一种承载水资源模型的云容器负载预测方法与流程

本发明属于云计算资源调度，具体涉及一种承载水资源模型的云容器负载预测方法。

背景技术：

1、随着云计算、边缘计算及智能物联网等新型计算范式的快速发展，动态负载预测已成为实现资源弹性调度、保障服务质量及优化能效比的核心技术基础。

2、在承载水资源模型等复杂科学计算应用的云容器环境中，负载波动呈现出非线性、非平稳、多尺度耦合等复杂动力学特征。这类模型在进行大规模水文模拟、洪水预报或水资源优化调度时，其计算任务具有突发性、阶段性强依赖性和长时间尺度依赖等特点，导致容器工作负载表现出显著的突变、趋势漂移及多时间尺度混杂。这种复杂的负载特性，对预测模型的准确性和鲁棒性构成了严峻挑战。

3、传统的负载预测方法主要分为两类：一类是基于统计模型的方法，如arima（autoregressive integrated moving average，自回归移动平均模型）、svr（supportvector regression，支持向量回归）等，这类方法假设时间序列具有线性或平稳特性，难以有效处理实际生产环境中的突发性负载变化和长周期趋势；另一类是基于单一循环神经网络的方法，如rnn、lstm等，虽然能够捕捉时序依赖关系，但在面对高频噪声、模态混叠以及多尺度特征耦合时，预测误差容易累积，导致模型性能下降。

4、现有研究表明，通过信号分解技术，如emd（empirical mode decomposition，经验模态分解）、eemd、vmd（variational mode decomposition，变分模态分解）等，将原始负载序列解耦为多个imf分量，再对各分量分别建模预测，可有效提升预测精度。然而，传统分解方法仍存在以下不足：

5、（1）emd易出现模态混叠现象，导致分解后分量的物理意义模糊；

6、（2）eemd虽引入噪声辅助，但其关键参数，如噪声幅值、集成次数、最大imf数，依赖人工经验设定，难以自适应不同负载特性；

7、（3）现有分解-预测框架多采用单一网络结构对分量建模，忽略了不同频段分量的时序模式差异，且未能充分融合多尺度特征，限制了预测性能的进一步提升。

8、因此，本发明提供一种能够自适应分解负载信号、并针对多尺度特征进行差异化建模的负载预测方法，以解决现有技术中预测精度低、鲁棒性差的问题。

技术实现思路

1、本发明旨在克服现有技术的不足，提供一种承载水资源模型的云容器负载预测方法，解决传统方法在非平稳、多尺度负载数据上预测精度低、参数依赖人工经验、模态混叠等问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种承载水资源模型的云容器负载预测方法，获取历史负载时序数据，构建输入序列；采用贝叶斯优化算法对eemd的参数进行自适应优化，所述eemd是一种通过多次添加白噪声辅助的经验模态分解方法；将原始负载序列分解为若干imf分量及残差项，所述imf表征序列在不同时间尺度上的本征振荡模式；构建多尺度rnn-lstm混合预测网络，对各imf分量和残差项分别进行时序建模，得到各分量的预测值；将各分量的预测结果进行线性叠加，重构得到最终负载预测值。

4、具体的包括以下步骤：

5、步骤1：数据获取与预处理；

6、从云容器监控平台采集历史负载数据，包括cpu利用率、内存使用率、网络传输吞吐量等指标；设历史时间窗口长度为l，当前时刻为t，构建输入序列，其中每个时间步包含待预测的目标变量；将数据集按时间顺序划分为训练集、验证集和测试集，并进行归一化处理；

7、步骤2：基于贝叶斯优化的eemd分解；

8、对训练集中的原始负载序列进行bo-eemd分解；

9、bo-eemd分解具体包括以下子步骤：

10、（1）以时间序列形式输入负载数据，作为后续分解与预测的基础输入。

11、（2）设定eemd相关参数的优化搜索范围，并初始化贝叶斯优化算法的超参数，包括最大迭代次数、收敛容忍度、超时阈值。

12、（3）对负载数据执行eemd分解，得到若干imf和残余项；同时计算各imf的包络熵，用于衡量分解质量，并记录当前迭代的适应度。

13、（4）检查是否达到预设的终止条件，若满足，则终止优化过程；否则，进入下一轮迭代。

14、（5）保存目前迭代过后的最优参数和最小适应度。

15、（6）使用第（5）步获得的最优参数，对原始负载信号重新执行eemd分解。

16、（7）针对每个imf分量分别构建独立的rnn-lstm预测单元，捕捉不同时间尺度的波动特征。

17、（8）将所有分量的预测结果按线性叠加原理重构，结合残差项修正，最终输出高精度的负载预测值。

18、步骤3：构建多尺度rnn-lstm预测网络；

19、针对每个imf分量和残差项，分别构建相同结构的多尺度rnn-lstm网络进行预测。多尺度时序预测模型结构包括高分辨率分支、低分辨率分支和特征融合层。

20、高分辨率分支：输入原始时间步序列，经过一个rnn层，再接一个lstm层，分别设置单元数与激活函数，输出得到细粒度特征；

21、低分辨率分支：对输入序列进行平均池化降采样，然后依次经过rnn层和lstm层，输出粗粒度特征。

22、特征融合层：将双分支输出在特征维度上拼接，输入到一个全连接层。

23、全连接层：最后通过线性叠加融合各imf预测结果，输出该分量的预测值。

24、所有分支共享相同的网络参数，采用统一的训练策略。高分辨率分支，用rnn-lstm提取细粒度特征，保留瞬时细节；低分辨率分支，通过池化压缩时间维度，再用rnn-lstm提取粗粒度特征，抑制噪声干扰。将不同分支的输出在特征融合层合并，使模型能联合优化短期与长期信息基于多尺度时序预测模型。

25、步骤4：模型训练与预测；

26、将每个分量的历史序列作为输入，未来负载值作为输出，构建训练样本。采用adam优化器，配置初始学习率、批大小、epoch，以mse作为损失函数，并在验证集上监控早停。训练完成后，对测试集进行预测，得到各分量的预测值。

27、步骤5：重构最终预测结果；

28、将所有分量的预测值按照时间对齐后逐点线性叠加，得到最终负载预测值。

29、还包括步骤6：多步预测扩展；

30、对于需要预测未来多个时间步的场景，采用递归或多输出策略。实例设置超前预测步数，直接输出对应步长的预测序列。训练时，将输出维度设置为预测步长，损失函数计算各步误差的平均值。

31、一种承载水资源模型的云容器负载预测方法，包括以下步骤：

32、进一步的，步骤（2）中所述贝叶斯优化算法采用改进的tpe(tree-structuredparzen estimator，树结构parzen估计器)作为代理模型，并通过ei（expectedimprovement，期望改进）采集函数指导离散参数空间的搜索；待优化参数包括噪声幅值、集成次数和最大imf数量。

33、进一步的，步骤（2）中所述eemd通过多次添加高斯白噪声并对分解结果进行集成平均，缓解模态混叠现象；具体步骤包括：对原始信号添加多组高斯白噪声，生成含噪信号集合；对每个含噪信号进行独立emd分解，得到各自的imf集合；对所有分解结果按imf阶数进行对齐并取平均，得到最终的imf分量和残差项。

34、进一步的，所述方法支持多步预测任务，通过设置预测步长，输出未来多个时间点的负载值；在训练过程中采用自适应矩估计优化器，结合均方误差损失函数进行端到端训练，并通过早停机制防止过拟合。

35、进一步的，所述方法应用于承载水资源模型的云容器资源调度场景中，通过预测负载趋势指导容器的弹性扩缩容操作。

36、与现有技术相比，本发明具有以下有益效果：

37、（1）通过贝叶斯优化驱动的eemd参数自适应机制，实现了对负载信号的高质量分解，有效抑制了模态混叠，保证了imf分量的物理意义和稳定性；

38、（2）构建了多尺度rnn-lstm混合预测网络，通过双分支结构同时捕捉负载的短期波动和长期趋势，实现了对不同频段分量的差异化建模，提升了模型对复杂时序模式的拟合能力；

39、（3）采用“分解-分治-集成”的预测框架，各分量独立优化后线性重构，避免了传统端到端模型中不同频率信号相互干扰的问题，显著提高了预测精度和鲁棒性；

40、（4）在公开数据集上的实验表明，本发明的预测精度指标，包括mae（meanabsolute error，平均绝对误差）、rmse（root mean squared error，均方根误差）、r²（coefficient of determination，决定系数）、ia（index of agreement，一致性指数），均优于现有主流方法，尤其在多步预测任务中表现出更强的抗误差累积能力，适用于承载水资源模型等复杂应用的云容器动态调度场景。