基于ARIMA和CART的负载预测模型

主机资源的负载预测对其运营维护工作具有重要意义.传统负载预测方法通常采用线性时间序列模型拟合负载数据,而负载受复杂的内外部环境影响,线性模型无法很好地表征负载数据规律.为提高模型的精度,提出将负载信息分解为线性部分和非线性部分的思想,并将自回归差分滑动平均(autoregressive integrated moving average,ARIMA)模型和分类回归树(classification and regression tree,CART)模型相结合进行预测.通过加权最小二乘法改进的ARIMA预测线性部分,通过边界判定优化的CART预测非线性部分,并结合两者获得综合预测结果.在真实负载数据集下进行对比实验,结果表明,改进后的算法预测精度相比传统方法提高了15%以上,且对偏远值和不同的时间间隔都均有良好的适应性.     

基于时空轨迹的热点区域提取

轨迹聚类算法可以广泛地应用在交通管理中,利用轨迹聚类算法找出车辆轨迹热点区域对交通部门规划管理交通出行有重要指导意义。目前的轨迹聚类算法多以空间相似性进行度量,不能体现不同时间段的轨迹热点区域划分情况。针对上述问题,该文结合时间因素,提出了一种时空轨迹的热点区域提取算法。首先,对传统的密度峰值聚类算法进行了改进,考虑了计算密度的线性和非线性部分,改进了密度的计算方法;同时,改进了簇类中心的选取方法,能够自动地选取簇类中心;在此基础上,提出了聚类融合算法,过滤了不合适的聚类和多余聚类;最后利用DB检验量来检测提取效果。实验结果表明,相比于传统的聚类算法,本文算法能更有效地提取时空轨迹的热点区域。