[发明专利]基于改进TFT的云服务器资源利用数量预测方法

权利要求书

1.一种基于改进TFT的云服务器资源利用数量预测方法，其特征在于，包括：

s1：获取一段时间内云服务器资源利用数量的数据进行特征变量提取和分解，通过基于时间序列分解的预测模型Prophet，使两列原始数据（时间戳和实际变量值）的特征变量扩增到多列；

s2：将所述Prophet模型输出的值进行选择性提取，提取输入值对应的时间戳和实际值，并获取所述Prophet模型计算的趋势项动态变量，得到新数据集；

s3：对新数据集进一步手动扩充时间序列变量，增加年、月、日、星期、周末、节日、季节项，最终使两列原始数据扩充为多列数据，形成多变量数据集作为模型输入；

s4：把所述多变量输入数据的特征变量划分为三类，分别为静态季节变量、过去观测变量、已知时间变量；

s5：设计并改进TFT模型，改进变量选择模块中的GLU（门控线性单元）层，实现增强对过去信息选择性获取和遗忘的功能，其计算公式为：

公式一：

其中所述W1，W2，W3为待训练的权重参数，所述b、c，d为待训练的偏置参数，gelu（）为激活函数gelu， 为矩阵乘法计算；

s6：改进TFT模型中的注意力计算方式，使用双头注意力机制，Q，K，V为输入的embedding分别乘上一个权重矩阵得到的query、key、value，首先对K进行采样，随机选择n个K，得到Kn，对qi∈Q关于Kn求M值，公式如下：

公式二：

其中qi∈Q，kj∈Kn

找到M中最大的n个qi，组成Qn ，关于Kn求A（Qn,Kn,V）,公式如下：

公式三：

其中Qn为选中的n个qi组成的矩阵，没有选中的qi求A（Q,K,V）后求均值初始化为原始Qr矩阵，Qn矩阵中非0值更新到Qr矩阵中得到最终Q矩阵；

求双头注意力公式如下：

公式四：

公式五：

注意力机制最后输出值；

s7：根据所述步骤s5和所述步骤s6中的改进建立新的TFT预测模型；

s8：将所述步骤s4中划分的静态季节变量、过去观测变量、时间已知变量分别接入模型对应的静态协变量、动态时变特征变量、动态时不变特征的输入数据的接口，使模型对不同的变量进行不同的特征选择和计算；

s9：训练模型，设置epoch的数量为40，decoder预测时间步为165，进行模型训练和建立；

s10：从测试集上进行测试，验证建立模型的准确度。

2.如权利要求1所述的方法，其特征在于，所述步骤s2中Prophet模型只用于数据处理，使用Prophet的预测模型进行时间序列特征变量的分解操作，作为模型的输入，只保留原数据中的节点，对该模型的预测结果不做使用。

3.如权利要求1所述的方法，其特征在于，所述步骤s3中的手动扩充时间特征变量可以根据数据的实际情况，增加相应的影响数据结果的某节日项。

4.如权利要求1所述的方法，其特征在于，所述步骤s4中静态季节变量为当前所在时间点的季节特征项，过去观测变量为预测点之前的已知观测到的动态变量，已知时间变量为整个预测体系中都已知的时间变量如年、月、周、日等。

5.如权利要求1所述的方法，其特征在于，所述步骤s5中是应用门控线性单元对数据特征进行选择性记忆和遗忘的计算方法。

6.如权利要求1所述的方法，其特征在于，所述步骤s6中的所有公式需配套使用，相互计算。

7.如权利要求1所述的方法，其特征在于，所述步骤s8中把季节变量作为静态协变量输入到模型中，使季节变量可以协调全局的特征。