”（changepoints），即趋势发生变化的时间点。
3. 季节性建模
使用傅里叶级数（Fourier series）建模季节性成分，能灵活拟合各种周期性波动。
支持多种季节性（如日、周、年等），可自定义。
4. 节假日建模
用户可指定节假日或特殊事件，Prophet 会自动建模这些事件对数据的影响。
5. 鲁棒性与自动化
Prophet 对异常值和缺失值有较强的鲁棒性。
只需少量参数即可自动建模，适合非专业数据科学用户。
1、zabbixAPI获取历史数据defget_item_history(auth,itemid,time_from,time_till):payload={"jsonrpc":"2.0","method":"history.get","params":{"output":"extend","history":0,#0:float"itemids":itemid,"sortfield":"clock","sortorder":"ASC","time_from":time_from,"time_till":time_till,"limit":1000},"auth":auth,"id":2}r=requests.post(ZABBIX_URL,json=payload)result=r.json()['result']print(f"[DEBUG]get_item_historyforitemid={itemid}:{result[:3]}...total={len(result)}")returnresult2、数据清洗defpreprocess(data):df=pd.DataFrame(data)df['clock']=pd.to_numeric(df['clock'],errors='coerce')df['value']=pd.to_numeric(df['value'],errors='coerce')df=df.dropna(subset=['clock','value'])ifdf.empty:returnpd.DataFrame(columns=['ds','y'])df['clock']=pd.to_datetime(df['clock'],unit='s')df=df.set_index('clock').sort_index()#只保留value列df=df[['value']]#强制value为float64df['value']=df['value'].astype('float64')#重采样df=df.resample('5min').mean().interpolate()df=df.reset_index()df=df.rename(columns={'clock':'ds','value':'y'})returndf3、时序模型做本地趋势预测defforecast_trend(df,periods=24):model=Prophet()model.fit(df)future=model.make_future_dataframe(periods=periods,freq='5min')forecast=model.predict(future)returnforecast[['ds','yhat']].tail(periods)
4.构造AI大模型解释Prompt(提示词工程)defbuild_prompt(df,forecast,metric_name="磁盘使用率",threshold=THRESHOLD,hostname="主机"):history=df['y'].tolist()[-24:]future=forecast['yhat'].tolist()prompt=(f"主机：{hostname}\n"f"以下是该主机最近24小时的{metric_name}历史数据（每5分钟采样，单位%）：\n"f"{history}\n"f"
rophet模型预测未来2小时的{metric_name}为：\n{future}\n"f"当前阈值为{threshold}%。这是磁盘空闲率指标，值越小说明可用存储空间越小，存储越紧张，需要尽快清理空间或者磁盘扩容，请判断该指标是否有异常降低的趋势，未来2小时内是否有可能持续低于阈值，低于阈值的时候就需要提醒该清理空间或扩容磁盘了，并给出预警建议。")returnprompt5.调用OpenAI大模型defask_ai(prompt):client=OpenAI(api_key="sk-xxxxxx",base_url="https://api.deepseek.com")messages=[{"role":"user","content":prompt}]response=client.chat.completions.create(model="deepseek-reasoner",messages=messages)reasoning_content=response.choices[0].message.reasoning_contentcontent=response.choices[0].message.contentreturncontent以磁盘预警为例，当我设置磁盘空闲率为20%阈值时，磁盘初始化值使用率为80%左右，当我定时批量写入数据，将磁盘空闲率降低到22%左右，这时还没触发告警阈值，此时运行预警程序，则会提示，磁盘使用率将要达到阈值，即将触发报警
而当我开始清理磁盘时，空间逐步释放，这时候再次运行程序，则提示磁盘空间逐步释放，无法清理
这是一次数据预测模型与AI模型相结合的尝试，经过前面几次尝试，发现，直接将源数据吐给大模型，并不能实现准确的分析与评估，需要数学模型结合，对数据进行清洗，然后由AI给出总结报告，这样得出的结论还是比较准备。
