System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于云计算,具体涉及一种基于prophet模型、海鸥优化算法(seagull optimization algorithm,soa)和双向长短期记忆神经网络(bi-directionallong short-term memory)的云平台资源预测方法。
技术介绍
1、近年来,随着云计算技术的迅速发展,越来越多的应用和服务迁移到了云平台上,这导致了对云计算资源的需求不断增加。在这种情况下,有效地进行云平台资源预测变得至关重要。资源预测旨在根据历史数据和趋势,预测未来一段时间内云平台所需的计算、存储和网络等资源量,从而使云服务提供商能够更好地规划和调整资源配置,以满足用户需求并提供高效、稳定的服务。
2、近年来已经有诸多学者研究云平台资源预测问题。刘惠提出了基于stacking框架、多层双向门控循环单元(bidirectional gated recurrent unit,bigru)网络和lightgbm算法的云负载预测模型,该模型中的初级学习器使用时间编码层处理原始负载序列并利用bigru网络参数少、信息学习完整的特点减少模型训练时间和隐藏层数,学习负载序列中的时间维度信息;使用经过特征工程处理的原始负载序列来高效训练lightgbm算法,学习负载序列中的特征维度信息;该模型中的次级学习器,利用gru网络整合时间和特征维度的负载信息,完成整个负载预测模型的训练。谢同磊为了准确分析并提升云虚拟机cpu负载预测性能,提出了一种基于分解-预测的云虚拟机负载预测方法。该方法通过经验模态分解和主成分分析的云虚拟机负
3、云平台的资源数据具有非线性、周期性、随机性及突发性等多种特性。prophet模型基于分解思想从趋势项、季节项、假期项三个维度进行云平台的资源数据的分析和预测。针对prophet模型的残差序列,双向长短期记忆循环神经网络bilstm可根据序列数据的时间依赖关系,检测数据的非线性特征,并建立不同特征下非线性数据的预测模型。海鸥优化算法优化神经网络模型的超参数,可以代替手动调参,克服模型预测过程易陷入局部最优解及收敛速度慢的问题。
技术实现思路
1、本专利技术的目的是提供一种基于prophet-soa-bilstm模型的云平台资源预测方法,解决了传统的预测方法对具有周期性且波动较大的云平台资源数据,预测精度不高的问题。
2、本专利技术所采用的技术方案是:
3、基于prophet-soa-bilstm模型的云平台资源预测方法,包括以下步骤:
4、步骤1,收集云平台资源数据,得到时间序列数据。
5、步骤2,利用prophet模型对步骤1所得时间序列数据进行拟合预测。
6、步骤3,计算步骤2所得预测结果的残差项。
7、步骤4,建立bilstm模型,将残差项作为bilstm模型的输入。
8、步骤5,利用海鸥优化算法soa优化步骤4所得bilstm模型的超参数,得到残差项的预测结果。
9、步骤6,根据bilstm预测结果对步骤2所得prophet模型进行残差修正,得到最终的云平台资源数据预测结果。
10、进一步的,步骤1中,收集云平台资源数据,包括cpu利用率、空闲内存、数据库响应时间等。
11、进一步的,步骤2中,利用prophet模型对云平台资源时间序列数据进行拟合预测,通过分解的思想将模型分解成趋势项、季节项及假期项三部分分别进行分析处理。
12、进一步的,步骤4中,根据prophet模型的残差序列建立bilstm模型,包括输入层、隐藏层和输出层。输入层负责对残差序列数据进行初步处理以满足网络输入要求,隐藏层采用lstm细胞搭建双层反向的循环神经网络,并使用tanh作为激活函数,输出层提供残差序列的最终预测结果。
13、进一步的,步骤5中,利用海鸥优化算法优化bilstm模型超参数的具体方法是:首先确定bilstm模型中待优化的超参数为时间窗口和隐藏层节点数;然后初始化参数,包括种群规模、最大迭代次数、超参数的范围、学习率等;通过随机生成进行群体初始化,计算初始适应度值,排序找出全局最优适应度值和全局最优位置;通过迁徙操作和攻击操作不断迭代,更新全局最优位置;算法迭代结束后,根据最优海鸥位置获取bilstm模型的最佳超参数。
14、本专利技术的有益效果是:
15、本专利技术不仅解决了传统的预测方法对具有周期项且波动较大的云平台资源序列数据,预测精度不高的问题,并且利用prophet模型从趋势项、季节项及假期项三个维度进行分析,利用bilstm神经网络对prophet模型的预测结果进行残差修正,并利用海鸥优化算法优化神经网络超参数,进一步提升bilstm模型的修正精度,降低模型预测误差。该预测方法能够有效提取云平台资源时序数据的特征变化,最终实现了对云平台资源数据的高准确率预测并分析。
本文档来自技高网...【技术保护点】
1.基于Prophet-SOA-BiLSTM模型的云平台资源预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于Prophet-SOA-BiLSTM模型的云平台资源预测方法,其特征在于,在所述步骤1中,云平台资源数据,包括CPU利用率、空闲内存、数据库响应时间。
3.根据权利要求2所述的基于Prophet-SOA-BiLSTM模型的云平台资源预测方法,其特征在于,步骤2所述拟合预测具体为:通过分解的思想将Prophet模型分解成趋势项、季节项及假期项三部分,分别进行分析处理。
4.根据权利要求2所述的基于Prophet-SOA-BiLSTM模型的云平台资源预测方法,其特征在于,步骤3中计算残差项具体过程如下:
5.根据权利要求2所述的基于Prophet-SOA-BiLSTM模型的云平台资源预测方法,其特征在于,步骤5中所述利用海鸥优化算法优化BiLSTM模型超参数的具体过程如下:
6.根据权利要求5所述的基于Prophet-SOA-BiLSTM模型的云平台资源预测方法,其特征在于,步骤6所述得到最终的云平台
...【技术特征摘要】
1.基于prophet-soa-bilstm模型的云平台资源预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于prophet-soa-bilstm模型的云平台资源预测方法,其特征在于,在所述步骤1中,云平台资源数据,包括cpu利用率、空闲内存、数据库响应时间。
3.根据权利要求2所述的基于prophet-soa-bilstm模型的云平台资源预测方法,其特征在于,步骤2所述拟合预测具体为:通过分解的思想将prophet模型分解成趋势项、季节项及假期项三部分,分别进行分...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。