[发明专利]结合注意力机制的LSTM网络的移动云负载预测方法及系统

权利要求书

1.一种结合注意力机制的LSTM网络的移动云负载预测方法，其特征在于，所述方法包括以下步骤：

步骤1，对云监控系统收集到的负载特征序列进行归一化处理；

步骤2，采用联合特征选择方法选取与目标负载特征最相关的特征；具体过程包括：

步骤2-1，计算目标负载特征P_x和其他负载特征P_y之间的Pearson相关系数计算公式为：

式中，cov(P_x，P_y)为负载特征P_x和P_y的协方差，和分别表示负载特征P_x和P_y的平均值，和分别表示目标负载特征P_x和其他负载特征P_y的标准差，x表示目标负载特征的序号，y表示目标负载特征外的其他负载特征的序号，E[]为期望函数；每个负载特征P_j均具有T个观测值，即P_j＝{p_j1，p_j2，...，p_jt，...，p_jT}，p_jt表示第j个特征在第t个时刻的观测值；

步骤2-2，计算目标负载特征P_x和其他负载特征P_y之间的Spearman相关系数

设P_x和P_y为分别具有T个观测值的两个负载特征，P_x＝{p_x1，p_x2，...，p_xt，...，p_xT}，P_y＝{p_y1，p_y2，...，p_yt，...，p_yT}，将P_x和P_y中T个观测值中的最低值的等级设为1，次之的等级设为2，依此类推，获得P_x和P_y中每个值的等级；的计算公式为：

式中，d′_t为被观测的两个负载特征P_x和P_y在第t时刻的等级差值；τ为计算所需的参数；的值介于[-1，1]之间，如果P_x和P_y两个特征变量彼此独立，则的值为零，否则两个变量存在关联性；

步骤2-3，计算目标负载特征P_x和其他负载特征P_y之间的最大互信息系数计算公式为：

其中，为P_x和P_y间的互信息值，计算公式为：

式中，p_x为属于P_x的任意实数，p_y为属于P_y的任意实数，p(p_x，p_y)为P_x和P_y对于p_x和p_y的联合概率密度，p(p_x)和p(P_y)分别为P_x和P_y对于p_x、p_y的边缘概率密度；a和b分别表示将P_x的值域分成a段，将P_y的值域分成b段；B(T)是一个关于观测规模T的函数，表示网格划分a*b的上限；

步骤2-4，基于步骤2-1至步骤2-3计算得到的不同负载特征与目标负载特征在多种不同指标下的相关性，构建相关度矩阵CM，该矩阵中CM_j，u表示在第u种指标下第j个负载特征P_j与目标负载特征P_x的相关度值；所述指标包括Pearson相关系数Spearman相关系数最大互信息系数

计算多种相关性指标的信息熵，计算公式为：

式中，E_u为第u种指标对应的信息熵，p_u，j表示在第u种指标下第j个负载特征与目标负载特征的相关度值CM_u，j占该指标所有相关度值的比重，m为采集到的负载特征数量；

步骤2-5，计算联合关联度，第j个负载特征的联合关联度CM_j为：

其中，w_u为第u种指标对应的权重，

步骤2-6，构建候选特征矩阵MZ_i，具体包括：

初始化候选特征矩阵MZ_i＝{}，除去目标负载特征外其他负载特征的数量为m-1；

在M_i＝{P₁，P₂，...，P_j，...，P_m-1}中选取联合关联度值CM最大的s个负载特征向量，加入到候选特征矩阵MZ_i中，得到的MZ_i＝{P₁，P₂，...，P_s}为最终输出的候选特征；

步骤3，采用在线预测的无抽取的小波变换技术分解目标负载特征序列；

步骤4，构建结合注意力机制的LSTM网络的移动云负载预测模型MCLPM-LSTMN-AM；

步骤5，对所述移动云负载预测模型MCLPM-LSTMN-AM进行训练；

步骤6，利用训练好的MCLPM-LSTMN-AM模型进行移动云目标负载序列的单步及多步预测。