[发明专利]一种基于时间序列聚类的云计算能耗预测方法

权利要求书

1.一种基于时间序列聚类的云计算能耗预测方法，其特征在于所述方法具体步骤包括：

S1：将能耗数据的一维时间序列编码成二维图像，使用卷积自编码器对其进行向量化映射；

S2：对包含历史信息的输入子序列进行聚类分析，评价聚类的优劣程度；

S3：根据聚类结果生成训练样本，针对每个簇分别建立、训练时间序列预测模型，进行能耗预测，

S11：使用大小为L，滑动步长为l的时间窗口将包含时间序列分割成长度为L的子序列；

S12：对每个特征的值进行归一化处理并缩放到区间[-1，1]内；

S13：采用GAF方法将一维时间序列编码成二维图像，计算子序列的第j个特征的余弦角，将归一化后的特征值转化到极坐标系，其中极角为特征值数值对应余弦值所对应的角度，极径为特征值下标i和子序列长度L的比例，将子序列的第j个特征对应二维图像用通过计算子序列中任意两个不同时间点对应的极角之和的正弦值或余弦值得到的Gramin矩阵表示；

S14：采用卷积自编码器，在每个子序列对应的一组特征的图像分别通过堆叠至少一层的卷积层来提取层次特征，将最后一个卷积层的输出扁平化，送入一个全连接层，其输出是依赖于特征的嵌入映射；同时将每个隐式特征图像的特征嵌入统一起来，并应用卷积层与1×1滤波器来生成子序列的特征独立嵌入表示，利用卷积转置层和全连接层，通过最小化重建误差来重建原始图像进行训练，误差函数损失函数包括但不限于均方误差、平均绝对误差，

S21：计算所有聚类的总微分熵，采用多类逻辑回归作为条件模型；给定簇的数量K，采用随机梯度下降方法优化聚类的整体损失函数来计算赋值；根据实际情况选择评价标准中的若干项来作为聚类的整体损失函数；

S22：通过向具有最大条件概率的簇分配子序列来生成初始簇，采用自适应学习更新辅助概率分布，按循环顺序选取一个点，将其重新分配到重新分配后总分最小的聚类中，更新辅助概率分布；

S23：重复S21和S22，直到收敛或达到预定的迭代次数，由于每个簇的概率密度函数的未知形式，用MeanNN微分熵估计器重新代入估计微分熵。

2.根据权利要求1所述的基于时间序列聚类的云计算能耗预测方法，其特征在于所述步骤S 2中评价聚类的优劣程度包括聚类大小的均衡性、聚类之间的分离性和聚类内部的紧凑性，其中聚类大小的均衡性评价标准为簇的边际概率的熵；聚类之间的分离性评价标准为条件熵；聚类内部的紧凑型评价标准为辅助概率分布和聚类当前概率分布情况之间的差异，衡量方法包括但不限于KL散度。

3.根据权利要求1所述的基于时间序列聚类的云计算能耗预测方法，其特征在于所述步骤S3中时间序列的预测包括如下步骤：

S31：按时间顺序，将数据集划分为训练集、验证集和测试集；初始化时间序列预测模型，设置学习率和迭代次数参数；

S32：以批量的方式将训练数据集数据输入时间序列预测模型，计算有效历史长度的输出误差，并将误差反向传播以更新时间序列预测模型参数；

S33：重复S32，直到模型收敛或达到给定迭代次数，完成训练；

S34：将预测数据输入到步骤S2中所构建的聚类模型中，根据聚类结果选择对应模型，输出预测结果。

4.根据权利要求1所述的基于时间序列聚类的云计算能耗预测方法，其特征在于进行能耗预测之前，采用自编码器对数据集进行有效特征提取，包括如下步骤：

步骤1：将数据集作为输入s通过激活函数进行非线性映射到隐藏层；

步骤2：然后将隐藏层向量映射到输出层，生成s的重构；

步骤3：通过最小化重构损失函数训练自编码器，损失函数包括但不限于均方误差、平均绝对误差。

5.根据权利要求1所述的基于时间序列聚类的云计算能耗预测方法，其特征在于：时间序列预测模型包括但不限于LSTM、GRU、TCNs，预测时根据实际能耗数据的特点进行选择。

6.根据权利要求1所述的基于时间序列聚类的云计算能耗预测方法，其特征在于所述步骤S1中使用的自编码器至少包括一层隐藏层。

7.根据权利要求1所述的基于时间序列聚类的云计算能耗预测方法，其特征在于所述步骤S12中缩放特征值采用的方法包括但不限于Min-Max scaler方法。