基于长-短时序特征融合的资源负载预测模型

被引：10

作者：

王艺霏 ^{[1
]}

于雷 ^{[2
,3
]}

滕飞 ^{[1
]}

宋佳玉 ^{[1
]}

袁玥 ^{[1
]}

机构：

[1] 西南交通大学信息科学与技术学院

[2] 北京航空航天大学中法工程师学院

[3] 北京航空航天大学杭州创新研究院(余杭)

来源：

计算机应用 | 2022年 / 42卷 / 05期

基金：

北京市自然科学基金;

关键词：

资源负载预测; 卷积神经网络; 长短期记忆网络; 格拉姆角场; 双通道; 时间序列预测;

D O I：

暂无

中图分类号：

TP393.09 []; TP18 [人工智能理论];

学科分类号：

080402 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

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。

引用

页码：1508 / 1515

页数：8

共 12 条

[1] 基于循环神经网络和注意力模型的文本情感分析 [J].