基于深层LSTM的分布式负载预测模型

发布时间：2021-01-05 10:10

　　负载不平衡往往会导致分布式系统的性能损失,因此大量的动态负载平衡策略被引入来管理共享资源和分布式负载,它们基于负载和应用特性来实现所需平衡。其中负载预测是一种广泛应用于改善负载分布以避免负载不平衡的技术。由于传统预测模型精度低,所以有很大的局限性。为了提高负载预测精度,针对负载序列的变化特性,提出一种基于LSTM（长短期记忆网络）的负载预测算法。所提出的算法在真实数据集上进行验证,实验结果表明该算法能够精准地预测负载信息,其性能优于其他负载预测算法,如ARIMA、EWMA、RNN等。 

【文章来源】：现代计算机. 2020年09期

【文章页数】：4 页

【部分图文】：

LSTM结构

为了证明本文提出模型DLSTM的有效性，在真实数据集上验证了该模型，并跟多种时间序列预测模型进行了比较，如：自回归积分移动平均模型（ARIMA）、循环神经网络（RNN）、门控循环单元（GRU）等。本文通过平均绝对误差（MAE）、均方根误差（RMSE）和均方根百分比误差（RMSPE）等不同的度量指标来评估DL-STM模型的负载预测准确性。通过对比实验发现，提出的DLSTM模型的各误差度量值是所有对比模型中的全局最小值，说明DLSTM用于预测负载是相应模型中性能最好的，最适合用来模拟负载的变化并精准的预测负载信息。图2说明了真实数据和DLSTM模型预测值之间的关系。4 结语


本文编号：2958477