基于Holt-Winters及长短期记忆的云资源组合预测模型

云资源的预测分析对于响应资源请求并及时做出决策非常重要，针对容器云资源的过度调配、供应不足的资源管理问题以及云资源预测精度低、数据波动性等问题，为使云资源的预测能够为工作负载的需求提前响应并做出合理分配，提出了一种基于Holt-Winters和长短期记忆神经网络(long short-term memory, LSTM)(HW-LSTM)的云资源组合预测模型，并以预测残差的变异系数赋权。对亚马逊CPU数据集的预测实验表明，提出的组合模型比Holt-Winters、LSTM及卷积神经网络(convolutional neural networks, CNN)模型预测性能及稳定性更好，均方根误差(root mean squared error, RMSE)、平均绝对误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)、平均绝对比例误差(mean absolute scaled error, MASE)、方差D(n)优化范围分别为0.065～1.026、0.023～0.269、0.001～0.007、0.004～0.039和0.079～4.125。