基于变分模态分解与门控循环单元网络的云资源预测

• 作者: 束文娟 曾凡平 陈国柱 鲁厅厅 刘君怡
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 云资源预测 时间序列预测 变分模态分解算法 门限循环单元 蚁狮优化算法
• 年，卷（期）: 2021,（z2）
• 所属期刊栏目: 先进计算|Advanced computing
• 页码范围: 159-164
• 页数: 6页
• 分类号: TP399
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2021030495

摘要

云供应商为用户提供所需资源,分配不足可能会导致服务质量下降,分配过度则会导致资源浪费,因此准确预测资源使用情况至关重要.由于用户使用云资源的情况各不相同,不确定因素多,时序数据往往伴随着高随机性和非平稳性的特点,增加了预测的难度.为了捕获非平稳性数据更多信息,提高云资源使用情况的预测精度,提出基于变分模态分解(VMD)算法和门控循环单元(GRU)网络的预测模型(VMD_AGRU).首先将原始时序数据通过VMD算法分解成多个相对平稳的模态分量;再将蚁狮优化(ALO)算法集成到GRU模型中去,分别对分解后的本征模态分量进行预测,利用优化算法自适应地选择最优参数;最后整合每个分量的预测结果得到最终的云资源使用情况预测结果.在公开数据集上进行预测,并与未优化的GRU、差分自回归移动平均(ARIMA)和反向神经网络(BPNN)等进行对比.CPU利用率预测的实验结果表明,与并未分解且未优化的GRU模型相比,所提出的模型在预测精度上有48.1％的提升,验证了该方法的有效性.