CN113297540A - 在边缘物联代理服务下的app资源需求预测方法、装置及系统 - Google Patents
在边缘物联代理服务下的app资源需求预测方法、装置及系统 Download PDFInfo
- Publication number
- CN113297540A CN113297540A CN202110607767.0A CN202110607767A CN113297540A CN 113297540 A CN113297540 A CN 113297540A CN 202110607767 A CN202110607767 A CN 202110607767A CN 113297540 A CN113297540 A CN 113297540A
- Authority
- CN
- China
- Prior art keywords
- data
- resource demand
- prediction
- stage
- app
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 35
- 208000027121 wild type ATTR amyloidosis Diseases 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013277 forecasting method Methods 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了在边缘物联代理服务下的APP资源需求预测方法、装置及系统,所述方法包括在边缘物联代理服务中收集APP对资源需求的原始数据,并对原始数据进行预处理,获得规范化的波动特征;将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,完成在边缘物联代理服务下的APP资源需求预测。本发明了一种改进的混合预测方法RSA‑NFTSAR,用于预测和识别动态物联代理系统,是一种在线学习方法,可以减少预测误差随时间的变化。
Description
技术领域
本发明涉及神经网络和边缘计算领域,具体涉及在边缘物联代理服务下的APP资源需求预测方法、装置及系统。
背景技术
近年来,随着物联网在行业领域的逐步深入,终端设备数量急剧增加。终端设备的运行使网络末端产生了大量数据,如何从海量数据获得有效信息,变得极富挑战性。越来越多的场景需要高速响应的计算服务,而云计算平台与物理设备的松耦合使得云计算存在时延和抖动,因此,那些需要将端到端时延控制在几十毫秒内的应用程序直接从云计算平台获得的收益有限。边缘计算使用分布式计算范式,将数据、应用程序下放到边缘设备节点,计算主要或完全在分布式的边缘设备节点上执行,而不是在云中进行。作为一种新的计算范式,边缘计算将计算任务部署于接近数据产生源的网络边缘,利用边缘资源为用户提供大量服务或功能接口,大大减少上传至云数据中心的数据量,缓解网络带宽压力,同时可以更好地解决数据安全和隐私问题。
在边缘计算环境下,数据具有异构性且数据量较大,数据处理的应用程序具有多样性,不同应用程序所关联的计算任务又不尽相同,对于计算任务的管理具有较大的复杂性,而简单的中间件软件结构无法有效保证计算任务可行性、应用程序的可靠性以及资源利用的最大化。因此,需要边缘计算框架,来为基于边缘计算的应用提供降低延迟、提高数据处理实时性的架构和软件栈支撑。由于边缘物联代理处理任务的多样性和负载的变化性,需要在边缘物联代理设计自适应的资源调度机制,快速地相应不同应用对资源的需求。
已有研究AdaptiveFeedback算法能够在多种应用共享云端资源的情况下,相比于最优的离线场景的算法,对应用的平均性有很好的保证。该算法可拓展至边缘物联代理侧,以每类应用的资源使用效率为输入信息,为应用或申请更多资源,或维持当前资源,或主动释放资源;边缘物联代理在收到各个应用的资源需求后,只需做出公平的分配。资源预分配需兼顾长期收益与短期收益,有时以稍高的代价完成下一时刻的资源预分配,可以从长远角度优化长期收益。针对突发数据处理作业的资源需求及可能的预测失真,设计在线算法来实时疏散排队等待的数据处理作业。
发明内容
针对上述问题,本发明提出在边缘物联代理服务下的APP资源需求预测方法、装置及系统,能够预测未来的资源利用率。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种在边缘物联代理服务下的APP资源需求预测方法,包括:
在边缘物联代理服务中收集APP对资源需求的原始数据,并对原始数据进行预处理,获得规范化的波动特征;
将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,完成在边缘物联代理服务下的APP资源需求预测。
可选地,所述规范化的波动特征的获取方法包括:
对原始数据进行聚集;
对于聚集后的数据,使用递归两阶段分解方法RSA识别资源使用中的波动特征;
对得到的波动特征数据进行规范化,获得规范化的波动特征。
可选地,所述RSA方法包括SSA阶段和AFEEMD阶段。
可选地,所述SSA阶段具体为:
初始化窗口长度L,时间序列样本的初始数量N,提取出隐含成分的数量m,将时间序列的样本数据转移到Hankel矩阵Y上;
对所述Hankel矩阵Y进行奇异值分解,矩阵Y有如下形式:
从奇异值分解得到的d个成分中选择m个作为趋势分量;
基于所述趋势分量,通过数学变换组合得到一个新的矩阵,对这个矩阵进行对角平均化,得到一个新的时间序列。
可选地,所述AFEEMD阶段具体为:
基于SSA阶段中获得的时间序列,并确定添加白噪声的适当频率上限;
将白噪声添加到所述时间序列中的信号中,生成新的信号;
对所述新的信号进行EMD操作提取得到IMF,即为波动特征。
可选地,所述将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,具体为:
从所述规范化的波动特征中提取关于资源需求量的知识,生成模糊规则的先行命题;
基于所述先行命题,计算模糊规则对APP资源需求变化时间序列预测的影响因子,输出规则的触发强度;
使用带可变遗忘因子的递推最小二乘算法处理所述触发强度,更新NFTS和AR的参数;
产生NFTS和AR的输出,形成输出数据;
对所述输出数据恢复到原始范围,重建需求数据,即为预测结果数据。
第二方面,本发明提供了一种在边缘物联代理服务下的APP资源需求预测装置,包括:
波动特征获取单元,用于在边缘物联代理服务中收集APP对资源需求的原始数据,并对原始数据进行预处理,获得规范化的波动特征;
预测单元,用于将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,完成在边缘物联代理服务下的APP资源需求预测。
可选地,所述规范化的波动特征的获取方法包括:
对原始数据进行聚集;
对于聚集后的数据,使用递归两阶段分解方法RSA识别资源使用中的波动特征;
对得到的波动特征数据进行规范化,获得规范化的波动特征。
可选地,所述RSA方法包括SSA阶段和AFEEMD阶段;
所述SSA阶段具体为:
初始化窗口长度L,时间序列样本的初始数量N,提取出隐含成分的数量m,将时间序列的样本数据转移到Hankel矩阵Y上;
对所述Hankel矩阵Y进行奇异值分解,矩阵Y有如下形式:
从奇异值分解得到的d个成分中选择m个作为趋势分量;
基于所述趋势分量,通过数学变换组合得到一个新的矩阵,对这个矩阵进行对角平均化,得到一个新的时间序列;
所述AFEEMD阶段具体为:
基于SSA阶段中获得的时间序列,并确定添加白噪声的适当频率上限;
将白噪声添加到所述时间序列中的信号中,生成新的信号;
对所述新的信号进行EMD操作提取得到IMF,即为波动特征。
可选地,所述将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,具体为:
从所述规范化的波动特征中提取关于资源需求量的知识,生成模糊规则的先行命题;
基于所述先行命题,计算模糊规则对APP资源需求变化时间序列预测的影响因子,输出规则的触发强度;
使用带可变遗忘因子的递推最小二乘算法处理所述触发强度,更新NFTS和AR的参数;
产生NFTS和AR的输出,形成输出数据;
对所述输出数据恢复到原始范围,重建需求数据,即为预测结果数据。
第三方面,本发明提供了一种在边缘物联代理服务下的APP资源需求预测系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
与现有技术相比,本发明的有益效果:
本发明包括特征化和预测两步的总体思路。在特征化阶段,识别主机的历史资源使用模式。也就是说,这一阶段提取了资源利用模式的周期性和不规则性事件。在预测阶段,预测实时主机的资源使用水平。本发明结合了两阶段分解技术和NFTSAR网络来表征和预测资源的使用。其中分解技术是SSA和AFEEMD的递归混合,即RSA。综上所述,本发明提出了一种改进的混合预测方法RSA-NFTSAR,用于预测和识别动态物联代理系统,是一种在线学习方法,可以减少预测误差随时间的变化。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明一种实施例的预测方法的流程图;
图2是本发明一种实施例的对于时间序列分解RSA方法的循环示意图;
图3是本发明一种实施例的NFTSAR网络的结构。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种在边缘物联代理服务下的APP资源需求预测方法,包括以下步骤:
(1)在边缘物联代理服务中收集APP对资源需求的原始数据,并对原始数据进行预处理,获得规范化的波动特征;
(2)将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,完成在边缘物联代理服务下的APP资源需求预测。
如图1所示,本发明实施例中的预测方法主要包括预处理、训练、预测和评价四个步骤组成。
在预处理步骤中,从原始数据中提取数据。首先,将数据聚合到一个分钟单位级别。假设每5分钟记录一个时间戳,聚合的数据被传递到分解步骤,分解步骤负责提取和识别APP在资源使用中的波动特征。具体地,本发明实施例中提出了一种由SSA和AFEEMD方法组成的递归两相分解策略。在第一阶段,将聚集的数据传递给SSA,以降低原始数据的噪声。在利用SSA方法进行降噪之后,在第二阶段,利用AFEEMD将资源使用预测任务分解为若干简单的预测子任务。
然后,将分解的数据标准化到区间(0,1),并将其作为输入数据发送给NFTSAR网络。NFTSAR网络是一种基于神经模糊Takagi-Sugeno网络(NFTS)。NFTS在一个单一的框架中同时具有模糊逻辑和神经网络的优点,并且有一个具有学习能力的模糊推理系统。在这里,本发明通过将NFTS与线性AR组合来改进NFTS网络,以综合基于数据和模型的方法的优点。
除预处理阶段外,RSA-NFTSAR还有三个操作阶段:训练阶段、预测阶段和评估阶段。训练阶段确定属于NFTSAR网络部分的参数。当时间序列的观测可用时,此阶段就会开始运行。此阶段分析n个先前的资源使用值,以便预测在n+1时刻边缘物联代理上即将发生的资源使用。如果没有可用数据,就会进入预测步骤。训练结束后,评估阶段会检查模型的精度。评估阶段对于决策是非常重要的一步,为此,需要将预测数据转换为原始格式,并计算MSE、MAPE和RMSE来评估其精度。
时间序列是在连续的等距时间点上获取的一系列数字,其中每个数据点都是在不同时间戳捕获的测量值。一般来说,一个时间序列的数据可以被表示为一个N×M的二维矩阵。
X=[X(1),...,X(j),...,X(N)]T
X(j)=[X1(j),...,Xi(j),...,XM(j)]
这里N是时间戳的总数,M是在第j个时间戳处输入变量的数量,X(j)表示输入变量在第j次的观察值(1≤j≤N),Xi(j)表示第i个变量的第j次观察值(1≤i≤M)。M与主机的资源数量相关,这里假设M=1.
如图2所示,递归两阶段分解方法RSA由SSA和AFEEMD组成。该方法从时间序列数据中提取趋势分量、不规则分量和周期性分量,以较低的计算代价去除噪声。RSA方法包括8个步骤,前4个步骤(嵌入、奇异值分解、三重特征分组和对角平均)与SSA阶段有关,后3个步骤(高频规定、集成试验和最终提取)与AFEEMD阶段有关。该方法执行递归更新(第8步)以降低计算复杂度并加快提取过程。所提出的方法总结在图2中并描述如下。
在嵌入阶段,用户初始化三个参数N,L,m的值。L为窗口长度,N为时间序列样本的初始数量,m为提取出隐含成分的数量。初始化之后,聚集得到的序列化数据X=[X(1),...,X(N)]会被转移到一个L×K的Hankel矩阵Y=(Y1:...:YK)中,其中2≤L≤N且K=N-L+1.在Hankel矩阵中的上升对角线的值是相等的,因此矩阵Y中的每个元素可以被定义为Yi=(X(i),...,X(i+L-1)),i=1,...,K.向量Yi为Hankel矩阵Y中的列,Y的形式为:
下一步奇异值分解(SVD)中,Hankel矩阵Y会被进行奇异值分解。令协方差矩阵CN=YYT,CN的特征值以递减顺序排列,即λ1≥…≥λL≥0.λi表示Ui中原始时间序列的部分变化,其中Ui表示左边的特征向量,表示右边的特征向量。这样矩阵Y就可以被分解成d个成分,其中d=rank(Y)=max{i|λi>0}。这样矩阵Y可以进一步写成如下形式
Y=Y1+Y2+...+Yd
在对角平均化步骤中,分组后的分解中每个矩阵都会被转换成一个新的长度为N的序列。令Y为L×K的矩阵,每个元素为yl=ylψ,其中令L*=min(L,K),K*=max(L,K),N=L+K-1.当L<K时,令否则通过对角平均化,矩阵Y就通过如下公式转化成了
在利用SSA方法提取隐藏的趋势分量并去除噪声后,第二阶段开始对时间序列进行再次细化,并检测提取的时间序列XSSA的趋势分量。该相位将一组时间序列转换为多个经验模式,称为IMF,其频率范围从高频到低频不等。AFEEMD方法的过程分为以下三个步骤进行简要描述。
第一步,频率规定,负责确定添加白噪声的适当频率上限。首先,所添加的噪声的频率上限fui=(i+1)fs,i=1,...,根据要提取的信号XSSA(t)来规定。令fs为信号XSSA(t)的采样频率。在EEMD中,添加的白噪声的频率会基于原始信号的采样频率进行确定。为了便于下一步的插值,频率fui为采样频率fs的整数倍。一般来说,的值建议设置为10到20之间。然后对信号XSSA(t)进行三次样条插值。令为要插入的原始信号,且它的数据长度等于信号XSSA(t)。然后使用原始的EEMD方法对进行分解。假设集成试验的次数为2,噪声幅度标准差为0.01,fui为所添加白噪声的频率上限。决定不同的频率上限后,RRMSE值就可以通过下述公式计算出来
在集成试验步骤,白噪声的一对值(η(t),-η(t))就被加入到信号XSSA(t)中,用于生成污染后的信号对(P(t),N(t)),其中同时包含正负噪声,如下
然后,对有噪声的信号(P(t),N(t))进行EMD操作,这会生成一系列的IMF,从而得到残差。
其中ci为由AFEEMD方法导出的第i个初等IMF分量。在AFEEMD方法中,添加的白噪声的振幅和集成试验次数分别被固定为标准差0.01和2.时间序列使用AFEEMD方法进行分解之后,假设观察到的时间序列的增量为如下形式:
χ=Xtrend+Xseason+Xirregular+Xcycle
其中Xtrend为趋势分量,Xseason为周期性的分量,Xirregular为循环项,Xcycle为不规则项。趋势和循环分量都是长期非静止的分量,所以不区分这两个分量,并重写上述公式为:
χ=Xtrend-Cycle+Xseason+Xirregular
两阶段分解方法中的最后一步被称为递归更新,主要负责更新方法中的参数,减少时间开销。因此,第一次运行完的训练方法之后,分解方法中的递归更新循环就会开始。在递归步骤,对于每个时间序列样本X(k),k=N+1,N+2,...,的值通过下式进行递增
通过上述分解方法对输入数据的处理,把最终得到的结果再次进行规范化,得到(0,1)范围的数据,然后送入NFTSAR网络来预测未来的APP资源需求量。
NFTSAR网络:在非线性系统建模方法中,NFTS预测模型因其在稠密区域具有良好的泛化性和逼近性而受到广泛关注,它在一个单一的框架中同时具有模糊逻辑和神经网络的优点。因此使用NFTS网络来预测物联代理未来的资源使用情况。预测模型的网络结构分别如图3所示。网络有五层,同一层的所有节点都具有相似的功能。原始数据经过两阶段分解方法得到趋势、周期和不规则分量,送到NFTSAR网络进行训练数据。下面,将结合图3描述NFTSAR网络的每一层。
第一层:在提取隐藏分量之后,第一层就会启动。该层利用从隐藏分量数据中提取的知识,生成模糊规则的先行命题。首先,对于每一个时刻t都会生成一个数据流dt.这个数据流就是分解方法中n个提取出来的分量,即令X'(t)为用于NFTSAR网络训练的预期输出,(χ1(t-1),χ2(t-1),...,χn(t-1))就是NFTSAR网络的输入。
其中N+1为两阶段分解方法中初始条件后的第一个时刻t。
第二层研究模糊规则在时间序列预测中的影响。下一个节点的触发强度就是该层的输出。通过将隶属函数中输入/输出变量的隶属度相乘,为每个规则分配一个度(等式28)。
激活度表示这些规则对其他规则的影响程度。
然后把这些数据权重进行归一化,归一化的触发强度计算方式如下
每一条规则都有前驱和后继部分。每个规则的前驱使用输入数据的信息,每个规则的后继计算模型的输出。根据所使用的结果类型,就可以确定结果参数了。由于模型的结构可以根据输入数据进行修改,因此这里采用递归策略来估计模型的参数。相应的模糊推理系统(TS)如下。
第三层:使用带可变遗忘因子(WRLS-VFF)的递推最小二乘算法来更新后继参数。WRLS-VFF是递推最小二乘(RLS)方法的改进版本,具有更好的跟踪系统突然变化的性能。WRLS-VFF具有一个最佳的动态遗忘因子,该因子通过最小化均方噪声的后验误差获得,并且通常在平稳和非平稳环境中都具有更好的性能。此外,WRLS-VFF使误差函数最小化。因此,本文采用WRLS-VFF。
第四层:NFTS和AR在这一层分别产生输出,分别使用如下公式产生:
第五层:最后一层计算NFTSAR的输出。这是对X(t)NFTS和X(t)AR的组合。然后新的时间序列可以在时刻t使用下式重建。
最后,NFTSAR在时刻t的输出就是
训练和预测阶段:神经网络的特征是基于结构(神经元如何相互连接)、训练方法(如何确定连接神经元之间的权重)和传递函数。神经网络的训练就是确定其结构中的参数。如果时间序列是可用的,则训练上述方法,并添加或删除模糊规则来执行t-1时刻的隐藏分量数据与t时刻的提前一步时间序列数据之间的映射。
当没有可用数据时,预测阶段开始工作。在这个时候,NFTSAR不会变化,模糊规则也不会更新。这意味着NFTSAR的结构在预测阶段是固定的。因此,递归两阶段分解不会运行,因为没有可用的数据来提取隐藏分量。为了识别隐藏模式并建立数据流dt,前一个时刻最终的输出会反馈到输入
之后,第二层和第三层就可以正常运行了。时间序列是基于隐藏分量分解来计算的,以创建APP未来的资源使用数据。然后,该资源使用数据就会被标准化。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种在边缘物联代理服务下的APP资源需求预测装置,包括:
波动特征获取单元,用于在边缘物联代理服务中收集APP对资源需求的原始数据,并对原始数据进行预处理,获得规范化的波动特征;
预测单元,用于将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,完成在边缘物联代理服务下的APP资源需求预测。
可选地,所述规范化的波动特征的获取方法包括:
对原始数据进行聚集;
对于聚集后的数据,使用递归两阶段分解方法RSA识别资源使用中的波动特征;
对得到的波动特征数据进行规范化,获得规范化的波动特征。
在本发明实施例的一种具体实施方式中,所述RSA方法包括SSA阶段和AFEEMD阶段;
所述SSA阶段具体为:
初始化窗口长度L,时间序列样本的初始数量N,提取出隐含成分的数量m,将时间序列的样本数据转移到Hankel矩阵Y上;
对所述Hankel矩阵Y进行奇异值分解,矩阵Y有如下形式:
从奇异值分解得到的d个成分中选择m个作为趋势分量;
基于所述趋势分量,通过数学变换组合得到一个新的矩阵,对这个矩阵进行对角平均化,得到一个新的时间序列;
所述AFEEMD阶段具体为:
基于SSA阶段中获得的时间序列,并确定添加白噪声的适当频率上限;
将白噪声添加到所述时间序列中的信号中,生成新的信号;
对所述新的信号进行EMD操作提取得到IMF,即为波动特征。
在本发明实施例的一种具体实施方式中,所述将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,具体为:
从所述规范化的波动特征中提取关于资源需求量的知识,生成模糊规则的先行命题;
基于所述先行命题,获取模糊规则对APP资源需求变化时间序列预测的影响因子;
使用带可变遗忘因子的递推最小二乘算法来更新NFTS和AR的参数;
产生NFTS和AR的输出,形成输出数据;
对所述输出数据恢复到原始范围,重建需求数据,即为预测结果数据。
实施例3
本发明实施例中提供了一种在边缘物联代理服务下的APP资源需求预测系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例中任一项所述的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (11)
1.一种在边缘物联代理服务下的APP资源需求预测方法,其特征在于,包括:
在边缘物联代理服务中收集APP对资源需求的原始数据,并对原始数据进行预处理,获得规范化的波动特征;
将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,完成在边缘物联代理服务下的APP资源需求预测。
2.根据权利要求1所述的一种在边缘物联代理服务下的APP资源需求预测方法,其特征在于,所述规范化的波动特征的获取方法包括:
对原始数据进行聚集;
对于聚集后的数据,使用递归两阶段分解方法RSA识别资源使用中的波动特征;
对得到的波动特征数据进行规范化,获得规范化的波动特征。
3.根据权利要求2所述的一种在边缘物联代理服务下的APP资源需求预测方法,其特征在于:所述RSA方法包括SSA阶段和AFEEMD阶段。
5.根据权利要求4所述的一种在边缘物联代理服务下的APP资源需求预测方法,其特征在于,所述AFEEMD阶段具体为:
基于SSA阶段中获得的时间序列,并确定添加白噪声的适当频率上限;
将白噪声添加到所述时间序列中的信号中,生成新的信号;
对所述新的信号进行EMD操作提取得到IMF,即为波动特征。
6.根据权利要求1所述的一种在边缘物联代理服务下的APP资源需求预测方法,其特征在于,所述将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,具体为:
从所述规范化的波动特征中提取关于资源需求量的知识,生成模糊规则的先行命题;基于所述先行命题,计算模糊规则对APP资源需求变化时间序列预测的影响因子,输出规则的触发强度;
使用带可变遗忘因子的递推最小二乘算法处理所述触发强度,更新NFTS和AR的参数;
产生NFTS和AR的输出,形成输出数据;
对所述输出数据恢复到原始范围,重建需求数据,即为预测结果数据。
7.一种在边缘物联代理服务下的APP资源需求预测装置,其特征在于,包括:
波动特征获取单元,用于在边缘物联代理服务中收集APP对资源需求的原始数据,并对原始数据进行预处理,获得规范化的波动特征;
预测单元,用于将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,完成在边缘物联代理服务下的APP资源需求预测。
8.根据权利要求7所述的一种在边缘物联代理服务下的APP资源需求预测装置,其特征在于,所述规范化的波动特征的获取方法包括:
对原始数据进行聚集;
对于聚集后的数据,使用递归两阶段分解方法RSA识别资源使用中的波动特征;
对得到的波动特征数据进行规范化,获得规范化的波动特征。
9.根据权利要求8所述的一种在边缘物联代理服务下的APP资源需求预测装置,其特征在于,所述RSA方法包括SSA阶段和AFEEMD阶段;
所述SSA阶段具体为:
初始化窗口长度L,时间序列样本的初始数量N,提取出隐含成分的数量m,将时间序列的样本数据转移到Hankel矩阵Y上;
对所述Hankel矩阵Y进行奇异值分解,矩阵Y有如下形式:
从奇异值分解得到的d个成分中选择m个作为趋势分量;
基于所述趋势分量,通过数学变换组合得到一个新的矩阵,对这个矩阵进行对角平均化,得到一个新的时间序列;
所述AFEEMD阶段具体为:
基于SSA阶段中获得的时间序列,并确定添加白噪声的适当频率上限;
将白噪声添加到所述时间序列中的信号中,生成新的信号;
对所述新的信号进行EMD操作提取得到IMF,即为波动特征。
10.根据权利要求8所述的一种在边缘物联代理服务下的APP资源需求预测装置,其特征在于,所述将所述规范化的波动特征送入NFTSAR网络,进行训练、预测和评估,具体为:
从所述规范化的波动特征中提取关于资源需求量的知识,生成模糊规则的先行命题;基于所述先行命题,计算模糊规则对APP资源需求变化时间序列预测的影响因子,输出规则的触发强度;
使用带可变遗忘因子的递推最小二乘算法处理所述触发强度,更新NFTS和AR的参数;
产生NFTS和AR的输出,形成输出数据;
对所述输出数据恢复到原始范围,重建需求数据,即为预测结果数据。
11.一种在边缘物联代理服务下的APP资源需求预测系统,其特征在于,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607767.0A CN113297540A (zh) | 2021-06-01 | 2021-06-01 | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607767.0A CN113297540A (zh) | 2021-06-01 | 2021-06-01 | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297540A true CN113297540A (zh) | 2021-08-24 |
Family
ID=77326701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607767.0A Pending CN113297540A (zh) | 2021-06-01 | 2021-06-01 | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297540A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762932A (zh) * | 2021-09-14 | 2021-12-07 | 南京林洋电力科技有限公司 | 一种基于模糊算法的组态化app自动管理方法 |
-
2021
- 2021-06-01 CN CN202110607767.0A patent/CN113297540A/zh active Pending
Non-Patent Citations (1)
Title |
---|
SEYEDEH YASAMAN RASHIDA, ET AL.: "An intelligent approach for predicting resource usage by combining decomposition techniques with NFTS network", CLUSTER COMPUTING, pages 3435 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762932A (zh) * | 2021-09-14 | 2021-12-07 | 南京林洋电力科技有限公司 | 一种基于模糊算法的组态化app自动管理方法 |
CN113762932B (zh) * | 2021-09-14 | 2024-04-12 | 南京林洋电力科技有限公司 | 一种基于模糊算法的组态化app自动管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3340129B1 (en) | Artificial neural network class-based pruning | |
Ma et al. | Facial expression recognition using constructive feedforward neural networks | |
Zayegh et al. | Neural network principles and applications | |
Chen et al. | Time-series forecasting using a system of ordinary differential equations | |
CN109934375B (zh) | 一种电力负荷预测方法 | |
CN106933649B (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及系统 | |
CN111768795A (zh) | 语音信号的噪声抑制方法、装置、设备及存储介质 | |
CN109740057B (zh) | 一种基于知识萃取的增强神经网络及信息推荐方法 | |
Liu et al. | Ensemble learning | |
CN113435509A (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
CN115731396A (zh) | 一种基于贝叶斯变分推断的持续学习方法 | |
CN115238749A (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
CN114897144A (zh) | 基于复值神经网络的复值时序信号预测方法 | |
Jia et al. | Federated domain adaptation for asr with full self-supervision | |
CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
JP2021021978A (ja) | 情報処理装置及びプログラム | |
Pandhiani et al. | Time series forecasting by using hybrid models for monthly streamflow data | |
Huang et al. | Flow of renyi information in deep neural networks | |
CN110866609A (zh) | 解释信息获取方法、装置、服务器和存储介质 | |
Wang et al. | A hybrid short-term traffic flow forecasting method based on EMDW-LSSVM | |
CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
Ma et al. | Improving forecasting accuracy of annual runoff time series using RBFN based on EEMD decomposition | |
CN114611673A (zh) | 神经网络压缩方法、装置、设备及可读存储介质 | |
CN113158134A (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
Su et al. | Neural network based fusion of global and local information in predicting time series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |