發(fā)布時(shí)間：2021-01-05 10:10

　　負(fù)載不平衡往往會(huì)導(dǎo)致分布式系統(tǒng)的性能損失,因此大量的動(dòng)態(tài)負(fù)載平衡策略被引入來(lái)管理共享資源和分布式負(fù)載,它們基于負(fù)載和應(yīng)用特性來(lái)實(shí)現(xiàn)所需平衡。其中負(fù)載預(yù)測(cè)是一種廣泛應(yīng)用于改善負(fù)載分布以避免負(fù)載不平衡的技術(shù)。由于傳統(tǒng)預(yù)測(cè)模型精度低,所以有很大的局限性。為了提高負(fù)載預(yù)測(cè)精度,針對(duì)負(fù)載序列的變化特性,提出一種基于LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）的負(fù)載預(yù)測(cè)算法。所提出的算法在真實(shí)數(shù)據(jù)集上進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果表明該算法能夠精準(zhǔn)地預(yù)測(cè)負(fù)載信息,其性能優(yōu)于其他負(fù)載預(yù)測(cè)算法,如ARIMA、EWMA、RNN等。 

【文章來(lái)源】：現(xiàn)代計(jì)算機(jī). 2020年09期

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

LSTM結(jié)構(gòu)

為了證明本文提出模型DLSTM的有效性，在真實(shí)數(shù)據(jù)集上驗(yàn)證了該模型，并跟多種時(shí)間序列預(yù)測(cè)模型進(jìn)行了比較，如：自回歸積分移動(dòng)平均模型（ARIMA）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、門控循環(huán)單元（GRU）等。本文通過平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和均方根百分比誤差（RMSPE）等不同的度量指標(biāo)來(lái)評(píng)估DL-STM模型的負(fù)載預(yù)測(cè)準(zhǔn)確性。通過對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，提出的DLSTM模型的各誤差度量值是所有對(duì)比模型中的全局最小值，說(shuō)明DLSTM用于預(yù)測(cè)負(fù)載是相應(yīng)模型中性能最好的，最適合用來(lái)模擬負(fù)載的變化并精準(zhǔn)的預(yù)測(cè)負(fù)載信息。圖2說(shuō)明了真實(shí)數(shù)據(jù)和DLSTM模型預(yù)測(cè)值之間的關(guān)系。4 結(jié)語(yǔ)


本文編號(hào)：2958477