基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场（GAF）将时间序列转变为图像格式数据,以便利用卷积神经网络（CNN）来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823,均方根误差（RMSE）为5.274,拟合度（R²）为0.815 8,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。     

基于组合预测模型的云计算资源负载预测研究

随着云计算技术的不断发展,云计算资源负载变化呈现出越来越复杂的特征。针对云计算资源的负载预测问题,综合考虑云计算环境中资源负载时间序列的线性与非线性特性,提出了一种基于自回归移动平均模型ARIMA与长短期记忆网络LSTM的组合预测模型LACL。使用公开数据集与传统负载预测模型进行了对比实验,实验结果表明,该云计算资源组合预测模型预测精度明显高于其他预测模型,显著 降低了云环境中对资源负载的实时预测误差。     

基于LSTM算法的云资源库存需求预测

针对云资源库存需求存在着预测实际效果差等问题，通过分析云资源库存需求历史数据的时间序列特征构建长短期记忆（Long Short Term Memory,LSTM）模型，使用A公司数据集设计LSTM与Prophet的对比实验。结果表明，与Prophet算法相比，LSTM网络模型能够较好地预测云资源库存需求的变化趋势，且预测误差较低。     

基于GRU-LSTM组合模型的云计算资源负载预测研究

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元（GRU）与长短期记忆（LSTM）网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。     

改进果蝇算法优化CIAO-LSTM网络的时序预测模型

为了提高时间序列的预测精度,提出了一种基于改进果蝇算法优化直连长短期记忆网络的时间序列预测方法。将长短期记忆网络的多个时间步输入与输出进行全连接(CIAO-LSTM,直连长短期记忆网络),增强了对目标系统中线性成分的表征。提出了一种改进的果蝇优化算法(IFOA),通过动态改变果蝇的搜索半径和对适应度函数增加逃脱系数,提高了果蝇优化算法的全局寻优能力和局部收敛速度。使用IFOA优化CIAO-LSTM网络参数并构建预测模型(IFOA_CIAO-LSTM)。实验结果表明,优化后的时序预测方法相比传统的长短期记忆网络泛化能力更强、预测精度更高,对于波动较大的数据可以实现更好的拟合。     

基于注意力机制的CNN-LSTM短期股票价格预测

根据股价存在的高频性、长记忆性及不确定性,文章给出了基于注意力机制的卷积神经网络一长短期记忆网络股票价格序列预测方法。首先使用CNN来对数据序列进行卷积操作,以提取其特征分量。然后,利用长短期记忆网络(LSTM)对所抽取出的特征分量做序列预测。最终,注意力模块通过神经网络来自动化拟合权重分配,并对LSTM各个时间节点的隐含层输出向量与对应的权重相乘并求和,为重要的特征分量赋予更大的权重,以此作为模型最终的特征表达。     

基于注意力时空卷积和A2C的虚拟机主动容错优先迁移决策

针对边缘云环境的自动化和分布式特性、高度不可靠性及易变的工作负载问题，提出基于注意力时空卷积和A2C的虚拟机主动容错优先迁移决策模型AST-A2C。首先，采用带有注意力机制的长短期记忆网络(LSTM)提取各主机的时序特征，根据时序特征和多主机间的交互信息构建图网络，再利用图注意力网络(GAT)提取网络中不同主机间的关联信息，将其用于主机的故障信息编码。其次，设计可动态建立模型并不断生成改进决策的A2C模块，联合故障编码信息和调度决策信息进行优先迁移决策。最后，构建满足不同用户QoS要求和应用程序设置的自适应损失函数来优化调度决策。实验结果表明，该模型在故障检测、能源消耗、时延敏感性等方面优于最先进的基线，是提高边缘云计算可靠性的理想选择。     

基于EMD-TCN的云资源预测研究

云计算资源的负载预测有助于数据中心灵活智能地配置资源,保障数据中心安全平稳运行。该文提出一种基于经验模态分解和时间卷积网络的云资源组合预测模型,使用历史的资源负载预测未来的资源需求。对负载进行经验模态分解,以降低原云资源负载序列的复杂度,得到反映原负载序列趋势和变化信息的本征模态分量和残余分量;将这些分量构造后输入到时间卷积网络中进行建模预测。以Google集群数据集中的CPU负载序列为例,将该模型与常用的云资源预测模型进行对比验证。实验结果发现,相比于长短时记忆网络和时间卷积网络,该模型在平均绝对百分比误差指标上降低了36.32%和35.37%,预测精度有了明显提升。     

基于长短期记忆的稀疏数据过滤推荐算法

采用目前算法对稀疏数据进行过滤推荐时，没有综合考虑用户的整体评分特征和不同项目的单独评分对数据补全的影响，导致MAE值和RMSE值大、F1值小。提出基于长短期记忆的稀疏数据过滤推荐算法，首先通过相关因子对相似性进行计算，利用云模型将稀疏数据缺失项进行补全，然后采用补全后的数据构建长短期记忆网络，通过长短期记忆网络得到简单优化函数并对其求解，最后建立稀疏数据过滤推荐算法模型，完成基于长短期记忆的稀疏数据过滤推荐。实验结果表明，所提方法的MAE值和RMSE值更小、F1值更大。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

基于AHP-RBF的Swift云存储负载预测

通过对Swift云存储中Proxy Node的负载因素研究,提出结合层次分析法（AHP）和混合递阶遗传训练的RBF神经网络实现对Swift云存储负载情况的预测,其中使用AHP构造对云存储系统的负载层次化模式,提高负载预测的综合精度,设计了RBF神经网络预测模型,用混合递阶遗传算法（HHGA）确定RBF神经网络的参数和结构。仿真实验结果表明,对Swift云存储负载的预测具有可行性,能为系统动态负载均衡决策提供依据。     

A load prediction model for cloud computing using PSO-based weighted wavelet support vector machine

In order to reduce the energy consumption in the cloud data center, it is necessary to make reasonable scheduling of resources in the cloud. The accurate prediction for cloud computing load can be very helpful for resource scheduling to minimize the energy consumption. In this paper, a cloud load prediction model based on weighted wavelet support vector machine(WWSVM) is proposed to predict the host load sequence in the cloud data center. The model combines the wavelet transform and support vector machine to combine the advantages of them, and assigns weight to the sample, which reflects the importance of different sample points and improves the accuracy of load prediction. In order to find the optimal combination of the parameters, we proposed a parameter optimization algorithm based on particle swarm optimization(PSO). Finally, based on the WWSVM model, a load prediction algorithm is proposed for cloud computing using PSO-based weighted support vector machine. The Google cloud computing data set is used to verify the algorithm proposed in this paper by experiments. The experiment results indicate that comparing with the wavelet support vector machine, autoregressive integrated moving average, adaptive network-based fuzzy inference system and tuned support vector regression, the proposed algorithm is superior to the other four prediction algorithms in prediction accuracy and efficiency.     

基于熵权层次分析法的云平台负载预测

为提高对云平台负载情况的预测精度,降低预测负载值的波动性,研究非线性时间序列的预测算法。对影响云平台运行的因素进行认知和分解,提出基于熵权层次分析法的主客观评价模型。在此基础上,建立基于差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)和BP(back propagation)神经网络的云平台负载预测模型。实验结果表明,基于熵权层次分析法的评价模型吸收主客观赋权法的优势,能够合理准确地反映云平台的实时负载情况;基于ARIMA-BP的预测模型得出的预测结果具有更小误差的精度和波动较小的数值稳定性。     

基于贝叶斯模型的云服务服务质量预测

针对如何分配一个未来一段时间内满足QoS要求的云服务和感知可能将要发生的QoS违规的问题,提出一种基于时间序列预测方法的云服务QoS预测方法。该预测方法利用改进的贝叶斯常均值(IBCM)模型,能够准确地预测云服务未来一段时间内的QoS状态。实验通过搭建Hadoop集群模拟云平台并收集了响应时间和吞吐量两种QoS属性的数据作为预测对象,实验结果表明:相比自回归积分滑动平均(ARIMA)模型和贝叶斯常均值折扣模型等时间序列预测方法,基于改进的贝叶斯常均值模型的云服务QoS预测方法的平方和误差(SSE)、平均绝对误差(MAE)、均方误差(MSE)和和平均绝对百分比误差(MAPE)均比前两者小一个数量级,因此具有更高的预测精度;同时预测结果对比图说明提出的预测方法具有更好的拟合效果。     

数据驱动下火电机组时延鉴别及主汽温度预测

针对传统的火电机组主汽温度建模时在海量特征和长机组延迟下的特征及对应时延的有效选择困难的问题，提出一种综合考虑特征选择和时延选择的融合模型的建模方法。针对火电机组特征的高维性，通过结合相关性系数和梯度提升机的特征选择以筛选出与主汽温度高相关的特征。针对时延鉴别，设计基于相关度的时延计算（TD-CORT）算法用以估计各参数与预测目标主汽温度之间的时延大小，并为预测目标和计算复杂度实现了滑动窗口大小的自动匹配。最后，采用深度神经网络（DNN）与长短期记忆（LSTM）的融合模型实现对火电机组主汽温度的预测。在国内某1 000 MW超超临界燃煤机组的部署结果表明，所提方法的预测平均绝对误差（MAE）值达到0.101 6，该方法相较未考虑时延的神经网络在预测准确度上提升了57.42%。     

数据驱动下火电机组时延鉴别及主汽温度预测

针对传统的火电机组主汽温度建模时在海量特征和长机组延迟下的特征及对应时延的有效选择困难的问题,提出一种综合考虑特征选择和时延选择的融合模型的建模方法。针对火电机组特征的高维性,通过结合相关性系数和梯度提升机的特征选择以筛选出与主汽温度高相关的特征。针对时延鉴别,设计基于相关度的时延计算（TD-CORT）算法用以估计各参数与预测目标主汽温度之间的时延大小,并为预测目标和计算复杂度实现了滑动窗口大小的自动匹配。最后,采用深度神经网络（DNN）与长短期记忆（LSTM）的融合模型实现对火电机组主汽温度的预测。在国内某1 000 MW超超临界燃煤机组的部署结果表明,所提方法的预测平均绝对误差（MAE）值达到0.101 6,该方法相较未考虑时延的神经网络在预测准确度上提升了57.42%。     

面向金融数据的神经网络时间序列预测模型

互联网金融风险预测是互联网金融公司决策时的重要一环。本文的研究主要针对Elman神经网络模型,通过引入时间权重与随机性因素,提出了改进的Elman神经网络模型,提高了现有Elman神经网络针对时序数据预测的精度。提出了基于时序数据的特征学习框架,可评估多个特征参数对结果的联合影响。并在此基础上,提出了一个互联网金融风险预测模型,实验结果表明,所提出的模型在金融时序预测中具有更好的准确度。