CN104932898B - 一种基于改进多目标粒子群优化算法的待增组件选择方法 - Google Patents
一种基于改进多目标粒子群优化算法的待增组件选择方法 Download PDFInfo
- Publication number
- CN104932898B CN104932898B CN201510374260.XA CN201510374260A CN104932898B CN 104932898 B CN104932898 B CN 104932898B CN 201510374260 A CN201510374260 A CN 201510374260A CN 104932898 B CN104932898 B CN 104932898B
- Authority
- CN
- China
- Prior art keywords
- component
- particle
- user concurrent
- population
- concurrent amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明一种基于改进多目标粒子群优化算法的待增组件选择方法,属于云服务优化技术领域,本发明通过分析历史应用用户并发量,根据其数据分布趋势,利用自相关系数分析方法将并发量分为平稳型和非平稳型;针对不同的特征利用不同的时间序列预测方法,预测应用用户并发量;该方法不但提高了预测的效率,而且提升了预测方法的灵活度;此外利用组件调用关系和组件调用频率分解应用用户并发量,计算各组件并发量,综合考虑组件并发量和组件响应时间两种直观反映组件工作性能的因素,并以此为选择待增组件的依据,提高组件选择方法的准确性;针对传统粒子群优化算法约束条件精度低的问题,提出半可行域,有效的提高约束条件的精度。
Description
技术领域
本发明属于云服务优化技术领域,具体涉及一种基于改进多目标粒子群优化算法的待增组件选择方法。
背景技术
随着云服务系统的复杂化,运行环境的开放化、动态化和难控化,服务系统自优化和自适应能力的重要性日益凸显;云服务系统是由多个组件协同工作来实现的,以组件服务为基本单元部署在云虚拟资源池中,云服务性能自适应优化方法很好地满足了云计算效用计算和按需付费的特征,使云服务系统不仅能够实现保持资源代价最小的情况下满足应用所需的动态资源配置,还能够在其偏离预期行为时进行自适应的动态资源调整,从而持续提供符合用户预期的服务;云服务系统中,多个组件间相互调用、协同工作,各组件的服务性能决定了云服务系统的工作性能;当云服务系统所承担的并发量增大时,会导致服务系统性能降低,违背用户SLA约束,需要采取服务性能优化方法保证云服务性能持续满足SLA约束;目前主要利用组件迁移、组件休眠、资源调整和组件副本调整等方法云优化服务性能。
其中,组件副本调整方法通过增加组件副本分担负载过重组件的工作,提高组件工作性能,保证整体服务正常工作,即使组件发生故障或所承受的负载过高时,服务系统仍能保证持续、高效、稳定地执行用户请求;当云服务系统的并发量急速增加、服务性能降低且预留资源被完全占用时,副本技术提升了服务系统承担负载的能力,可以有效地优化云服务系统的工作性能;而利用调整组件副本方法来优化服务性能的方法中,选择待增组件是其关键步骤之一;同时,为了能够更有效的对云服务性能进行优化,可以对应用用户并发量进行预测,根据预测结果提前选择需要增加副本的组件,减少SLA的违约。
但现有的选择待增组件的方法存在以下问题:
(1)在利用时间序列算法预测用户并发量方面,一般默认应用用户并发量数据属于平稳型,利用单指数平滑法预测未来一段时间内应用用户并发量的趋势,而实际云服务系统中,不同的时间段,应用用户并发量可能属于不同数据特征,仅用单一模型预测准确度较低;
(2)在选择组件方面,目前方法只是根据组件的单一性能,如组件调用频率、响应时间、内聚和耦合关系选择待增组件,而影响组件工作的因素是多种因素综合的结果,仅仅一种因素无法准确的选择待增组件;
(3)在求解待增组件选择结果方面,传统粒子群优化算法在处理约束条件时,主要利用惩罚函数法处理约束条件,该方法一般需要预设很多惩罚系数,而实际应用中,需要分析大量的基础实验数据才可以计算出这些惩罚系数,存在约束条件精度低问题。
发明内容
针对现有技术的不足,本发明提出一种基于改进多目标粒子群优化算法的待增组件选择方法,以达到提高待增组件选择准确度的目的。
一种基于改进多目标粒子群优化算法的待增组件选择方法,包括以下步骤:
步骤1、采集目标云服务平台中所有组件的历史数据,包括:组件调用关系、组件调用频率和采样时间段的用户并发量;
步骤2、根据所采集的组件调用关系和组件调用频率,获得每个组件相对于其它组件的权值,进而获得组件关系;
所述的组件关系为组件调用关系矩阵,矩阵的行数和列数为组件的个数,矩阵中的元素为组件两两之间的调用权重;
步骤3、根据采集的采样时间段的用户并发量,获得不同采样时间段用户并发量的自相关系数;
步骤4、根据所获的自相关系数,判断用户并发量所属类型,即判断自相关系数是否接近于0,若是,则用户并发量属于平稳型,并执行步骤6;否则,执行步骤5;
步骤5、判断所获自相关系数是否以固定频率出现高峰,若是,则用户并发量属于季节型,并执行步骤8;否则,用户并发量属于非平稳型,并执行步骤7;
步骤6、采用TopK算法将平稳型用户并发量中幅度大的数据去除;
步骤7、采用差分方法将非平稳型用户并发量转换为平稳型用户并发量,再采用TopK算法将用户并发量中幅度大的数据去除;
步骤8、将季节型用户并发量转换为非平稳型用户并发量,再采用差分方法将非平稳型用户并发量转换为平稳型用户并发量,采用TopK算法将用户并发量中幅度大的数据去除;
步骤9、采用时间序列预测算法分别对季节型用户并发量进行预测、对非平稳型用户并发量进行预测和对平稳型用户并发量进行预测;
步骤10、根据组件调用关系和每个组件相对于其它组件的权值构建组件的AOE网,利用所述AOE网对预测的用户并发量进行分解;
步骤11、采用改进的粒子群算法在所有组件中选择待增组件,具体如下:
步骤11-1、初始化粒子群,粒子群的种群大小为组件的个数,每个粒子为一个二维矢量,矢量的每一维分别是组件的响应时间和并发量;
步骤11-2、设定粒子群的约束条件,包括:粒子群可行域、粒子群半可行域、目标函数、粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值,具体如下:
粒子群可行域:根据目标云服务平台所能承受的最大并发量和相应的响应时间设定粒子群可行域的最大边界值,并根据目标云服务平台承受的平均并发量和相应的响应时间设定粒子群可行域的最小边界值,进而获得粒子群可行域;
粒子群半可行域:设定一个调节参数,将粒子群可行域的最大边界值与上述调节参数相加,获得粒子群半可行域的最大边界值,将粒子群可行域的最小边界值与上述参数相减,获得粒子群半可行域的最小边界值,进而获得粒子群半可行域;
目标函数:响应时间与并发量之和最大的粒子集合;
粒子群体中有利个体比例阈值:根据实际所需解的数目进行设定;
粒子群体中有利个体的最大比例值:根据实际所需解的数目进行设定;
步骤11-3、根据每个组件实际的响应时间和用户并发量,获得粒子群体有利个体的个数,根据实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,调节粒子群半可行域的范围,获得搜索区域;
步骤11-4、在搜索区域内,对基于组件响应时间和用户并发量构成的粒子群中每个组件粒子,更新粒子速度和粒子位置;
步骤11-5、计算每个组件粒子的适应度函数值,即获得每个组件粒子与搜索区域内目标点之间的距离,将每个组件粒子与搜索区域内目标点之间的距离向上取整数,确定上述整数中最小值所对应的粒子;
所述的目标点为在搜索区域内目标函数值最大所对应的点;
步骤11-6、将上述整数中最小值所对应的粒子加入非支配解集;
步骤11-7、获得粒子的个体极值和全局极值;
步骤11-8、更新个体极值和更新全局极值,返回执行步骤11-3,直至到设定的终止条件,将最后一次迭代获得的非支配解集中的组件粒子作为待增组件;
步骤12、对待增组件进行增加其副本。
步骤11-3所述的根据实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,调节粒子群半可行域的范围,获得搜索区域,具体步骤如下:
步骤11-3-1、初始化粒子群半可行域宽度为0,并根据实际需求设定粒子群半可行域宽度调节参数取值;
步骤11-3-2、判断实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,具体如下:
若实际有利个体比例小于粒子群体中有利个体比例阈值,则执行步骤11-3-3;
若实际有利个体比例大于粒子群体中有利个体比例阈值并小于粒子群体中有利个体的最大比例值,则执行步骤11-3-3;
若实际有利个体比例大于等于粒子群体中有利个体的最大比例值,则执行步骤11-3-4;
若实际有利个体比例大于等于粒子群体中有利个体的最大比例值,且粒子群半可行域的宽度大于0,则执行步骤11-3-5;
步骤11-3-3、将粒子群半可行域的宽度加上调节参数,即扩大粒子群半可行域,并获得在上述粒子群半可行域内的实际有利个体比例,并返回执行步骤11-3-2;
步骤11-3-4、将粒子群半可行域的宽度减去调节参数,即缩小粒子群半可行域,并获得在上述粒子群半可行域内的实际有利个体比例,并返回执行步骤11-3-2;
步骤11-3-5、将粒子群半可行域的宽度减去调节参数,即缩小粒子群半可行域,获得搜索区域。
步骤11-8所述的更新个体极值,具体如下:
对每个组件粒子,若组件粒子的当前位置支配其个体极值位置,即当前位置与目标点的距离小于其个体极值位置与目标点的距离,则更新其个体极值;
对每个组件粒子,若组件粒子的当前位置与其个体极值位置为非支配关系,即当前位置与目标点的距离等于其个体极值位置与目标点的距离,且两者均在可行域或半可行域时,则随机选取组件个体极值,若一个在可行域另一个在半可行域,或一个在半可行域另一个在非可行域时,则选取前者所在位置为个体极值;
所述的非可行域,为可行域和半可行域以外的区域。
本发明优点:
(1)本发明提出了面向不同并发特征的应用用户并发量预测方法:通过分析历史应用用户并发量,根据其数据分布趋势,利用自相关系数分析方法将并发量分为平稳型和非平稳型;针对不同的特征利用不同的时间序列预测方法,预测应用用户并发量;该方法不但提高了预测的效率,而且提升了预测方法的灵活度,可以达到较高的预测准确度。
(2)本发明利用组件调用关系和组件调用频率分解应用用户并发量,计算各组件并发量,综合考虑组件并发量和组件响应时间两种可以直观反映组件工作性能的因素,并以此作为选择待增组件的依据,提高了组件选择方法的准确性;
(3)针对传统粒子群优化算法约束条件精度低的问题,本发明根据半可行域,提出了基于选择算子的约束条件处理算法,可以有效的提高约束条件的精度。
附图说明
图1为本发明一种实施例的基于改进多目标粒子群优化算法的待增组件选择方法流程图;
图2为本发明一种实施例的组件调用关系示意图;
图3为本发明一种实施例的平稳型应用用户并发量示意图;
图4为本发明一种实施例的当云服务系统处于平稳型时,应用并发量自相关系数分布示意图;
图5为本发明一种实施例的当云服务系统处于非平稳型时,应用并发量自相关系数分布示意图;
图6为本发明一种实施例的当云服务系统处于季节型时,应用并发量自相关系数分布示意图;
图7为本发明一种实施例的组件副本服务调用关系示意图。
具体实施方式
下面结合附图对本发明一种实施例做进一步说明。
本发明实施例中,基于改进多目标粒子群优化算法的待增组件选择方法,方法流程图如图1所示,包括以下步骤:
步骤1、采集目标云服务平台中所有组件的历史数据,包括:组件调用关系、组件调用频率和采样时间段的用户并发量;
本发明实施例中,以景点语音导航云服务系统为例,以表1为例,服务系统包含8个组件,分别是S1~S8;
表1组件调用关系表
通过分析表1可知,本发明实施例中共有8个组件,将组件调用关系抽象为调用关系图,如图2所示;
组件调用频率是指在一定时间内,一个组件及其副本被其他组件及其副本调用的次数,比如1s内,组件服务Si被其他所有组件调用的次数,为组件Si的调用频率;当组件Si有ni个副本,Sj有nj个副本时,组件Sj被Si调用的频率则可以通过计算所有副本之间调用的频率之和得到;
其中,为组件服务Si的第k1个组件服务副本调用组件服务Sj的第k2个组件服务副本的调用频率,而Fij为组件服务Si调用Sj的总调用频率;
在本实施例中,采样时间段的用户并发量在不同的场景下有不同的数值,例如在具有平稳型特征的应用用户并发量场景下,用户并发量在290~330间波动,相对比较平稳;如图3所示:
步骤2、根据所采集的组件调用关系和组件调用频率,获得每个组件相对于其它组件的权值,进而获得组件关系;所述的组件关系为组件调用关系矩阵,矩阵的行数和列数为组件的个数,矩阵中的元素为组件两两之间的调用权重;
本发明实施例中,利用组件调用关系和组件调用频率,计算每个组件相对其他所有组件的权值eij,表示组件Si调用Sj的比重,计算公式如下:
其中,Fij为组件Sj被组件Si调用的频率,n表示组件的个数,n=8;
建立组件调用关系模型,即组件调用关系矩阵E:
一个组件到所有其他组件的边的调用频率之和为1;
获得其组件调用关系矩阵Eserver:
步骤3、根据采集的采样时间段的用户并发量,获得不同采样时间段用户并发量的自相关系数;
本发明实施例中,设con1,con2,...,cont,...,conn是过去n个时期应用户并发量;这n个并发量观测值为一个时间序列,组成(n-1)对数据:
(con1,con2),(con2,con3),...,(cont,cont+1),...,(conn-1,conn);
计算并发量数据对的相关系数,用r1表示,具体公式如下:
其中,r1是并发量时间序列的“自相关系数”,用来度量并发量时间序列上一时间段并发量观测值与下一时间段并发量观测值之间的关系,从定量的角度来确定上一时间段对下一时间段并发量观测值的影响程度有多大;
因为并发量自相关系数r1表示cont与cont+1的相关程度,称为并发量时间延迟为1的自相关系数;并发量自相关系数r2表示cont与cont+2的相关程度,称为并发量时间延迟为2的自相关系数;那么t时期并发量观测值cont与(t+k)时期并发量观测值cont+k之间的相关程度,称为时间延迟为k的并发量自相关系数rk,公式如下:
所有的并发量自相关系数的绝对值小于或等于1;本发明实施例中,计算个并发量自相关系数即可,即
步骤4、根据所获的自相关系数,判断用户并发量所属类型,即判断自相关系数是否接近于0,若是,则用户并发量属于平稳型,并执行步骤6;否则,执行步骤5;
本发明实施例中,采用自相关系数判定应用用户并发量时间序列的特征;云服务系统应用用户并发量分为三种特征:平稳型,非平稳型和季节型;
(1)平稳型
若应用用户并发量是平稳的时间序列,则第一个自相关系数r1比较大,与0有显著性的差异,而r2要比r1小,r3要比r2小,其余的自相关系数逐渐与0没有显著性差异0;如图4所示,是当云服务系统处于平稳型时,应用并发量自相关系数分布示意图。
步骤5、判断所获自相关系数是否以固定频率出现高峰,若是,则用户并发量属于季节型,并执行步骤8;否则,用户并发量属于非平稳型,并执行步骤7;
(2)非平稳型
若应用用户并发量是非平稳的时间序列,也就是存在着趋势的影响,则自相关系数r1最大,r2,r3,……逐渐递减,但是有相当数量的自相关系数与0有显著性的差异;图5是当云服务系统处于非平稳型时,应用并发量自相关系数分布示意图;
(3)季节型
若应用用户并发量是一个季节型的时间序列,则自相关系数将会以固定的频率出现高峰;本实施例中,季节型的时间序列,周期长度是4,则自相关系数每隔4个出现一个高峰,即r4,r8,r12等相当的大,与0有显著性差异,但是r8要比r4小,r12要比r8小,而其他的自相关系数都接近于零;图6是当云服务系统处于季节型时,应用并发量自相关系数分布示意图。
步骤6、采用TopK算法将平稳型用户并发量中幅度大的数据去除;
本发明实施例中,基于时间序列的应用用户并发量预测是基于数据处理进行,所以数据的可用性以及正确性与处理方法的有效性息息相关;由于景点语音导航云服务系统历史应用用户并发量保存在数据库中,但是从数据库读到的数据存在由于数据录入、数据转换及数据库链接等操作过程中的失误,可能会出现错误数据的问题,所以在进行正式的数据操作之前,必须要进行数据预处理,以便对数据质量进行诊断、评估及提升;
本发明实施例中,在云服务系统中所存放有关应用用户并发量数据是应用历史用户并发量和监测的时刻,使用<t,con>表示,t表示监测时刻,con表示t时刻应用历史用户并发量;数据预处理的过程就是对数据进行“数据清洗”,即将“脏”数据清理掉,其中“脏”数据表示错误的数据,错误数据是指数据项中存在着不合理数据;以应用并发用户数历史信息的数据为例,错误数据即在一系列数据中该数据的波动较大,不符合整体的数据水平趋势或周期趋势的数据;TopK算法就是在海量数据中找出出现频率最高的前K个数,或者从海量数据中找出最大或最小的的前K个数,本发明实施例中采用TopK算法,基于不同的特征模型找出并发量自相关系数中异常的自相关系数预处理历史应用用户并发量数据;
本发明实施例中,当应用用户并发量属于平稳型时,并发量的数值一定会在一定范围内有微小的浮动;假设收集了过去n个时刻的应用用户并发量:
<t1,con1>,<t2,con2>,...,<tn,conn>;
需要将con1,con2,...,conn这一系列数据中的“脏”数据纠错,此时“脏”数据为这一系列数据中波动较大的数据,即超出大部分数据浮动范围的数据;首先,利用TopK算法,找出n个数据中最大的m/2个数据cona1,cona2,...,conam和最小的m/2个数据conb1,conb2,...,conbm;然后,去除这些波动较大的数据后求剩余的n-m个数据的平均数最后纠正收集的应用用户并发量,将cona1,cona2,...,conam和conb1,conb2,...,conbm均纠正为其中,m的取值为全部数据数量的10%。
步骤7、采用差分方法将非平稳型用户并发量转换为平稳型用户并发量,再采用TopK算法将用户并发量中幅度大的数据去除;
本发明实施例中,当应用用户并发量属于非平稳型时,则需要进一步分析,判断该应用用户并发量属于线性型或二次曲线型;
如果一个非平稳型应用用户并发量为线性型时间序列,可以用相邻的两个时间监测点的差值来构成一个新的应用用户并发量时间序列;
设原来的应用用户并发量时间序列是con1,con2,...,conn,计算一次差分的公式(9)为:
该新时间序列有n-1个观测值,并且称为应用用户并发量时间序列cont的一次差分;针对上述新时间序列采用自相关分析的方法检验其是否具有平稳性,若具有平稳性,则该应用用户并发量非平稳型时间序列为线性型应用用户并发量时间序列;再采用处理平稳型应用用户并发量数据去除“脏”数据的方法,去除一次差分后时间序列的“脏”数据,得到纠正后一次差分平稳时间序列,计算线性型应用用户并发量时间序列;
如果一个非平稳二次曲线型应用用户并发量时间序列,可以用二次差分来构成一个新的时间序列;
设一次差分后的时间序列为如果经过自相关分析后还不是平稳时间序列,就要对第一次差分后的应用用户并发量时间序列再进行一次差分,二次差分的计算公式(10)为:
该新的时间序列是原来的应用用户并发量时间序列cont的第二级差分,有(n-2)个观测值,再对进行自相关分析,检验他是否具有平稳性;对于二次曲线型应用用户并发量时间序列,经过两级差分后转化为平稳应用用户并发量时间序列;再采用处理平稳型并发量数据去除“脏”数据的方法去除两级差分后的时间序列中的“脏”数据,得到纠错后两级差分平稳时间序列,计算二次曲线型应用用户并发量时间序列;
步骤8、将季节型用户并发量转换为非平稳型用户并发量,再采用差分方法将非平稳型用户并发量转换为平稳型用户并发量,采用TopK算法将用户并发量中幅度大的数据去除;
当应用用户并发量属于季节型时,首先找到每一个季节的周期,通过观察过去一段时间收集的应用用户并发量数据,找到一系列数据极大值<tmax1,max1>,<tmax2,max2>,...,<tmaxp,maxp>和极小值<tmin1,min1>,<tmin2,min2>,...,<tminp,minp>序列,则计算每一个季节的周期pcon如公式(11)所示:
再判断在每一季节周期中,并发量属于线性型应用用户并发量时间序列还是二次曲线型应用用户并发量时间序列,然后根据非平稳型应用用户并发量时间序列中利用TopK算法去除“脏”数据;
步骤9、采用时间序列预测算法分别对季节型用户并发量进行预测、对非平稳型用户并发量进行预测和对平稳型用户并发量进行预测;
(1)平稳型应用用户并发量预测方法
单指数平滑方法对于应用用户并发量时间序列变化反应缓慢,为了解决这一问题,本发明实施例中,引进所谓“追踪信号”来反映应用用户并发量时间序列的变化;一旦追踪信号大于某一特定的数值,就可以在一定的置信程度下来推断应用用户并发量预测过程中存在的系统偏差,但是仅仅用追踪信号来防止产生预测应用用户并发量过程中的系统偏差还不够。当追踪信号反映出预测应用用户并发量过程中有系统的偏差以后,意味着应用用户并发量时间序列发生了变化;如果应用用户并发量预测模型能够自动响应这种变化,对预测重新加以调整,问题就能得到合理解决;调整的办法就是重新修正应用用户并发量平滑常数α的取值,这就是所谓自动调整平滑参数的单指数平滑法;因为α不是固定不变的常数,而是随着每一时期的实际观测值得变化而被修正;
自动调整平滑参数的单指数平滑法预测平稳型应用用户并发量的计算要分五个步骤进行,具体如下:
步骤a-1、计算t时期应用用户并发量平滑误差Et,如公式(12)所示:
Et=βet+(1-β)Et-1 (12)
其中,β是用于计算应用用户并发量平滑误差的应用用户并发量平滑常数,称为“第二平滑常数”,一般取0.1或0.2;Et-1是(t-1)时期应用用户并发量平滑误差,当t=1时,Et-1=0;
et是t时期的应用用户并发量误差,如公式(13)所示:
et=xt-Ft (13)
其中,
步骤a-2、计算t时期应用用户并发量的绝对平滑误差Mt如公式(14)所示:
Mt=β|et|+(1-β)Mt-1 (14)
其中,|et|表示应用用户并发量预测误差et的绝对值,当t=1时,Mt-1=0;
步骤a-3、计算应用用户并发量追踪信号Tt,如公式(15)所示:
应用用户并发量平滑误差Et永远小于或等于应用用户并发量绝对平滑误差Mt,因此追踪信号Tt在-1和+1之间-1≤Tt≤+1;
如果预测过程能够被控制,也就是预测能够反映实际的应用用户并发量时间序列,那么应用用户并发量平滑误差应当相当小,也就是应用用户并发量追踪信号应该接近于零;反之,如果预测过程不可被控制,也就是预测结果就存在着系统偏差,那么应用用户并发量追踪信号会接近于-1或者+1;当第二平滑常数β=0.1时,计算出来的应用用户并发量追踪信号Tt的绝对值大于0.5;或者当第二平滑常数β=0.2时,计算应用用户并发量追踪信号Tt的绝对值大于0.74,有95%的置信程度认为应用用户并发量预测存在着系统偏差;
步骤a-4、计算t时期的应用用户并发量平滑参数αt,如公式(16)所示:
αt=|Tt| (16)
当应用用户并发量预测失去控制,存在着系统偏差时,需相应地增大平滑参数αt的数值;这意味着增大近期应用用户并发量观测值cont的权数,以便于应用用户并发量预测值Ft+1较快地适应时间序列发生的变化;一旦适应了变化以后的应用用户并发量时间序列,则需减小平滑参数αt的数值,用来降低应用用户并发量时间序列中由于偶然因素产生的波动较大的随机误差;由此可见,应用用户并发量平滑参数αt随着每次的预测值而变化,当应用用户并发量平滑误差Et较大时,应用用户并发量追踪信号Tt的绝对值也会变大,但始终不会大于1,最大等于1,因此,应用用户并发量平滑参数αt也比较大;当应用用户并发量平滑误差Et比较小,这正是预测所希望的,那么应用用户并发量追踪信号Tt绝对值就比较小,也就是应用用户并发量平滑参数比较小,接近于零;
步骤a-5、对(t+1)时期进行预测应用用户并发量Ft+1,如公式(17)所示:
Ft+1=αtxt+(1-αt)Ft (17)
如果需要预测(t+n)时期的应用用户并发量,需要预测前n-1个时期的应用用户并发量,根据Ft+n-1计算Ft+n;当t=1时,Ft=0。
(2)非平稳型应用用户并发量预测方法
①线性型应用用户并发量预测方法
当应用用户并发量时间序列随着时间的发展有不断增加或减少的趋势时,用单指数平滑法预测应用用户并发量就不准确了;当应用用户并发量预测模型为线性型时,可利用线性指数平滑法可有效的预测该方法,这种方法需要把平均增量考虑进去,不断地作趋势性的调整。线性指数平滑法预测应用用户并发量共分为五步,具体如下:
步骤b-1、计算t时期的应用用户并发量单指数平滑值S't,如公式(18)所示:
S't=αt*cont+(1-αt)S't-1 (18)
其中,cont是在t时期的观测值,S't-1是(t-1)时期,应用用户并发量的单指数平滑值,αt是应用用户并发量平滑常数,当t=1时,S’t-1=0;
步骤b-2、计算t时期的应用用户并发量双指数平滑值S”t,如公式(19)所示:
S”t=αtS't+(1-α)S”t-1 (19)
其中,S”t-1表示前一时刻的用户并发量双指数平滑值,t=1时,S”t-1=0。
步骤b-3、计算t时期的应用用户并发量水平值At,如公式(20)所示:
At=S't+(S't-S”t)=2S't-S”t (20)
步骤b-4、计算t时期的应用用户并发量增量Bt,如公式(21)所示:
步骤b-5、预测m个时期以后,即(t+m)时期应用用户并发量数值Ft+m,如公式(22)所示:
Ft+m=At+mBt (22)
其中,m是正整数,m≥1;
②二次曲线型应用用户并发量预测方法
当应用用户并发量预测模型为二次曲线型时,采用二次曲线指数平滑法可以有效的预测,其特点是不但考虑了应用用户并发量线性增长的因素,而且也考虑了应用用户并发量二次抛物线的增长因素,二次曲线指数平滑法预测应用用户并发量的计算过程共分为七个步骤。
步骤c-1、计算t时期的应用用户并发量单指数平滑值S't,如公式(23)所示:
S't=αtxt+(1-αt)St'-1 (23)
步骤c-2、计算t时期的应用用户并发量双指数平滑值S”t,如公式(24)所示:
S”t=αtS't+(1-α)S”t-1 (24)
步骤c-3、计算t时期的应用用户并发量三重指数平滑值S”'t,如公式(25)所示:
S”'t=αtS”t+(1-αt)S”'t-1 (25)
其中,S”'t-1是三重指数平滑值,t=1时,S”'t-1=0。
步骤c-4、计算t时期的应用用户并发量水平值At,如公式(26)所示:
At=3S't-3S”t+S”'t (26)
步骤c-5、计算t时期的应用用户并发量线性增量Bt,如公式(27)所示:
步骤c-6、计算t时期的应用用户并发量抛物线增量Ct,如公式(28)所示:
步骤c-7、预测m个时期以后,即(t+m)时期的应用用户并发量数值Ft+m,如公式(29)所示:
其中,m是正整数,m≥1;
③季节型应用用户并发量预测方法
当应用用户并发量预测模型为季节型时,采用季节型指数平滑法可以有效的预测应用用户并发量;把应用用户并发量时间序列分解成三部分,第一部分是水平因素,第二部分是趋势因素,第三部分是周期因素。先把这三部分从应用用户并发量时间序列中分离出来,然后再合起来进行应用用户并发量预测;
设应用用户并发量时间序列的周期长度为l,已知其观测值为con1,con2,...,con2l,季节型指数平滑法预测应用用户并发量的计算过程如下,共分为九个步骤,具体步骤如下:
步骤d-1、分别计算前两个周期应用用户并发量的每期平均数:
计算第一个周期应用用户并发量平均数V1,如公式(30)所示:
计算第二个周期应用用户并发量平均数V2,如公式(31)所示:
步骤d-2、计算两个周期内应用用户并发量平均每个时期的增量B,如公式((32)所示:
步骤d-3、计算初始指数应用用户并发量平滑值S,如公式(33)所示。
步骤d-4、分别计算前两个周期内每一个时期应用用户并发量的季节因子C't;
计算第一个周期内每一个时期的应用用户并发量季节因子C’t-l,如公式(34)所示:
其中,当t=1时,m=1;当t=2时,m=2;……;
计算第二个周期内每一个时期的应用用户并发量季节因子C’t,如公式(35)所示:
其中,当t=l+1时,m=1;当t=l+2时,m=2;……当t=2l时,m=l;这样一共计算出2l个应用用户并发量季节因子C't;
步骤d-5、计算前两个周期中平均每个时期的应用用户并发量季节因子C”t,如公式(36)所示。
其中,t=l+1,l+2,...,2l,因此可以计算出l个应用用户并发量平均季节因子C”t;
步骤d-6、将应用用户并发量季节因子正态化,如果按步骤d-5计算出来的l个应用用户并发量平均季节因子之和不等于周期长度l,此时需要按一定的比例缩小或扩大,使他们的和等于l;
首先,按照公式(37)计算这l个应用用户并发量平均季节因子之和l';
然后,再计算正态化的应用用户并发量季节因子Ct,如公式(38)所示;
其中,t=l+1,l+2,...,2l;这样,一共计算出l个正态化应用用户并发量季节因子Ct,和必然等于l;
步骤d-7、对第三个周期内每一个时期应用用户并发量做初步预测Ft+m,如公式(39)所示。
Ft+m=(S+mB)Ct-l+m (39)
其中,t=2l,m可以取1,2,……,l;这表示初步预测第(2l+1),(2l+2),……,3l时期应用用户并发量的值;
步骤d-8、当第三个周期的应用用户并发量第一个时期的观测值cont得到后(cont=con2l+1),就可以用一组确定的应用用户并发量平滑常数α,β,γ(α,β,γ的取值原则是使实际值与预测值的误差平方和最小,都是属于(0,1)区间的数,可以设从=0.1,β=0.01,运=0.2)的数值来修正指数应用用户并发量平滑值,趋势和季节因子,修正公式如(40)、(41)和(42)所示:
Bt=γ(St-S)+(1-γ)B (41)
重新预测第三个周期内其余(l-1)个时期的应用用户并发量数值Ft+m,如公式(43)所示:
Ft+m=(St+mBt)Ct-l+m (43)
其中,m=1,2,……,l-1;修正以后的指数平滑应用用户并发量预测值比修正前的应用用户并发量预测值要准确;
步骤d-9、以后每次当获得前t时期的应用用户并发量观测值xt时,就可用公式(44)、(45)和(46)计算单指数应用用户并发量平滑值St、趋势Bt和季节因子Ct;
Bt=γ(St-St-1)+(1-γ)Bt-1 (45)
对(t+m)时期计算应用用户并发量预测值Ft+m如公式(47)所示:
Ft+m=(St+mBt)Ct-l+m (47)
其中m=1,2,……,l。当计算完一个周期,得到l个应用用户并发量季节因子后,就要按步骤d-6的方法,重新加以正态化;
步骤10、根据组件调用关系和每个组件相对于其它组件的权值构建组件的AOE网,利用所述AOE网对预测的用户并发量进行分解;
如图7所示,本发明实施例中,由8个组件协同工作完成,其中组件S2和S5分别建立了一个副本;当用户调用该云应用时,首先S1承担了整个应用的负载;组件S1即刻调用组件S2、S2的副本S2’和S3继续执行工作,此时组件S2、S2’的副本和S3共同承担了应用负载,根据组件调用关系矩阵计算每个组件分担负载量;S2完成自己的业务工作后调用组件S4,当组件S3和S4都完成工作后,组件S6、组件S5、S5’的副本和组件S8分担应用的负载,以此类推;应用用户并发量为CN,利用AOE网,根据组件调用关系矩阵分解各组件的用户并发量,利用公式(48)~(55)计算各组件并发量为:
CNS1=CN*1.0 (48)
CNS2=CNS1*e12 (49)
CNS3=CNS1*e13 (50)
CNS4=CNS2*e24 (51)
CNS5=CNS3*e35 (52)
CNS6=CNS4*e46 (53)
CNS7=CNS6*e67 (54)
CNS8=CNS4*e48 (55)
步骤11、采用改进的粒子群算法在所有组件中选择待增组件,具体如下:
步骤11-1、初始化粒子群,粒子群的种群大小为组件的个数,每个粒子为一个二维矢量,矢量的每一维分别是组件的响应时间和并发量;
步骤11-2、设定粒子群的约束条件,包括:粒子群可行域、粒子群半可行域、目标函数、粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值,具体如下:
粒子群可行域:根据目标云服务平台所能承受的最大并发量和相应的响应时间设定粒子群可行域的最大边界值,并根据目标云服务平台承受的平均并发量和相应的响应时间设定粒子群可行域的,最小边界值,进而获得粒子群可行域;
本发明实施例中,最大边界值取值为(500,8),最小边界值取值为(100,3)。
粒子群半可行域:设定一个调节参数,将粒子群可行域的最大边界值与上述调节参数相加,获得粒子群半可行域的最大边界值,将粒子群可行域的最小边界值与上述参数相减,获得粒子群半可行域的最小边界值,进而获得粒子群半可行域;
目标函数:响应时间与并发量之和最大的粒子集合;
max g(xi)=max{(xcon1+xtime1),(xcon2+xtime2),...,(xconm+xtimem)} (56)
其中,gi(x)表示目标函数,xcon为组件并发量,xtime为组件响应时间;
粒子群体中有利个体比例阈值:根据实际所需解的数目进行设定,设定为30%;
粒子群体中有利个体的最大比例值:根据实际所需解的数目进行设定,设定为50%;
步骤11-3、根据每个组件实际的响应时间和用户并发量,获得粒子群体有利个体的个数,根据实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,调节粒子群半可行域的范围,获得搜索区域,具体步骤如下:
步骤11-3-1、初始化粒子群半可行域宽度为0,并根据实际需求设定粒子群半可行域宽度调节参数取值;
本发明实施例中,调节参数按照可行域范围的10%取值;
步骤11-3-2、判断实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,具体如下:
若实际有利个体比例小于粒子群体中有利个体比例阈值,则执行步骤11-3-3;
若实际有利个体比例大于粒子群体中有利个体比例阈值并小于粒子群体中有利个体的最大比例值,则执行步骤11-3-3;
若实际有利个体比例大于等于粒子群体中有利个体的最大比例值,则执行步骤11-3-4;
若实际有利个体比例大于等于粒子群体中有利个体的最大比例值,且粒子群半可行域的宽度大于0,则执行步骤11-3-5;
步骤11-3-3、将粒子群半可行域的宽度加上调节参数,即扩大粒子群半可行域,并获得在上述粒子群半可行域内的实际有利个体比例,并返回执行步骤11-3-2;
步骤11-3-4、将粒子群半可行域的宽度减去调节参数,即缩小粒子群半可行域,并获得在上述粒子群半可行域内的实际有利个体比例,并返回执行步骤11-3-2;
步骤11-3-5、将粒子群半可行域的宽度减去调节参数,即缩小粒子群半可行域,获得搜索区域;
步骤11-4、在搜索区域内,对基于组件响应时间和用户并发量构成的粒子群中每个组件粒子,更新粒子速度和粒子位置;
更新粒子速度和位置:
对基于组件xtime和xcon构成的粒子群中每个组件粒子,根据公式(57)更新粒子速度,根据公式(57)更新粒子位置:
v[i]=w×v[i]+c1×r1×(Pbest[i]-Pop[i])+c2×r2×(Gbest[i]-Pop[i]) (57)
Pop[i]=Pop[i]+v[i] (58)
其中,v[i]是组件粒子i的速度,Pbest[i]保存组件粒子i的个体极值,Gbest[i]保存组件粒子i的全局极值,常数cl和c2控制个体极值和全局极值对组件粒子更新的影响程度,参数w称为惯性权重,r1和r2是[0,...,1]之间的随机数;
步骤11-5、计算每个组件粒子的适应度函数值,即获得每个组件粒子与搜索区域内目标点之间的距离,将每个组件粒子与搜索区域内目标点之间的距离向上取整数,确定上述整数中最小值所对应的粒子;所述的目标点为在搜索区域内目标函数值最大所对应的点;
步骤11-6、将上述整数中最小值所对应的粒子加入非支配解集;
步骤11-7、获得粒子的个体极值和全局极值;
步骤11-8、更新个体极值和更新全局极值,返回执行步骤11-3,直至到设定的终止条件,将最后一次迭代获得的非支配解集中的组件粒子作为待增组件;
对每个组件粒子,若组件粒子的当前位置支配其个体极值位置,即当前位置与目标点的距离小于其个体极值位置与目标点的距离,则更新其个体极值;
对每个组件粒子,若组件粒子的当前位置与其个体极值位置为非支配关系,即当前位置与目标点的距离等于其个体极值位置与目标点的距离,且两者均在可行域或半可行域时,则随机选取组件个体极值,若一个在可行域另一个在半可行域,或一个在半可行域另一个在非可行域时,则选取前者所在位置为个体极值;
所述的非可行域,为可行域和半可行域以外的区域;
步骤12、对待增组件进行增加其副本。
Claims (3)
1.一种基于改进多目标粒子群优化算法的待增组件选择方法,其特征在于,包括以下步骤:
步骤1、采集目标云服务平台中所有组件的历史数据,包括:组件调用关系、组件调用频率和采样时间段的用户并发量;
步骤2、根据所采集的组件调用关系和组件调用频率,获得每个组件相对于其它组件的权值,进而获得组件关系;
所述的组件关系为组件调用关系矩阵,矩阵的行数和列数为组件的个数,矩阵中的元素为组件两两之间的调用权重;
步骤3、根据采集的采样时间段的用户并发量,获得不同采样时间段用户并发量的自相关系数;
步骤4、根据所获的自相关系数,判断用户并发量所属类型,即判断自相关系数是否接近于0,若是,则用户并发量属于平稳型,并执行步骤6;否则,执行步骤5;
步骤5、判断所获自相关系数是否以固定频率出现高峰,若是,则用户并发量属于季节型,并执行步骤8;否则,用户并发量属于非平稳型,并执行步骤7;
步骤6、采用TopK算法将平稳型用户并发量中幅度大的数据去除;
步骤7、采用差分方法将非平稳型用户并发量转换为平稳型用户并发量,再采用TopK算法将用户并发量中幅度大的数据去除;
步骤8、将季节型用户并发量转换为非平稳型用户并发量,再采用差分方法将非平稳型用户并发量转换为平稳型用户并发量,采用TopK算法将用户并发量中幅度大的数据去除;
步骤9、采用时间序列预测算法分别对季节型用户并发量进行预测、对非平稳型用户并发量进行预测和对平稳型用户并发量进行预测;
步骤10、根据组件调用关系和每个组件相对于其它组件的权值构建组件的AOE网,利用所述AOE网对预测的用户并发量进行分解;
步骤11、采用改进的粒子群算法在所有组件中选择待增组件,具体如下:
步骤11-1、初始化粒子群,粒子群的种群大小为组件的个数,每个粒子为一个二维矢量,矢量的每一维分别是组件的响应时间和并发量;
步骤11-2、设定粒子群的约束条件,包括:粒子群可行域、粒子群半可行域、目标函数、粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值,具体如下:
粒子群可行域:根据目标云服务平台所能承受的最大并发量和相应的响应时间设定粒子群可行域的最大边界值,并根据目标云服务平台承受的平均并发量和相应的响应时间设定粒子群可行域的最小边界值,进而获得粒子群可行域;
粒子群半可行域:设定一个调节参数,将粒子群可行域的最大边界值与上述调节参数相加,获得粒子群半可行域的最大边界值,将粒子群可行域的最小边界值与上述参数相减,获得粒子群半可行域的最小边界值,进而获得粒子群半可行域;
目标函数:响应时间与并发量之和最大的粒子集合;
粒子群体中有利个体比例阈值:根据实际所需解的数目进行设定;
粒子群体中有利个体的最大比例值:根据实际所需解的数目进行设定;
步骤11-3、根据每个组件实际的响应时间和用户并发量,获得粒子群体有利个体的个数,根据实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,调节粒子群半可行域的范围,获得搜索区域;
步骤11-4、在搜索区域内,对基于组件响应时间和用户并发量构成的粒子群中每个组件粒子,更新粒子速度和粒子位置;
步骤11-5、计算每个组件粒子的适应度函数值,即获得每个组件粒子与搜索区域内目标点之间的距离,将每个组件粒子与搜索区域内目标点之间的距离向上取整数,确定上述整数中最小值所对应的粒子;
所述的目标点为在搜索区域内目标函数值最大所对应的点;
步骤11-6、将上述整数中最小值所对应的粒子加入非支配解集;
步骤11-7、获得粒子的个体极值和全局极值;
步骤11-8、更新个体极值和更新全局极值,返回执行步骤11-3,直至到设定的终止条件,将最后一次迭代获得的非支配解集中的组件粒子作为待增组件;
步骤12、对待增组件进行增加其副本。
2.根据权利要求1所述的基于改进多目标粒子群优化算法的待增组件选择方法,其特征在于,步骤11-3所述的根据实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,调节粒子群半可行域的范围,获得搜索区域,具体步骤如下:
步骤11-3-1、初始化粒子群半可行域宽度为0,并根据实际需求设定粒子群半可行域宽度调节参数取值;
步骤11-3-2、判断实际有利个体比例与粒子群体中有利个体比例阈值和粒子群体中有利个体的最大比例值的关系,具体如下:
若实际有利个体比例小于粒子群体中有利个体比例阈值,则执行步骤11-3-3;
若实际有利个体比例大于粒子群体中有利个体比例阈值并小于粒子群体中有利个体的最大比例值,则执行步骤11-3-3;
若实际有利个体比例大于等于粒子群体中有利个体的最大比例值,则执行步骤11-3-4;
若实际有利个体比例大于等于粒子群体中有利个体的最大比例值,且粒子群半可行域的宽度大于0,则执行步骤11-3-5;
步骤11-3-3、将粒子群半可行域的宽度加上调节参数,即扩大粒子群半可行域,并获得在上述粒子群半可行域内的实际有利个体比例,并返回执行步骤11-3-2;
步骤11-3-4、将粒子群半可行域的宽度减去调节参数,即缩小粒子群半可行域,并获得在上述粒子群半可行域内的实际有利个体比例,并返回执行步骤11-3-2;
步骤11-3-5、将粒子群半可行域的宽度减去调节参数,即缩小粒子群半可行域,获得搜索区域。
3.根据权利要求1所述的基于改进多目标粒子群优化算法的待增组件选择方法,其特征在于,步骤11-8所述的更新个体极值,具体如下:
对每个组件粒子,若组件粒子的当前位置支配其个体极值位置,即当前位置与目标点的距离小于其个体极值位置与目标点的距离,则更新其个体极值;
对每个组件粒子,若组件粒子的当前位置与其个体极值位置为非支配关系,即当前位置与目标点的距离等于其个体极值位置与目标点的距离,且两者均在可行域或半可行域时,则随机选取组件个体极值,若一个在可行域另一个在半可行域,或一个在半可行域另一个在非可行域时,则选取前者所在位置为个体极值;
所述的非可行域,为可行域和半可行域以外的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510374260.XA CN104932898B (zh) | 2015-06-30 | 2015-06-30 | 一种基于改进多目标粒子群优化算法的待增组件选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510374260.XA CN104932898B (zh) | 2015-06-30 | 2015-06-30 | 一种基于改进多目标粒子群优化算法的待增组件选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104932898A CN104932898A (zh) | 2015-09-23 |
CN104932898B true CN104932898B (zh) | 2018-03-23 |
Family
ID=54120074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510374260.XA Active CN104932898B (zh) | 2015-06-30 | 2015-06-30 | 一种基于改进多目标粒子群优化算法的待增组件选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104932898B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106533750B (zh) * | 2016-10-28 | 2019-05-21 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
EP3564816A4 (en) * | 2017-01-26 | 2019-11-20 | Huawei Technologies Co., Ltd. | CALL-BASED SIMULTANEITY CONTROL PROCEDURES, DEVICE AND CONTROL NODES |
CN109889573B (zh) * | 2019-01-14 | 2020-08-07 | 武汉理工大学 | 混合云中基于ngsa多目标的副本放置方法 |
CN111610994B (zh) * | 2020-05-20 | 2023-10-20 | 山东汇贸电子口岸有限公司 | 一种云数据中心的部署方法、装置、设备及存储介质 |
CN111866111B (zh) * | 2020-07-13 | 2021-03-30 | 郑州轻工业大学 | 一种感知用户需求增长趋势的边缘部署方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103347073A (zh) * | 2013-07-02 | 2013-10-09 | 北京大学 | 一种云管理行为安全控制方法和系统 |
CN103886136A (zh) * | 2014-02-28 | 2014-06-25 | 汕头大学 | 基于改进微分进化算法的微机电系统组件的布局优化方法 |
CN103916396A (zh) * | 2014-04-10 | 2014-07-09 | 电子科技大学 | 一种基于负载自适应的云平台应用实例自动伸缩方法 |
CN104301403A (zh) * | 2014-09-26 | 2015-01-21 | 东北大学 | 基于组件服务副本增删的云服务资源动态配置系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10225323B2 (en) * | 2012-09-07 | 2019-03-05 | Oracle International Corporation | System and method for providing java cloud services for use with a cloud computing environment |
-
2015
- 2015-06-30 CN CN201510374260.XA patent/CN104932898B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103347073A (zh) * | 2013-07-02 | 2013-10-09 | 北京大学 | 一种云管理行为安全控制方法和系统 |
CN103886136A (zh) * | 2014-02-28 | 2014-06-25 | 汕头大学 | 基于改进微分进化算法的微机电系统组件的布局优化方法 |
CN103916396A (zh) * | 2014-04-10 | 2014-07-09 | 电子科技大学 | 一种基于负载自适应的云平台应用实例自动伸缩方法 |
CN104301403A (zh) * | 2014-09-26 | 2015-01-21 | 东北大学 | 基于组件服务副本增删的云服务资源动态配置系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104932898A (zh) | 2015-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN104932898B (zh) | 一种基于改进多目标粒子群优化算法的待增组件选择方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
Álvarez-Díaz et al. | Forecasting British tourist arrivals in the Balearic Islands using meteorological variables | |
CN104468413B (zh) | 一种网络服务方法及系统 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN114648170A (zh) | 基于混合深度学习模型的水库水位预测预警方法及系统 | |
CN102130955B (zh) | 基于协同过滤的组合服务备选服务集生成系统及方法 | |
Reis et al. | A scalable load forecasting system for low voltage grids | |
Muruganandam et al. | Dynamic Ensemble Multivariate Time Series Forecasting Model for PM2. 5. | |
Chen et al. | A fuzzy-neural approach for remaining cycle time estimation in a semiconductor manufacturing factory—a simulation study | |
CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 | |
CN114549233A (zh) | 基于lgb算法与arima算法相结合的流动人口预测方法 | |
Hartmann et al. | CSAR: The cross-sectional autoregression model | |
CN108665090A (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
CN112801415A (zh) | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 | |
CN113657501A (zh) | 模型自适应训练方法、装置、设备、介质及程序产品 | |
Liang et al. | Forecasting tourist arrivals using dual decomposition strategy and an improved fuzzy time series method | |
CN112667394A (zh) | 一种计算机资源利用率优化方法 | |
Zhou | Cross-validation research based on RBF-SVR model for stock index prediction | |
Niknafs et al. | Two-phase interarrival time prediction for runtime resource management | |
CN109325861A (zh) | 采用经验回放机制的目标股票选择方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220121 Address after: 100000 room 902, floor 9, building 3, courtyard 1, Zhongguancun East Road, Haidian District, Beijing Patentee after: Beijing Dianwei Information Technology Co.,Ltd. Address before: 110819 No. 3 lane, Heping Road, Heping District, Shenyang, Liaoning 11 Patentee before: Northeastern University |