典型文献
基于Holt-Winters及长短期记忆的云资源组合预测模型
文献摘要：
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.
文献关键词：
云资源预测;Holt-Winters;长短期神经网络(LSTM);变异系数
中图分类号：
作者姓名：
李新飞;谢晓兰
作者机构：
桂林理工大学信息科学与工程学院, 桂林541004;广西嵌入式技术与智能系统重点实验室,桂林541004
文献出处：
引用格式：
[1]李新飞;谢晓兰-.基于Holt-Winters及长短期记忆的云资源组合预测模型)[J].科学技术与工程,2022(13):5306-5311
A类：
云资源预测,MASE
B类：
Holt,Winters,资源组合,组合预测模型,预测分析,请求,容器云资源,资源管理问题,波动性,合理分配,长短期记忆神经网络,long,short,term,memory,HW,预测残差,亚马逊,CPU,组合模型,con,volutional,neural,networks,预测性能,root,mean,squared,error,RMSE,平均绝对误差,absolute,MAE,平均绝对百分比误差,percentage,MAPE,比例误差,scaled,长短期神经网络
AB值：
0.337809
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
