随着信息技术的不断发展,传统的人工运维方式已经难以满足企业日益增长和不断复杂化的业务需求,自动化运维技术可以较好地解决此问题。而自动化运维平台的业务系统服务器每天都会产生海量的数据业务,这使得业务系统服务器的CPU性能面临超负荷的问题。因此,能否对服务器CPU利用率进行预测,对业务系统服务器的资源分配工作有着重要意义。服务器CPU利用率受到诸多客观因素的影响,其时间序列数据较为复杂,单一预测模型难以得出精准的预测结果。提出基于小波变换的自回归滑动平均模型(ARMA)结合双向长短期记忆神经网络(Bi-LSTM)构建复合预测模型,对服务器CPU利用率进行预测的方法。首先,采用元素平均填充法和拉伊达准则对CPU利用率数据进行预处理,剔除服务器CPU利用率时间序列中的异常数据。其次,利用小波变换对CPU时间序列进行分解,得到代表细节波动的平稳子序列和包含趋势信息的非平稳子序列。提出利用ARMA模型对代表细节波动的平稳子序列进行建模预测,利用Bi-LSTM神经网络模型对包含趋势信息的非平稳子序列进行建模预测。最后,再利用小波变换能够重构原始信号的特点,对各子序列模型预测结果进行合成,获得最终的预测结果。利用国家电网监控中心提供的业务服务器CPU利用率实际数据进行实验研究,并与BP神经网络,单一的LSTM模型以及ARMA-LSTM复合模型进行对比,运用提出的复合模型对CPU利用率的时间序列进行分析预测。并根据服务器的不同,设定不同的预警阈值,结合CPU利用率的预测,对服务器的过载进行提前预警,可以有效地提高服务器工作效率。