[发明专利]一种基于EMD和TCN相结合的云资源预测方法

权利要求书

1.一种基于EMD和TCN相结合的云资源预测方法，其特征在于，包括以下步骤：

步骤1、获取云资源时间序列原始数据并进行数据预处理；

步骤2、采用经验模态分解将原云资源序列按其内在特性自适应地分解为若干个不同频率的本征模态分量IMF和一个残余分量Res；

步骤3、将分解后得到的本征模态分量IMF和残余分量Res按时间顺序排列，选取时间步长，然后按照滑动窗口截取的方式，把序列构成数据集，数据集的格式为(？，n，k)，其中，？为样本数，由获取的云资源时间序列原始数据计算得到，n为时间步长，k为原云资源序列经采用经验模态分解后得到的本征模态分量IMF和残余分量的分量总数；

并从数据集中选取一部分数据作为训练样本，其余作为测试样本；

步骤4、利用训练样本对TCN神经网络模型进行训练，获得训练好的TCN神经网络模型；

步骤5、将测试样本输入训练好的TCN神经网络模型中对预测的云资源负载进行预测，得到最终预测结果。

2.根据权利要求1所述的基于EMD和TCN相结合的云资源预测方法，其特征在于，所述步骤2中，EMD分解公式为：

其中，x(t)是云资源时间序列原始数据，n为分解后得到的本征模态分量IMF的数量，h_i(t)表示第i个IMF分量，r(t)是残差分量Res。

3.根据权利要求2所述的基于EMD和TCN相结合的云资源预测方法，其特征在于，所述步骤2的分解步骤包括如下步骤：

步骤21、根据原云资源序列的原始值x(t)的局部极值求出其上包络线和下包络线的均值即为平均包络线m_t；

步骤22、将原云资源序列减去平均包络线m_t后，得到一个去掉低频的新数据序列h_t＝x(t)－m_t；

步骤23、判断h_t是否同时满足以下两个条件：1)极值数与过零点的数目是否相等或相差一个；2)在任意时刻，平均包络线m_t是否为零；

若否，则将h_t作为新的x(t)，并转到步骤21；

若是，则第一个满足条件的h_t即为第一个本征模态分离IMF1，记作c_1t，并转到步骤24；

步骤24、将r_t＝x(t)-c_1t作为新的x(t)，重复步骤21、步骤22和步骤23，依次得到本征模态分量IMF₂…IMF_n，直到得到的本征模态分量IMF数量达到预设阈值n，则最后一次得到的r_t即为残差分量Res。

4.根据权利要求1所述的基于EMD和TCN相结合的云资源预测方法，其特征在于，所述TCN神经网络模型由若干个空洞因果卷积层堆垛组成，若一维序列输入为x，滤波器F＝(f₀、f₁、f₃…f_k-1),则在序列x中s处上的空洞因果卷积层运算公式为：

其中，d为扩张因子，k为滤波器大小，s-d·i为输入序列中参与空洞卷积运算的神经元的下标。

5.根据权利要求1所述的基于EMD和TCN相结合的云资源预测方法，其特征在于，所述步骤4包括以下步骤：

步骤41、通过将训练样本数据输入到TCN神经网络模型中，得到云资源负载的预测值；

步骤42、通过调节TCN神经网络模型的层数和隐藏层中的节点数，使云资源负载的预测值与云资源负载的实际值误差达到最小，预测误差的公式为：

其中，RMSE用于衡量观测值与真实值之间的偏差，其中y_i第i个云资源负载的真实值，为第i个云资源负载的预测值，n表示样本数。

6.根据权利要求1所述的基于EMD和TCN相结合的云资源预测方法，其特征在于，步骤3中，？＝云资源时间序列原始数据总数-时间步长+1。