時間序列預測是典型的時間序列分析任務,對于輔助決策、資源配置、提前采取止損措施等方面有重要意義,在包括電力、氣象、交通、商業(yè)等領域有廣泛應用。基于深度學習的時間序列預測算法以數(shù)據(jù)驅(qū)動的方式,學習序列特征,建模歷史數(shù)據(jù)和未來數(shù)據(jù)之間的映射關系。由于深度學習模型在復雜度和序列特征表示方面的優(yōu)勢,近些年時間序列預測算法越來越多地采用深度神經(jīng)網(wǎng)絡進行構(gòu)建,以捕捉復雜模式。在實際應用中基于深度學習的時間序列預測算法表現(xiàn)優(yōu)于基于統(tǒng)計的時間序列分析預測算法。其中單變量時間序列預測、多變量時間序列預測、時間序列多步預測等一直是熱門研究領域。另外,實時運行的信息系統(tǒng)產(chǎn)生大量時序數(shù)據(jù),主要包括系統(tǒng)性能監(jiān)測數(shù)據(jù)。預測系統(tǒng)性能的未來趨勢可以為現(xiàn)代信息系統(tǒng)的日常運行維護提供重要幫助。隨著信息系統(tǒng)的廣泛部署,基于深度學習的時間序列預測算法在信息系統(tǒng)運維領域得到越來越多的應用。本文主要研究以下兩個問題:（1）多變量時間序列預測算法的局部變量預測精度問題,即多變量預測算法在優(yōu)化整體預測精度的同時如何保障局部變量的預測精度;（2）數(shù)據(jù)庫管理系統(tǒng)（DBMS）的系統(tǒng)性能預測問題,即如何進行性能分數(shù)的趨勢預測并挖掘具有前K影... 

【文章來源】：南京大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
    1.2 研究問題
        1.2.1 多變量時間序列預測的局部變量預測精度問題
        1.2.2 DBMS的系統(tǒng)性能預測問題
    1.3 主要貢獻
        1.3.1 基于自演化預訓練的多變量時序預測算法
        1.3.2 基于多任務神經(jīng)網(wǎng)絡的系統(tǒng)性能預測算法
    1.4 論文結(jié)構(gòu)
第二章 相關工作
    2.1 單變量時間序列預測算法
    2.2 多變量時間序列預測
    2.3 時間序列多步預測
    2.4 系統(tǒng)性能預測
        2.4.1 網(wǎng)絡流量預測
        2.4.2 其他軟硬件性能預測
第三章 基于自演化預訓練的多變量時間序列預測算法
    3.1 研究動機
        3.1.1 問題提出
        3.1.2 解決思路
    3.2 問題建模
    3.3 模型框架與算法設計
        3.3.1 框架介紹
        3.3.2 自演化預訓練模型
        3.3.3 基于CNN-LSTM的多變量依賴關系建模· · · · · · · · · · · · · · · · · · ·
        3.3.4 融合與訓練
    3.4 實驗驗證
        3.4.1 數(shù)據(jù)集
        3.4.2 基準算法
        3.4.3 算法評估指標
        3.4.4 預測精度分析
    3.5 本章小結(jié)
第四章 基于多任務神經(jīng)網(wǎng)絡的系統(tǒng)性能預測
    4.1 研究動機
        4.1.1 問題提出
        4.1.2 解決思路
    4.2 問題建模
        4.2.1 多步序列預測
        4.2.2 KPI重要性挖掘
    4.3 模型框架與算法設計
        4.3.1 框架介紹
        4.3.2 基于多級離散小波變換的序列分解
        4.3.3 Seq2Seq-Forecaster預測器
        4.3.4 相關性度量
        4.3.5 基于Stacked LSTM的關鍵指標挖掘
        4.3.6 多任務神經(jīng)網(wǎng)絡以及聯(lián)合訓練
    4.4 實驗驗證
        4.4.1 數(shù)據(jù)集
        4.4.2 基準算法
        4.4.3 算法評估指標
        4.4.4 多步預測結(jié)果分析
        4.4.5 指標挖掘結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來展望
致謝
參考文獻
簡歷與科研成果



本文編號：3016332