[发明专利]一种基于EMD和TCN相结合的云资源预测方法

说明书

本发明涉及一种基于EMD和TCN相结合的云资源预测方法，包括以下步骤：对原云资源序列进行数据预处理；采用EMD将原序列分解为多个IMF和一个残差项Res；选定时间步长，并据此构造数据集。首先将分解后的得到的分量按时间顺序排列，然后按照滑动窗口截取的方式，把序列构造成有监督学习的形式；把构造完成后的训练集数据输入到TCN中训练模型，获得训练好的TCN模型，最后使用建立好的TCN模型对待预测的云资源负载进行预测，得到最终预测结果。本发明可以帮助数据中心提前准确预测云资源的使用情况，进而提前响应资源的需求变化，实现数据中心的高效管理、系统安全和稳定运行。

技术领域

本发明涉及云资源预测技术领域，具体的讲是一种基于EMD和TCN相结合的云资源预测方法。

背景技术

云计算作为一种新型计算模式，在过去十年得到了飞速的发展。它利用虚拟化技术，将包括计算资源、存储资源和网络资源在内的各种资源虚拟化，以按需使用、按量付费的方式为用户提供可扩展的弹性计算服务。同时，云计算的发展还在全球范围内催生了众多的大规模数据中心。目前，数据中心的规模和复杂度仍处于动态增长中，各种形式的软硬件资源还在不断地被添加到云计算系统中。这些数据中心的建立在很好地满足社会的计算需求同时，也产生了严重的资源浪费。通过对数据中心中的云资源使用量或者云资源需求量进行预测，能够减少不必要的能源损耗，科学的云资源预测是数据中心实现高效管理、系统安全和稳定运行的重要前提和保障措施之一。

然而，由于云资源时间序列大多具有高度的非线性非平稳等特点，现有方法建立的预测模型难以精准预测。不准确的云资源预测可能会导致数据中心管理者做出不恰当的资源管理决策，进一步影响后续发展并造成不必要的损失。

由此可知，现有技术中的方法存在预测结果不够准确的技术问题。

发明内容

本发明要解决的技术问题是针对以上不足，提供一种基于EMD和TCN相结合的云资源预测方法，用以解决或者至少部分解决现有技术中的方法存在的预测结果不够准确的技术问题，该预测方法可以帮助数据中心提前准确预测云资源的使用情况，进而提前响应资源的需求变化，实现数据中心的高效管理、系统安全和稳定运行。

为解决以上技术问题，本发明采用以下技术方案：

一种基于EMD和TCN相结合的云资源预测方法，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I MF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。

进一步的，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。

进一步的，所述步骤2的分解步骤包括如下步骤：