并行云负载预测模型

预测精度提升

通过结合改进随机森林与完全自适应噪声集成经验模态分解的特征提取优化方法，并引入改进的轻量级注意力长短期记忆网络，有效提升了云资源负载的预测精度。

Guoxiu, Zhang · Xinyi, He · 王晓锋

Journal of Cloud Computing 2025

技术优势

预测精度更高

PCL-RC 在阿里云数据集上优于 AR、SVR、HAR、Informer、Transform、VMDSE-Tformer 和 XGBoost 七种模型。

特征提取更有效

结合改进随机森林和完全自适应噪声集成经验模态分解，对波动数据进行规则分解，提取非线性特征。

处理隐藏特征

采用改进的轻量级注意力长短期记忆网络，提高对分解后数据中隐藏特征的提取能力。

应用场景

• 云资源调度：为调度提供准确负载预测，优化资源分配。
• 云服务能效管理：通过负载预测降低能耗，提升能效。
• 云数据驱动决策：用预测模型为数据驱动决策提供负载趋势。
• 云负载智能预测：智能预测提升负载管理自动化水平。