由于嵌入式中央处理器(Central Processing Unit, CPU)负载需要同时考虑CPU利用率、内存利用率等相关因素,导致对其预测时难度较大且无法保证精准度。因此,提出一种新的自适应预测算法。构建嵌入式CPU负载预测框架,对其负载数据预处理,...由于嵌入式中央处理器(Central Processing Unit, CPU)负载需要同时考虑CPU利用率、内存利用率等相关因素,导致对其预测时难度较大且无法保证精准度。因此,提出一种新的自适应预测算法。构建嵌入式CPU负载预测框架,对其负载数据预处理,降低非平稳数据对预测结果精度的影响;在整合移动平均自回归模型中加入周期变动因素,构建季节性差分自回归滑动平均模型,分析CPU负载数据时间序列变化特征;并对其迭代计算,得到季节性差分自回归滑动平均模型的参数和CPU负载预测结果。实验结果表明,所提方法的MAPE值低于25%,表明该方法的预测精度高。展开更多
在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-W...在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。展开更多
文摘由于嵌入式中央处理器(Central Processing Unit, CPU)负载需要同时考虑CPU利用率、内存利用率等相关因素,导致对其预测时难度较大且无法保证精准度。因此,提出一种新的自适应预测算法。构建嵌入式CPU负载预测框架,对其负载数据预处理,降低非平稳数据对预测结果精度的影响;在整合移动平均自回归模型中加入周期变动因素,构建季节性差分自回归滑动平均模型,分析CPU负载数据时间序列变化特征;并对其迭代计算,得到季节性差分自回归滑动平均模型的参数和CPU负载预测结果。实验结果表明,所提方法的MAPE值低于25%,表明该方法的预测精度高。
文摘在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。
