CN114221877A - 负载预测方法、装置、设备和计算机可读介质 - Google Patents
负载预测方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114221877A CN114221877A CN202111530284.1A CN202111530284A CN114221877A CN 114221877 A CN114221877 A CN 114221877A CN 202111530284 A CN202111530284 A CN 202111530284A CN 114221877 A CN114221877 A CN 114221877A
- Authority
- CN
- China
- Prior art keywords
- load
- time sequence
- model
- prediction
- load time
- 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 74
- 238000013179 statistical model Methods 0.000 claims abstract description 57
- 230000003068 static effect Effects 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 44
- 238000000354 decomposition reaction Methods 0.000 claims description 38
- 238000013139 quantization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000001583 randomness test Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 7
- 238000011524 similarity measure Methods 0.000 description 7
- 102100029768 Histone-lysine N-methyltransferase SETD1A Human genes 0.000 description 4
- 101000865038 Homo sapiens Histone-lysine N-methyltransferase SETD1A Proteins 0.000 description 4
- 101150117538 Set2 gene Proteins 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负载预测方法、装置、设备和计算机可读介质，属于负载预测领域，解决负载预测精度低的问题；该方法包括：采集云计算数据中心的负载信息，得到负载时间序列的实际值；利用预先构建的静态统计模型生成负载时间序列的线性预测值，根据负载时间序列的实际值和线性预测值，确定负载时间序列的残差；根据负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练和性能评估，根据性能评估结果选取出混合预测模型；使用静态统计模型和混合预测模型，确定负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，结合线性预测结果和非线性预测结果，得到负载时间序列的预测结果；根据该方法可以提高负载预测精度。
Description
技术领域
本发明涉及负载预测技术领域，具体涉及一种负载预测方法、装置、设备和计算机可读介质。
背景技术
目前云计算技术应用广泛，云计算数据中心的资源负载变化也呈现出越来越复杂的特征。大数据时代下的无服务器(Severless)软件构架可根据负载情况进行弹性资源调整，提升数据中心的效率，而负载预测又是其中关键环节。
由于数据中心负载序列具有随机波动、复杂的非线性和很高的自相关性等特性，因此，负载时间序列在采集时难免会产生随机误差影响预测结果，负载预测精度低。
发明内容
为此，本发明提供一种负载预测方法、装置、设备和计算机可读介质，以解决相关技术中由于数据中心负载序列具有随机波动、复杂的非线性和很高的自相关性等特性而导致的负载预测精度低的问题。
为了实现上述目的，本发明第一方面提供一种负载预测方法，该方法包括：以预定时间间隔采集云计算数据中心的负载信息，得到所述负载信息中的负载时间序列的实际值；利用预先构建的静态统计模型生成所述负载时间序列的线性预测值，并根据所述负载时间序列的实际值和所述线性预测值，确定所述负载时间序列的残差；根据所述负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型；使用所述静态统计模型和所述混合预测模型，确定所述负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，结合所述线性预测结果和所述非线性预测结果，得到所述负载时间序列的预测结果。
其中，所述负载时间序列为去噪后的负载时间序列；在所述利用预先构建的静态统计模型生成所述负载时间序列的线性预测值之前，所述方法还包括：将所述负载时间序列变换为小波域的负载序列函数，根据去噪效果选取小波基和小波分解的层数，以将小波域的所述负载序列函数进行小波分解；对小波分解的高频系数进行阈值量化；其中，在所述阈值量化过程中，所使用的阈值函数中的阈值是根据最小最大估计获得的阈值；利用所述小波分解的各层系数对所述负载序列函数进行重构，以去除所述负载序列函数的分解向量，得到去噪后的负载时间序列。
其中，所述静态统计模型为差分自回归移动平均ARIMA模型；在所述利用预先构建的静态统计模型生成所述负载时间序列的线性预测值之前，该方法还包括：获取云计算数据中心的历史负载信息，得到所述历史负载信息中的历史负载时间序列；对所述历史负载时间序列进行平稳化检验，在所述历史负载时间序列未通过平稳化检验的情况下，对所述历史负载时间序列进行差分处理，以得到所述历史负载时间序列的平稳时间序列；对所述平稳时间序列进行纯随机性检验，以确定所述平稳时间序列能够用模型描述且具有分析价值；计算所述平稳时间序列的自相关系数和偏自相关系数，通过分析所述自相关系数和所述偏自相关系数，确定所述ARIMA模型的阶层参数和阶数参数，以构建得到所述ARIMA模型。
其中，根据所述负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型，包括：从所述负载时间序列的残差中，分别获取残差数据集合作为训练样本集和验证样本集；使用所述训练样本集，对机器学习模型库中预定数量的模型进行训练，得到预定数量的基础预测模型；创建能力区域的样本集合；其中，所述能力区域的样本集合中包括：从所述训练样本集中选择的K个与所述验证样本集中的样本实例相似度最高的样本实例，其中，K为大于或等于1的整数；针对每个所述基础预测模型，计算所述K个样本实例的预定回归评价指标的指标值，以对每个所述基础预测模型的性能进行评估；从计算得到的指标值中选择具有最小指标值的样本实例，将所述最小指标值的样本实例所属的基础预测模型作为所述混合预测模型。
其中，所述使用所述静态统计模型和所述混合预测模型，确定所述负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，包括：根据所述静态统计模型，对所述负载时间序列在下一时刻的取值进行预测；计算预测的所述下一时刻的取值与所述负载时间序列在所述下一时刻的真实值的差值，得到所述静态统计模型在下一时刻的所述负载时间序列的残差，作为参考残差；根据所述混合预测模型，对所述负载时间序列在未来指定数量的时间窗口的取值进行预测，并对预测得到的未来每个所述时间窗口的取值与所述参考残差的相似度进行计算；根据相似度最高的取值所对应的时间窗口，确定对应的未来指定时刻；将所述静态统计模型和所述混合预测模型在所述未来指定时刻的预测值，作为所述负载时间序列在所述未来指定时刻的线性预测结果和非线性预测结果。
其中，所述结合所述线性预测结果和所述非线性预测结果，得到所述负载时间序列的预测结果，包括：计算所述混合预测模型在下一时刻的所述负载时间序列的残差作为所述混合预测模型的预测误差；若所述参考残差小于或等于所述混合预测模型的预测误差，则将所述负载时间序列在所述未来指定时刻的线性预测结果作为所述负载时间序列的预测结果；若参考残差大于所述混合预测模型的预测误差，则将所述线性预测结果和所述非线性预测结果相加，得到所述负载时间序列的预测结果。
本发明第二方面提供一种负载预测装置，该装置包括：数据采集模块，用于以预定时间间隔采集云计算数据中心的负载信息，得到所述负载信息中的负载时间序列的实际值；残差确定模块，用于利用预先构建的静态统计模型生成所述负载时间序列的线性预测值，并根据所述负载时间序列的实际值和所述线性预测值，确定所述负载时间序列的残差；模型选取模块，用于根据所述负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型；结果确定模块，用于使用所述静态统计模型和所述混合预测模型，确定所述负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，结合所述线性预测结果和所述非线性预测结果，得到所述负载时间序列的预测结果。
其中，所述负载时间序列为去噪后的负载时间序列；所述装置还包括：小波分解模块，用于将所述负载时间序列变换为小波域的负载序列函数，根据去噪效果选取小波基和小波分解的层数，以将小波域的所述负载序列函数进行小波分解；阈值量化模块，用于对小波分解的高频系数进行阈值量化；其中，在所述阈值量化过程中，所使用的阈值函数中的阈值是根据最小最大估计获得的阈值；小波重构模块，用于利用所述小波分解的各层系数对所述负载序列函数进行重构，以去除所述负载序列函数的分解向量，得到去噪后的负载时间序列。
本发明第三方面提供一种电子设备，包括一个或多个处理器；存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的任意一项所述的方法；
一个或多个I/O接口，连接在所述处理器与存储器之间，配置为实现所述处理器与存储器的信息交互。
本发明第四方面提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任意一项所述的负载预测方法。
本发明具有如下优点：可以根据静态统计模型和混合预测模型来更完整地描述负载时间序列的线性特征和非线性特征，其中，通过静态统计模型描述负载序列的线性特征，并利用残差建模从机器学习模型库中动态选择机器学习模型来提高预测准确性和预测能力。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明一实施例提供的负载预测方法的流程图；
图2为本发明另一实施例提供的负载预测方法的流程图；
图3为本发明实施例提供的负载预测装置的结构示意图；
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如本发明所使用的，术语“和/或”包括一个或多个相关列举条目的任何和全部组合。
本发明所使用的术语仅用于描述特定实施例，且不意欲限制本发明。如本发明所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。
当本发明中使用术语“包括”和/或“由……制成”时，指定存在特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
本发明实施例可借助本发明的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。
除非另外限定，否则本发明所用的全部术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本发明的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本发明明确如此限定。
在相关技术中，针对数据中心的负载预测的方法主要有三种：一种是使用统计学的方法使用单一统计学模型方式预测负载；另一种是使用机器学习的方法来预测未来某一时刻的负载情况；再一种是使用统计学和机器学习的方法来构建预测模型。其中，单一预测模型是使用统计数学模型根据历史数据建模来预测未来值；机器学习的方法是使用历史数据训练预测函数，利用损失函数提梯度下降来模拟时间序列；组合预测是将预测侧重点不同的模型组合起来以便更完整的描述时间序列。
在实际应用中，单一预测模型不能预测负载时间序列的所有特征；而机器学习的方法在这些体系结构中选择、规范和训练一个机器学习模型来预测残差是一项代价高而具有挑战性的任务，因不合适、过度拟合和错误规范等问题会导致系统精度低，甚至会恶化时间序列的线性预测；混合预测是将统计和机器学习技术结合起来，利用残差预测建模的方法实现预测不同特征时间序列的准确性和能力，但机器学习模型选择的不确定性，很大程度上影响力预测的准确性。
第一方面，本发明实施例提供一种负载预测方法。
图1是示出根据本发明实施例的负载预测方法的流程图。如图1所示，本发明实施例中的负载预测方法包括以下步骤。
S110，以预定时间间隔采集云计算数据中心的负载信息，得到负载信息中的负载时间序列的实际值。
S120，利用预先构建的静态统计模型生成负载时间序列的线性预测值，并根据负载时间序列的实际值和线性预测值，确定负载时间序列的残差。
S130，根据负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型。
S140，使用静态统计模型和混合预测模型，确定负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，结合线性预测结果和非线性预测结果，得到负载时间序列的预测结果。
根据本发明实施例的负载预测方法，可以根据静态统计模型和混合预测模型来更完整地描述负载时间序列的线性特征和非线性特征，其中，通过静态统计模型描述负载序列的线性特征，并利用残差建模从机器学习模型库中动态选择机器学习模型来提高预测准确性和预测能力。
在一些实施例中，负载时间序列为去噪后的负载时间序列；在步骤S120中利用预先构建的静态统计模型生成负载时间序列的线性预测值的步骤之前，该负载预测方法还包括如下步骤。
S11，将负载时间序列变换为小波域的负载序列函数，根据去噪效果选取小波基和小波分解的层数，以将小波域的负载序列函数进行小波分解。
在该步骤中，根据得到的负载时间序列的实际情况，选择具有良好的频域分辨率和对称性的小波基，并确定小波分解层数。当使用不同的小波基和不同的分解层时，可以通过均方根误差(Root Mean Square Error，RMSE)和信噪比(Signal Noise Ratio，SNR)来比较去噪效果，并根据去噪效果来确定最佳的小波基和分解层。
在一些实施例中，负载时间序列可以表示为如下一阶函数的表达式(1)：
在上述表达式(1)中，x表示负载时间序列中的原始信号，fj(x)为负载时间序列的一阶函数，且fj(x)是通过近似原信号的阶梯函数表示的采样后的信号，也可以称为第j级阶梯函数；a为阶跃信号，用阶跃信号可以简化对复杂信号的特性研究，
为小波标准正交基，
表示父小波，k∈z，z为整数，可以根据实际需要在预定范围内进行取值。
将上述表达式(1)中的fj分解为如下由f0和wl构成的表达式(2)：
fj＝f0+w1+w2+…+wj-1＝wj-1+fj-1 (2)
在上述表达式(2)中，wl表示宽为1/2l+1的尖峰，wl中的l取值范围为1到无限大，例如当l取值为1时，wl即上述表达式(2)中的w1；当wl足够窄，即l足够大时fj可以表示噪声。
S12，对小波分解的高频系数进行阈值量化；其中，在阈值量化过程中，所使用的阈值函数中的阈值是根据最小最大估计获得的阈值。
在该步骤中，对小波分解高频系数的阈值量化；对于步骤S11中得到的系数，根据阈值函数的要求对不同情况进行不同对待，阈值函数可以表示为如下的表达式(3)：
在上述表达式(3)中，T1和T2为预设阈值，w为小波系数。
因为去除噪声时，阈值过大会导致失真，阈值过小时噪声不易去除；所以本发明实施例中可以使用最小最大估计得出的最优阈值，例如可以表示为下述表达式(4)：
在上述表达式(4)中，σn是噪声的标准方差，N是信号长度；σn可以通过分解高频系数的绝对中值来估计。
S13，利用小波分解的各层系数对负载序列函数进行重构，以去除负载序列函数的分解向量，得到去噪后的负载时间序列。
在该步骤中，小波重构是为了去除负载序列函数的分解向量wj，并且将过滤噪声后的信号重建，得到去噪后的云数据中心负载函数，该去噪后的云数据中心负载函数可以表示为下述表达式(5)：
上述表达式(5)与上述表达式(1)中相同的符号表示相同的含义，在此不再赘述。
通过上述步骤S11-S13，为了降低负载时间序列中的随机扰动，使用小波阈值去噪的方法将从云计算数据中心收集到的负载时间序列进行降噪处理，以对负载时间序列进行预处理，得到预处理后的负载时间序列。
在一些实施例中，静态统计模型为差分自回归移动平均ARIMA模型。ARIMA模型的基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列
在该实施例中，在步骤S110之后和步骤S120之前，该负载预测方法还包括如下步骤。
S21，获取云计算数据中心的历史负载信息，得到历史负载信息中的历史负载时间序列。
在该步骤中，历史负载信息可以是当前时刻之前预定时长范围内的历史负载信息。例如，该当前时刻之前预定时长范围内可以是当前时刻之前15天、30天、1个月、2个月、3个月之内的历史负载信息；具体可以根据实际需要进行设定。在一些实施例中，该当前时刻之前预定时长范围内可以早于以预定时间间隔采集云计算数据中心的负载信息的时刻之前，以用于预先得到该ARIMA模型。
S22，对历史负载时间序列进行平稳化检验，在历史负载时间序列未通过平稳化检验的情况下，对历史负载时间序列进行差分处理，以得到历史负载时间序列的平稳时间序列。
在该步骤中，由于ARIMA模型要求数据为平稳型，所以要对序列进行平稳化检验，对历史负载时间序列进行平稳性检验，若通过该检验，则执行步骤S23，若序列不平稳则进行差分处理，直到差分后的序列通过平稳性检验，获得平稳序列。
S23，对平稳时间序列进行纯随机性检验，以确定平稳时间序列中包含的能够用模型描述且具有分析价值。
在该步骤中，可以对平稳序列或者处理后得到的平稳序列进行纯随机性检验，检查其是否有分析的价值，若该平稳序列为纯随机性序列，则判定具有分析价值并执行后续步骤；否则，结束流程，并可以重新获取新的历史负载时间序列进行ARIMA模型的建立。对于纯随机性序列，一般可以通过构建统计量的方法来检验。统计量选择可以根据实际需要进行选择，本发明实施例不做具体限定。
S24，计算平稳时间序列的自相关系数和偏自相关系数，通过分析自相关系数和偏自相关系数，确定ARIMA模型的阶层参数和阶数参数，以构建得到ARIMA模型。
在该步骤中，可以计算差分后的序列的自相关系数(Autocorrelationcoefficient，ACF)和偏自相关系数(partial autocorrelation，PACF)来确定ARIMA模型的参数，即自回归的阶数p和移动平均阶数q。
通过上述步骤S21-S23，得到根据云计算数据中心的历史负载信息构建的ARIMA模型。
在一些实施例中，步骤S130具体可以包括如下步骤。
S31，从负载时间序列的残差中，分别获取残差数据集合作为训练样本集和验证样本集。
在该步骤中，使用ARIMA模型预测得到的值与实际值做差，得到负载时间序列的残差，并将残差分为两个集合分别为集合Set1和集合Set2，并将Set1中的负载时间序列作为训练样本集，将Set2中的负载时间序列作为验证样本集。
S32，使用训练样本集，对机器学习模型库中预定数量的模型进行训练，得到预定数量的基础预测模型。
在该步骤中，使用Set1和Set2来训练机器学习(Machine learning，ML)模型库中的模型，并将训练得到的模型作为用于残差建模的基础预测器。示例性地，ML模型库中的模型至少可以包括如下ML模型中的至少两种：多层感知机(Multi layer perceptron，MLP)，支持向量回归(Support Vector Regression，SVR)模型，核函数(Radial Basis Function，RBF)，RBF也称为高斯核函数，长短期记忆模型(Long Short-Term Memory，LSTM)和卷积神经网络模型(Convolutional Neural Networks)；其中LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
S33，创建能力区域的样本集合；其中，能力区域的样本集合中包括：从训练样本集中选择的K个与验证样本集中的样本实例相似度最高的样本实例，其中，K为大于或等于1的整数。
在该步骤中，能力区域例如可以表示为Ct；将负载时间序列中的每个取值作为一个实例，则能力区域Ct中的每个输入实例是从Set1中获取的与Set2中的每个输入实例的相似度度量(Similarity Measure，SM)值中，选择的K个最相似的实例。
S34，针对每个基础预测模型，计算K个样本实例的预定回归评价指标的指标值，以对每个基础预测模型的性能进行评估。
在该步骤中，该指标值可以是均方误差(Mean Square Error，MSE)、均方根误差(Root Mean Square Error，RMSE)和平均绝对误差(Mean Absolute Error，MAE)中的任一种；具体可以根据实际需要进行选择，本发明实施例不做具体限定。
S35，从计算得到的指标值中选择具有最小指标值的样本实例，将最小指标值的样本实例所属的基础预测模型作为混合预测模型。
在该步骤中，可以将能力区域中的该K个最相似的实例中的每个实例作为候选示例，计算每个候选实例的均方误差来作为评价模型库的性能值，从所有候选实例中选择具有最小MSE的实例所对应的机器学习模型作为混合预测模型。
通过上述步骤S31-S35，根据负载时间序列的残差对机器学习模型库中预定数量的模型进行训练，并确定训练得到的机器模型的合适程度以及决定最适合预测残差序列的机器学习模型作为混合预测模型。
在一些实施例中，S140中使用静态统计模型和混合预测模型，确定负载时间序列在未来指定时刻的线性预测结果和非线性预测结果的步骤，具体可以包括如下步骤。
S41，根据静态统计模型，对负载时间序列在下一时刻的取值进行预测。
S42，计算预测的下一时刻的取值与负载时间序列在下一时刻的真实值的差值，得到静态统计模型在下一时刻的负载时间序列的残差，作为参考残差。
S43，根据混合预测模型，对负载时间序列在未来指定数量的时间窗口的取值进行预测，并对预测得到的未来每个时间窗口的取值与参考残差的相似度进行计算。
在该步骤中，对预测得到的未来每个时间窗口的取值与参考残差进行相似度度量(Similarity Measure，SM)，得到未来指定数量的每个时间窗口对应的相似性度量值。
S44，根据相似度最高的取值所对应的时间窗口，确定对应的未来指定时刻。
在该步骤中，计算与静态统计模型在下一时刻的负载时间序列的残差最相似的时间窗口，例如选出均方误差最小的[K，SM]对，其中K表示最小MSE的时间窗，SM为该时间窗对应的最小均方误差的取值。
在一些实施例中，该最相似的时间窗口还可以通过RMSE或MAE等方式来计算，具体可以根据实际需要进行选择，本发明实施例不做具体限定。
S45，将静态统计模型和混合预测模型在未来指定时刻的预测值，作为负载时间序列在未来指定时刻的线性预测结果和非线性预测结果。
通过上述步骤S41-S45，由于通常情况下，残差是实际观察值与预测值(或拟合值)之间的差值，例如上一时刻的实际观察值与上一时刻的预测值之间的差值，因此具有滞后性。考虑到残差具有滞后性，计算与静态统计模型在下一时刻的负载时间序列的残差最相似的时间窗口，从而确定要预测的未来指定时刻，并分别获得静态统计模型和混合预测模型在该未来指定时刻的预测值。
在一些实施例中，步骤S140中结合线性预测结果和非线性预测结果，得到负载时间序列的预测结果的步骤，具体可以包括如下步骤。
S51，计算混合预测模型在下一时刻的负载时间序列的残差作为混合预测模型的预测误差。
在该步骤中，若当前时刻为t，使用混合预测模型预测下一时刻的负载时间序列的值可以表示为Ft+1。
S52，若参考残差小于或等于混合预测模型的预测误差，则将负载时间序列在未来指定时刻的线性预测结果作为负载时间序列的预测结果。
S53，若参考残差大于混合预测模型的预测误差，则将线性预测结果和非线性预测结果相加，得到负载时间序列的预测结果。
通过上述步骤S51-S53，通过比较静态统计模型的线性预测和混合预测模型的预测误差，如果线性预测的准确度高于混合模型预测的准确度，则预测值使用静态统计模型的预测值；否则使用静态统计模型和混合预测模型的非加权和作为预测结果。
根据本发明实施例的负载预测方法，考虑到负载信息中的负载时间序列中存在部分数据会影响预测结果的准确性，为提高预测效果，可以使用小波去噪的方法处理采集得到的数据，并使用改进阈值的方法来提高去噪效果；并对残差进行适当建模，使用上述实施例描述的动态选择算法来从机器学习库中选择合适的模型和合适的预测时间窗口，来提高组合预测模型的准确性。
图2示出本发明示例性实施例的负载预测方法的流程图。如图2所示，在一些实施例中，负载预测方法包括如下步骤。
S201，采集负载时间序列。
在该步骤中，获取云计算数据中心各资源历史数据，从各资源历史数据采集云计算数据中心的负载信息。考虑到在实际工作中，服务器从构建到部署完成需要3-5分钟(min)。因此在采集数据时，以5min为时间间隔收集云数据中心负载信息，得到的负载时间序列可表示为Sr＝{S1，S2，S3，...，Sn}，n为大于或等于1的整数，其中代表真实数据。
S202，通过小波去噪对负载时间序列进行预处理。
在该步骤中，为了降低负载时间序列中的随机扰动，使用基于Harr小波的阈值去噪方法，得到预处理后的时间负载序列。其中，Haar小波是多贝西(Daubechies)小波家族中最简单的一种，也称为1阶Daubechies小波，Haar小波也是唯一不连续的Daubechies小波。
S203，构建静态统计模型和构建混合预测模型。
在该步骤中，可以通过上述实施例中结合步骤S21-S23描述的ARIMA模型构建过程，得到根据云计算数据中心的历史负载信息构建的ARIMA模型；以及，为了选择最合适的机器学习模型，机器学习模型库中可以包括5种机器学习模型，通过上述实施例中步骤S31-S35，对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型。
S204，输出预测结果。
在该步骤中，使用静态统计模型生成负载时间序列的线性预测，使用从机器学习模型模库中选择最合适的模型作为混合预测模型进行非线性预测，最后合并线性预测结果和非线性预测结果例如预测的残差结果，得到负载时间序列的最终预测结果。
在本发明实施例中，针对单一预测模型预测存在一定的局限性，预测精度不高和采集到的资源负载序列不可避免地会存在一些随机扰动误差，提出了一种云计算数据中心自适应负载预测方法，首先用小波去噪方法将云计算数据中心收集到的负载时间序列采用小波阈值去噪方法进行降噪处理，然后利用残差建模(误差预测)得到统计和机器学习技术相结合的混合预测模型，从而利用残差建模动态选择机器学习模型提高预测准确性；根据本发明实施例的负载预测方法，通过静态统计模型(也可以称为是线性预测模型)描述负载序列线性特征，通过混合预测模型来更完整的描述序列非线性特征，提高预测准确性。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
第二方面，本发明实施例提供一种负载预测装置。
图3示出了根据本发明一实施例提供的负载预测装置的结构示意图。如图3所示，负载预测装置300包括如下模块。
数据采集模块310，用于以预定时间间隔采集云计算数据中心的负载信息，得到负载信息中的负载时间序列的实际值。
残差确定模块320，用于利用预先构建的静态统计模型生成负载时间序列的线性预测值，并根据负载时间序列的实际值和线性预测值，确定负载时间序列的残差。
模型选取模块330，用于根据负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型。
结果确定模块340，用于使用静态统计模型和混合预测模型，确定负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，结合线性预测结果和非线性预测结果，得到负载时间序列的预测结果。
在一些实施例中，负载时间序列为去噪后的负载时间序列；负载预测装置300还包括如下模块。
小波分解模块，用于在利用预先构建的静态统计模型生成负载时间序列的线性预测值之前，将负载时间序列变换为小波域的负载序列函数，根据去噪效果选取小波基和小波分解的层数，以将小波域的负载序列函数进行小波分解。
阈值量化模块，用于对小波分解的高频系数进行阈值量化；其中，在阈值量化过程中，所使用的阈值函数中的阈值是根据最小最大估计获得的阈值。
小波重构模块，用于利用小波分解的各层系数对负载序列函数进行重构，以去除负载序列函数的分解向量，得到去噪后的负载时间序列。
在一些实施例中，静态统计模型为差分自回归移动平均ARIMA模型；负载预测装置300还包括如下模块。
历史数据获取模块，用于在利用预先构建的静态统计模型生成负载时间序列的线性预测值之前，获取云计算数据中心的历史负载信息，得到历史负载信息中的历史负载时间序列。
平稳序列确定模块，用于对历史负载时间序列进行平稳化检验，在历史负载时间序列未通过平稳化检验的情况下，对历史负载时间序列进行差分处理，以得到历史负载时间序列的平稳时间序列。
随机性检验模块，用于对平稳时间序列进行纯随机性检验，以确定平稳时间序列中包含的能够用模型描述且具有分析价值。
参数确定模块，用于计算平稳时间序列的自相关系数和偏自相关系数，通过分析自相关系数和偏自相关系数，确定ARIMA模型的阶层参数和阶数参数，以构建得到ARIMA模型。
在一些实施例中，模型选取模块330具体可以包括如下单元：样本获取单元，用于从负载时间序列的残差中，分别获取残差数据集合作为训练样本集和验证样本集；模型训练单元，用于使用训练样本集，对机器学习模型库中预定数量的模型进行训练，得到预定数量的基础预测模型；能力区域创建单元，用于创建能力区域的样本集合；其中，能力区域的样本集合中包括：从训练样本集中选择的K个与验证样本集中的样本实例相似度最高的样本实例，其中，K为大于或等于1的整数；模型评估单元，用于针对每个基础预测模型，计算K个样本实例的预定回归评价指标的指标值，以对每个基础预测模型的性能进行评估；模型选择单元，用于从计算得到的指标值中选择具有最小指标值的样本实例，将最小指标值的样本实例所属的基础预测模型作为混合预测模型。
在一些实施例中，结果确定模块340在用于使用静态统计模型和混合预测模型，确定负载时间序列在未来指定时刻的线性预测结果和非线性预测结果时，具体可以包括：下一时刻取值预测单元，用于根据静态统计模型，对负载时间序列在下一时刻的取值进行预测；参考残差计算单元，用于计算预测的下一时刻的取值与负载时间序列在下一时刻的真实值的差值，得到静态统计模型在下一时刻的负载时间序列的残差，作为参考残差；相似度计算单元，用于根据混合预测模型，对负载时间序列在未来指定数量的时间窗口的取值进行预测，并对预测得到的未来每个时间窗口的取值与参考残差的相似度进行计算；时间窗口确定单元，用于根据相似度最高的取值所对应的时间窗口，确定对应的未来指定时刻；未来时刻结果预测单元，用于将静态统计模型和混合预测模型在未来指定时刻的预测值，作为负载时间序列在未来指定时刻的线性预测结果和非线性预测结果。
在一些实施例中，结果确定模块340在用于结合线性预测结果和非线性预测结果，得到负载时间序列的预测结果时，具体可以用于：计算混合预测模型在下一时刻的负载时间序列的残差作为混合预测模型的预测误差；若参考残差小于或等于混合预测模型的预测误差，则将负载时间序列在未来指定时刻的线性预测结果作为负载时间序列的预测结果；若参考残差大于混合预测模型的预测误差，则将线性预测结果和非线性预测结果相加，得到负载时间序列的预测结果。
根据本发明实施例的负载预测装置，根据静态统计模型和混合预测模型来更完整地描述负载时间序列的线性特征和非线性特征，其中，通过静态统计模型描述负载序列的线性特征，并利用残差建模从机器学习模型库中动态选择机器学习模型来提高预测准确性和预测能力。
需要明确的是，本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁，这里省略了对已知方法的详细描述，并且上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
参照图4，本发明实施例提供一种电子设备，其包括：
一个或多个处理器401；存储器402，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述任意一项的方法；
一个或多个I/O接口403，连接在处理器401与存储器402之间，配置为实现处理器与存储器的信息交互。
其中，处理器401为具有数据处理能力的器件，其包括但不限于中央处理器(CPU)等；存储器402为具有数据存储能力的器件，其包括但不限于随机存取存储器(RAM，更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)；I/O接口(读写接口)403连接在处理器401与存储器402间，能实现处理器401与存储器402的信息交互，其包括但不限于数据总线(Bus)等。
在一些实施例中，处理器401、存储器402和I/O接口403通过总线相互连接，进而与计算设备的其它组件连接。
本实施例还提供一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现本实施例提供的负载预测方法，为避免重复描述，在此不再赘述本实施例的负载预测方法的具体步骤。
本领域普通技术人员可以理解，上文中所发明方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本实施例的范围之内并且形成不同的实施例。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种负载预测方法，其特征在于，所述方法包括：
以预定时间间隔采集云计算数据中心的负载信息，得到所述负载信息中的负载时间序列的实际值；
利用预先构建的静态统计模型生成所述负载时间序列的线性预测值，并根据所述负载时间序列的实际值和所述线性预测值，确定所述负载时间序列的残差；
根据所述负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型；
使用所述静态统计模型和所述混合预测模型，确定所述负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，结合所述线性预测结果和所述非线性预测结果，得到所述负载时间序列的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述负载时间序列为去噪后的负载时间序列；在所述利用预先构建的静态统计模型生成所述负载时间序列的线性预测值之前，所述方法还包括：
将所述负载时间序列变换为小波域的负载序列函数，根据去噪效果选取小波基和小波分解的层数，以将小波域的所述负载序列函数变换进行小波分解；
对小波分解的高频系数进行阈值量化；其中，在所述阈值量化过程中，所使用的阈值函数中的阈值是根据最小最大估计获得的阈值；
利用所述小波分解的各层系数对所述负载序列函数进行重构，以去除所述负载序列函数的分解向量，得到去噪后的负载时间序列。
3.根据权利要求1所述的方法，其特征在于，所述静态统计模型为差分自回归移动平均ARIMA模型；在所述利用预先构建的静态统计模型生成所述负载时间序列的线性预测值之前，所述方法还包括：
获取云计算数据中心的历史负载信息，得到所述历史负载信息中的历史负载时间序列；
对所述历史负载时间序列进行平稳化检验，在所述历史负载时间序列未通过平稳化检验的情况下，对所述历史负载时间序列进行差分处理，以得到所述历史负载时间序列的平稳时间序列；
对所述平稳时间序列进行纯随机性检验，以确定所述平稳时间序列能够用模型描述且具有分析价值；
计算所述平稳时间序列的自相关系数和偏自相关系数，通过分析所述自相关系数和所述偏自相关系数，确定所述ARIMA模型的阶层参数和阶数参数，以构建得到所述ARIMA模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型，包括：
从所述负载时间序列的残差中，分别获取残差数据集合作为训练样本集和验证样本集；
使用所述训练样本集，对机器学习模型库中预定数量的模型进行训练，得到预定数量的基础预测模型；
创建能力区域的样本集合；其中，所述能力区域的样本集合中包括：从所述训练样本集中选择的K个与所述验证样本集中的样本实例相似度最高的样本实例，其中，K为大于或等于1的整数；
针对每个所述基础预测模型，计算所述K个样本实例的预定回归评价指标的指标值，以对每个所述基础预测模型的性能进行评估；
从计算得到的指标值中选择具有最小指标值的样本实例，将所述最小指标值的样本实例所属的基础预测模型作为所述混合预测模型。
5.根据权利要求1所述的方法，其特征在于，所述使用所述静态统计模型和所述混合预测模型，确定所述负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，包括：
根据所述静态统计模型，对所述负载时间序列在下一时刻的取值进行预测；
计算预测的所述下一时刻的取值与所述负载时间序列在所述下一时刻的真实值的差值，得到所述静态统计模型在下一时刻的所述负载时间序列的残差，作为参考残差；
根据所述混合预测模型，对所述负载时间序列在未来指定数量的时间窗口的取值进行预测，并对预测得到的未来每个所述时间窗口的取值与所述参考残差的相似度进行计算；
根据相似度最高的取值所对应的时间窗口，确定对应的未来指定时刻；
将所述静态统计模型和所述混合预测模型在所述未来指定时刻的预测值，作为所述负载时间序列在所述未来指定时刻的线性预测结果和非线性预测结果。
6.根据权利要求5所述的方法，其特征在于，所述结合所述线性预测结果和所述非线性预测结果，得到所述负载时间序列的预测结果，包括：
计算所述混合预测模型在下一时刻的所述负载时间序列的残差作为所述混合预测模型的预测误差；
若所述参考残差小于或等于所述混合预测模型的预测误差，则将所述负载时间序列在所述未来指定时刻的线性预测结果作为所述负载时间序列的预测结果；
若参考残差大于所述混合预测模型的预测误差，则将所述线性预测结果和所述非线性预测结果相加，得到所述负载时间序列的预测结果。
7.一种负载预测装置，其特征在于，所述装置包括：
数据采集模块，用于以预定时间间隔采集云计算数据中心的负载信息，得到所述负载信息中的负载时间序列的实际值；
残差确定模块，用于利用预先构建的静态统计模型生成所述负载时间序列的线性预测值，并根据所述负载时间序列的实际值和所述线性预测值，确定所述负载时间序列的残差；
模型选取模块，用于根据所述负载时间序列的残差，对机器学习模型库中预定数量的模型进行训练，并对训练后的每个模型的性能进行评估，根据性能评估结果选取一个训练后的模型作为混合预测模型；
结果确定模块，用于使用所述静态统计模型和所述混合预测模型，确定所述负载时间序列在未来指定时刻的线性预测结果和非线性预测结果，结合所述线性预测结果和所述非线性预测结果，得到所述负载时间序列的预测结果。
8.根据权利要求7所述的装置，其特征在于，所述负载时间序列为去噪后的负载时间序列；所述装置还包括：
小波分解模块，用于将所述负载时间序列变换为小波域的负载序列函数，根据去噪效果选取小波基和小波分解的层数，以将小波域的所述负载序列函数进行小波分解；
阈值量化模块，用于对小波分解的高频系数进行阈值量化；其中，在所述阈值量化过程中，所使用的阈值函数中的阈值是根据最小最大估计获得的阈值；
小波重构模块，用于利用所述小波分解的各层系数对所述负载序列函数进行重构，以去除所述负载序列函数的分解向量，得到去噪后的负载时间序列。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1-6中任意一项所述的方法；
一个或多个I/O接口，连接在所述处理器与存储器之间，配置为实现所述处理器与存储器的信息交互。
10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1-6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111530284.1A CN114221877A (zh) | 2021-12-14 | 2021-12-14 | 负载预测方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111530284.1A CN114221877A (zh) | 2021-12-14 | 2021-12-14 | 负载预测方法、装置、设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114221877A true CN114221877A (zh) | 2022-03-22 |
Family
ID=80701974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111530284.1A Pending CN114221877A (zh) | 2021-12-14 | 2021-12-14 | 负载预测方法、装置、设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114221877A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116909754A (zh) * | 2023-09-13 | 2023-10-20 | 人工智能与数字经济广东省实验室(广州) | 基于组合模型的移动终端cpu短期负载预测方法及相关设备 |
| CN117390465A (zh) * | 2023-12-11 | 2024-01-12 | 天津南大通用数据技术股份有限公司 | 一种工作负载预测方法 |
| CN117872725A (zh) * | 2024-03-11 | 2024-04-12 | 天津瀚福精密液压技术有限公司 | 一种液压数据控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636443A (zh) * | 2018-11-17 | 2019-04-16 | 南京中数媒介研究有限公司 | 客户流失预测的深度学习方法及装置 |
| CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
| CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN112633556A (zh) * | 2020-12-01 | 2021-04-09 | 东莞理工学院 | 一种基于混合模型的短期电力负荷预测方法 |
| CN112784778A (zh) * | 2021-01-28 | 2021-05-11 | 北京百度网讯科技有限公司 | 生成模型并识别年龄和性别的方法、装置、设备和介质 |
| CN113378661A (zh) * | 2021-05-25 | 2021-09-10 | 浙江工业大学 | 一种基于改进小波阈值和相关检测的直流电能信号去噪方法 |
-
2021
- 2021-12-14 CN CN202111530284.1A patent/CN114221877A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636443A (zh) * | 2018-11-17 | 2019-04-16 | 南京中数媒介研究有限公司 | 客户流失预测的深度学习方法及装置 |
| CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
| CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN112633556A (zh) * | 2020-12-01 | 2021-04-09 | 东莞理工学院 | 一种基于混合模型的短期电力负荷预测方法 |
| CN112784778A (zh) * | 2021-01-28 | 2021-05-11 | 北京百度网讯科技有限公司 | 生成模型并识别年龄和性别的方法、装置、设备和介质 |
| CN113378661A (zh) * | 2021-05-25 | 2021-09-10 | 浙江工业大学 | 一种基于改进小波阈值和相关检测的直流电能信号去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHAPRAM SUDHAKAR: "Workload Prediction using ARIMA Statistical Model and Long Short-Term Memory Recurrent Neural Networks", 《2018 INTERNATIONAL CONFERENCE ON COMPUTING, POWER AND COMMUNICATION TECHNOLOGIES》 * |
| 孟海宁: "基于ARIMA-RNN组合模型的云服务器老化预测方法", 《通信学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116909754A (zh) * | 2023-09-13 | 2023-10-20 | 人工智能与数字经济广东省实验室(广州) | 基于组合模型的移动终端cpu短期负载预测方法及相关设备 |
| CN117390465A (zh) * | 2023-12-11 | 2024-01-12 | 天津南大通用数据技术股份有限公司 | 一种工作负载预测方法 |
| CN117390465B (zh) * | 2023-12-11 | 2024-02-20 | 天津南大通用数据技术股份有限公司 | 一种工作负载预测方法 |
| CN117872725A (zh) * | 2024-03-11 | 2024-04-12 | 天津瀚福精密液压技术有限公司 | 一种液压数据控制方法 |
| CN117872725B (zh) * | 2024-03-11 | 2024-05-14 | 天津瀚福精密液压技术有限公司 | 一种液压数据控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114221877A (zh) | 负载预测方法、装置、设备和计算机可读介质 | |
| KR101664913B1 (ko) | 영상의 멀티레벨 분해를 이용하여 영상에 대한 품질 측정을 결정하는 방법 및 시스템 | |
| CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| Hyvärinen | Statistical models of natural images and cortical visual representation | |
| Al‐Naji et al. | Quality index evaluation of videos based on fuzzy interface system | |
| Zhang et al. | Guided image filtering using signal subspace projection | |
| CN112378866A (zh) | 水质参数反演模型的训练方法、水质监测方法及装置 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| Dong et al. | Multi‐task learning method for classification of multiple power quality disturbances | |
| Zhang et al. | Application of ESN prediction model based on compressed sensing in stock market | |
| Wu et al. | Minimum entropy restoration of star field images | |
| Ansari et al. | HS remote sensing image restoration using fusion with MS images by EM algorithm | |
| John et al. | A review on application of fourier transform in image restoration | |
| Xiang et al. | Image DAEs based on residual entropy maximum | |
| CN111897851A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
| Franz et al. | Implicit Wiener series for higher-order image analysis | |
| Feng et al. | Spatiotemporal prediction based on feature classification for multivariate floating-point time series lossy compression | |
| CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
| Li et al. | Completely blind image quality assessment via contourlet energy statistics | |
| Hyvärinen et al. | Connection between multilayer perceptrons and regression using independent component analysis | |
| Alaql et al. | No‐reference image quality metric based on multiple deep belief networks | |
| CN114880363A (zh) | 一种数据中心流量预测系统及训练方法、预测方法 | |
| Beknazarova et al. | Media resources in video information systems | |
| Yong et al. | Complex number‐based image quality assessment using singular value decomposition | |
| Lazar et al. | Consistent recovery of sensory stimuli encoded with MIMO neural circuits |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220322 |
|
| WD01 | Invention patent application deemed withdrawn after publication |