云计算的快速发展使得服务器面临的负载压力逐渐增加,如何精准预测负载资源成为云中心资源分配与服务器安全运行的重要课题。现有的单一模型在捕捉全局特征方面存在不足,而组合模型在处理时序数据时的平稳性和解释性方面有所欠缺。因此...云计算的快速发展使得服务器面临的负载压力逐渐增加,如何精准预测负载资源成为云中心资源分配与服务器安全运行的重要课题。现有的单一模型在捕捉全局特征方面存在不足,而组合模型在处理时序数据时的平稳性和解释性方面有所欠缺。因此,提出一种基于NeuralProphet分解的卷积神经网络(CNN)-长短期记忆(LSTM)网络-注意力(Attention)机制的组合模型。NeuralProphet将负载数据分解为趋势、季节和自回归项分量,增强数据的平稳性和解释性,从而使模型能更高效地捕捉全局特征和长期依赖关系;并通过注意力机制动态权重分配,聚焦影响预测结果的关键特征,进一步提高对未来时刻的预测精度。在Alibaba Cluster Data V2018数据集上的实验结果表明,所提出的组合模型在预测精度和性能方面优于其他深度学习模型。与单一模型NeuralProphet及CNN-BiLSTM组合模型相比,该模型在R2评分上提高了17.9%,均方根误差(RMSE)降低了73.6%,平均绝对误差(MAE)降低了69.7%,对称平均绝对百分比误差(sMAPE)降低了65.3%,具备更高的预测准确性和鲁棒性,有助于提高云资源利用效率。展开更多
延迟是全球卫星导航定位中重要的误差源之一,提高电离层TEC建模和预报精度对改善卫星导航定位精度至关重要.本文构建了以太阳辐射通量指数F_(10.7)、地磁活动指数Dst、地理坐标和中国科学院(Chinese Academy of Sciences,CAS)GIM数据为...延迟是全球卫星导航定位中重要的误差源之一,提高电离层TEC建模和预报精度对改善卫星导航定位精度至关重要.本文构建了以太阳辐射通量指数F_(10.7)、地磁活动指数Dst、地理坐标和中国科学院(Chinese Academy of Sciences,CAS)GIM数据为输入参数的NeuralProphet神经网络模型(NP模型),实现在2015年3月特大磁暴期中国区域电离层TEC短期预报.为验证NP模型的预报精度,本文同时构建了长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型进行对比分析.结果统计分析表明,NP模型在磁暴期(2015年DOY076-078)TEC预报值RMSE和RD分别为0.83 TECU和3.13%,绝对和相对精度较LSTM模型分别提高1.49 TECU和10.25%;且NP模型RMSE优于1.5 TECU的比例达97.24%,远高于LSTM模型.NP模型预报值与CAS具有较好一致性和无偏性,偏差均值仅为-0.01 TECU,而LSTM模型预报值的均值偏大,偏差均值为1.49 TECU.从低纬到中纬度的三个纬度带内,NP模型RMSE分别为1.12、0.83和0.44 TECU,精度比LSTM模型提高1.94、1.56和1.23 TECU.整体上,在磁暴期NP模型预报性能明显优于LSTM模型,能够精细描述中国区域电离层TEC时空变化.展开更多
文摘云计算的快速发展使得服务器面临的负载压力逐渐增加,如何精准预测负载资源成为云中心资源分配与服务器安全运行的重要课题。现有的单一模型在捕捉全局特征方面存在不足,而组合模型在处理时序数据时的平稳性和解释性方面有所欠缺。因此,提出一种基于NeuralProphet分解的卷积神经网络(CNN)-长短期记忆(LSTM)网络-注意力(Attention)机制的组合模型。NeuralProphet将负载数据分解为趋势、季节和自回归项分量,增强数据的平稳性和解释性,从而使模型能更高效地捕捉全局特征和长期依赖关系;并通过注意力机制动态权重分配,聚焦影响预测结果的关键特征,进一步提高对未来时刻的预测精度。在Alibaba Cluster Data V2018数据集上的实验结果表明,所提出的组合模型在预测精度和性能方面优于其他深度学习模型。与单一模型NeuralProphet及CNN-BiLSTM组合模型相比,该模型在R2评分上提高了17.9%,均方根误差(RMSE)降低了73.6%,平均绝对误差(MAE)降低了69.7%,对称平均绝对百分比误差(sMAPE)降低了65.3%,具备更高的预测准确性和鲁棒性,有助于提高云资源利用效率。
