基于CNN-LSTM-SES组合模型的负载预测

摘要

随着云计算和大数据技术的快速发展，负载预测作为可优化资源分配和提高系统性能的关键任务受到了广泛关注。为了更好地对负载进行长短期时序预测和提高负载预测精度，提出了一种卷积神经网络（CNN）、长短时记忆网络（LSTM）和一次指数平滑（SES）的组合模型，并采用麻雀搜索算法（SSA）优化模型参数。经过处理的数据集分别输入到SSA-CNN-LSTM模型和SSA-SES模型中，然后对这2个模型的输出值用权重系数法进行组合得出最终的输出值。实验结果表明，本文模型在阿里云公开数据集Cluster-trace-v2018上的云计算负载预测中的性能评估值，相较于CNN-LSTM、SES、CNN-LSTM-SES、SSA-CNN-LSTM与SSA-SES模型，预测精度更高。

关键词

负载预测 / 麻雀搜索算法 / 卷积神经网络 / 长短时记忆网络 / 一次指数平滑

基金资助

国家自然科学基金项目（62162050,61662057）; 内蒙古民族大学博士科研启动基金项目（KYQD23006）