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
传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序...传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。展开更多
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。
文摘传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。
