基于Holt-Winters及长短期记忆的云资源组合预测模型

摘要：

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(con-volutional 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 er-ror,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.

关键词：云资源预测、Holt-Winters、长短期神经网络(LSTM)、变异系数

所属期刊栏目：22

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金;广西科技重大专项;广西重点研发计划

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：5306-5311