预测方法、模型的训练方法及装置、设备、存储介质制造方法及图纸

本申请实施例公开了一种预测方法、模型的训练方法及装置、设备、存储介质，其中，所述训练方法包括：获取历史时序数据集；确定待训练的目标预测模型；其中，所述目标预测模型的网络结构参数由改进的布谷鸟搜索算法确定，所述改进的布谷鸟搜索算法中步长因子的取值与迭代次数相关；利用所述历史时序数据集对所述待训练的目标预测模型进行训练，得到已训练的目标预测模型。标预测模型。标预测模型。

【技术实现步骤摘要】
预测方法、模型的训练方法及装置、设备、存储介质


[0001]本申请实施例涉及机器学习技术，涉及但不限于一种预测方法、模型的训练方法及装置、设备、存储介质。

技术介绍

[0002]现有的容器集群仍然存在一些问题，比如何时对集群进行扩容，何时对集群进行缩容，当前容器集群是否存在资源利用不充分，以及是否存在容器资源过度供应等问题。如果存在过度供应的现象，虽然不会影响用户体验，但是对企业来说会导致资源浪费，增大了维护成本。如果存在供应不足的现象，则会引起服务质量下降，用户请求得不到及时响应，最终导致客户流失，收入降低。因此，需要尽可能的满足用户的资源需求。
[0003]Kubernetes在超过阈值的情况下，能够通过预警的方式来实现弹性伸缩，这显然是一种事后预警。当容器资源超过设定的阈值时，容器已经达到了高负载状态，而应用的服务质量已经开始下降。因此需要建立某种预测模型，能够准确预测未来容器资源的需求状况，合理安排扩容和缩容，提高集群的资源利用率。

技术实现思路

[0004]有鉴于此，本申请实施例提供一种预测方法、模型的训练方法及装置、设备、存储介质。
[0005]本申请实施例的技术方案是这样实现的：
[0006]第一方面，本申请实施例提供一种预测模型的训练方法，所述方法包括：获取历史时序数据集；确定待训练的目标预测模型；其中，所述目标预测模型的网络结构参数由改进的布谷鸟搜索算法确定，所述改进的布谷鸟搜索算法中步长因子的取值与迭代次数相关；利用所述历史时序数据集对所述待训练的目标预测模型进行训练，得到已训练的目标预测模型。
[0007]通过上述方式，能够基于自适应动态步长的布谷鸟搜索算法构建一种具有高预测精度的预测模型。
[0008]在一些实施例中，所述确定待训练的目标预测模型，包括：对原始预测模型的网络结构参数进行初始化；利用所述改进的布谷鸟搜索算法对初始化后的所述网络结构参数进行调整，得到调整后的网络结构参数；基于所述调整后的网络结构参数，确定待训练的目标预测模型。
[0009]在一些实施例中，在所述改进的布谷鸟搜索算法的鸟巢位置表示网络结构参数的参数值的情况下，所述利用所述改进的布谷鸟搜索算法对初始化后的所述网络结构参数进行调整，得到调整后的网络结构参数，包括：利用所述改进的布谷鸟搜索算法进行迭代，在每轮迭代时根据上一轮更新的网络结构参数设置原始预测模型的网络结构，并将所述原始预测模型的训练误差作为鸟巢位置的适应度；如果迭代次数达到预设的迭代次数，则停止迭代并确定出适应度最优的鸟巢位置；将所述适应度最优的鸟巢位置对应的参数值，作为
调整后的网络结构参数的参数值。
[0010]在一些实施例中，在所述原始预测模型为长短期记忆神经网络模型的情况下，所述网络结构参数至少包括以下一种：时间步长、隐藏层中的前馈神经网络单元的数量、预测步长。
[0011]在一些实施例中，所述方法还包括：确定当前的迭代次数和预设的迭代次数；根据所述当前的迭代次数和所述预设的迭代次数，确定步长因子。
[0012]在一些实施例中，所述利用所述历史时序数据集对所述待训练的目标预测模型进行训练，得到已训练的目标预测模型，包括：按照预设的数据类型对所述历史时序数据集进行分类，得到N类历史时序数据子集；其中，所述N为大于等于1的自然数；利用所述N类历史时序数据子集中的每一类历史时序数据子集分别对所述待训练的目标预测模型进行训练，得到N个已训练的目标预测模型。
[0013]在一些实施例中，所述方法还包括：确定所述待训练的目标预测模型的网络结构参数；根据所述网络结构参数对所述历史时序数据集进行处理，以将所述历史时序数据集转化为对应的监督学习数据集。
[0014]第二方面，本申请实施例提供一种预测方法，所述方法包括：获取当前的时序数据；将所述当前的时序数据输入已训练的目标预测模型进行预测，得到预测的结果；其中，所述已训练的目标预测模型为基于前述的训练方法训练得到的。
[0015]通过上述方式，能够利用基于自适应动态步长的布谷鸟搜索算法构建的预测模型进行高精度的预测。
[0016]第三方面，本申请实施例提供一种预测模型的训练装置，所述装置包括：第一获取单元，用于获取历史时序数据集；模型确定单元，用于确定待训练的目标预测模型；其中，所述目标预测模型的网络结构参数由改进的布谷鸟搜索算法确定，所述改进的布谷鸟搜索算法中步长因子的取值与迭代次数相关；模型训练单元，用于利用所述历史时序数据集对所述待训练的目标预测模型进行训练，得到已训练的目标预测模型。
[0017]第四方面，本申请实施例提供一种预测装置，所述装置包括：第二获取单元，用于获取当前的时序数据；预测单元，用于将所述当前的时序数据输入已训练的目标预测模型进行预测，得到预测的结果；其中，所述已训练的目标预测模型为基于前述的训练方法训练得到的。
[0018]第五方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述训练方法中的步骤，或，实现上述预测方法中的步骤。
[0019]第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述训练方法中的步骤，或，实现上述预测方法中的步骤。
附图说明
[0020]图1为本申请实施例预测模型的训练方法的实现流程示意图一；
[0021]图2为本申请实施例预测模型的训练方法的实现流程示意图二；
[0022]图3为本申请实施例预测方法的实现流程示意图一；
[0023]图4A为本申请实施例步长因子随迭代次数变化的示意图；
[0024]图4B为本申请实施例网络结构参数的优化方法的流程示意图；
[0025]图4C为本申请实施例预测方法的实现流程示意图二；
[0026]图4D为本申请实施例四种预测模型最佳适应度的收敛对比图；
[0027]图4E为相关技术中SVM模型对CPU负载的预测结果示意图；
[0028]图4F为本申请实施例ADSCS_LSTM模型对于CPU负载的预测结果示意图；
[0029]图5为本申请实施例预测模型的训练装置的组成结构示意图；
[0030]图6为本申请实施例预测装置的组成结构示意图；
[0031]图7为本申请实施例电子设备的一种硬件实体示意图。
具体实施方式
[0032]下面结合附图和实施例对本申请的技术方案进一步详细阐述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0033]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0034]在后续本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测模型的训练方法，其特征在于，所述方法包括：获取历史时序数据集；确定待训练的目标预测模型；其中，所述目标预测模型的网络结构参数由改进的布谷鸟搜索算法确定，所述改进的布谷鸟搜索算法中步长因子的取值与迭代次数相关；利用所述历史时序数据集对所述待训练的目标预测模型进行训练，得到已训练的目标预测模型。2.根据权利要求1所述的方法，其特征在于，所述确定待训练的目标预测模型，包括：对原始预测模型的网络结构参数进行初始化；利用所述改进的布谷鸟搜索算法对初始化后的所述网络结构参数进行调整，得到调整后的网络结构参数；基于所述调整后的网络结构参数，确定待训练的目标预测模型。3.根据权利要求2所述的方法，其特征在于，在所述改进的布谷鸟搜索算法的鸟巢位置表示网络结构参数的参数值的情况下，所述利用所述改进的布谷鸟搜索算法对初始化后的所述网络结构参数进行调整，得到调整后的网络结构参数，包括：利用所述改进的布谷鸟搜索算法进行迭代，在每轮迭代时根据上一轮更新的网络结构参数设置原始预测模型的网络结构，并将所述原始预测模型的训练误差作为鸟巢位置的适应度；如果迭代次数达到预设的迭代次数，则停止迭代并确定出适应度最优的鸟巢位置；将所述适应度最优的鸟巢位置对应的参数值，作为调整后的网络结构参数的参数值。4.根据权利要求3所述的方法，其特征在于，在所述原始预测模型为长短期记忆神经网络模型的情况下，所述网络结构参数至少包括以下一种：时间步长、隐藏层中的前馈神经网络单元的数量、预测步长。5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：确定当前的迭代次数和预设的迭代次数；根据所述当前的迭代次数和所述预设的迭代次数，确定步长因子。6.根据权利要求1至4任一项所述的方法，其特征在于，所述利用所述历史时序数据集对所述待训练的目标预测模型进行训练，得到已训练的目标预测模型，包括：按照预设的数据类型对所...

【专利技术属性】
技术研发人员：吴莹莹，
申请(专利权)人：中国移动通信集团公司，
类型：发明
国别省市：