Page 100 - 《软件学报》2026年第2期

曾文瑄 等: 云计算中基于 SAC 的多视角工作负载预测集成框架 579

4.3.3 Softmax 层
为进一步探究应用 Softmax 层的影响, 本文选择全部 9 个对比模型在 3 个数据集上开展实验. 设置历史窗口
为 96, 预测窗口为 48, 每组实验分别设置使用 Softmax 和不使用 Softmax 两组并进行对比. 实验结果如图 16 所示.
可以看出, 移除 Softmax 层的 SAC-MWF 的预测误差显著增加. 在集成过程中, 应用 Softmax 层能将每一预测步长
上的最终预测结果严格限制在多视角预测模型的预测值极值之间. 且因为有 Softmax 层进行处理, SAC 算法在选
择动作时并不需要太过精细, 即便为单一模型分配极高权重, 也不会造成集成结果的剧烈抖动. 而在去除 Softmax
层后, SAC 算法需要准确地为每一个模型分配权重系数, 这近乎是使用强化学习完成预测任务, 因此其集成效果
明显更差.

0.196 0.657 0.210
BiLSTM 0.957 BiLSTM 3.115 BiLSTM 0.976
0.196 0.660 0.221
GRU 1.075 GRU 2.744 GRU 1.287
0.202 0.678 0.181
TCN 1.148 TCN 3.338 TCN 1.269
0.213 0.680 0.212
Crossformer 0.925 Crossformer 3.119 Crossformer 1.144
0.208 0.678 0.205
Informer 1.260 Informer 4.565 Informer 1.081
0.206 0.681 0.161
iTransformer 1.298 iTransformer 3.176 iTransformer 0.981
0.202 0.680 0.198
SCINet 1.461 SCINet 2.372 SCINet 0.953
0.197 0.685 0.188
TimeMixer 1.075 TimeMixer 3.669 TimeMixer 1.343
0.196 0.678 0.194
DLinear 0.903 DLinear 3.477 DLinear 1.309
0 0.50 1.00 1.50 2.00 0 1 2 3 4 5 6 0 0.5 1.0 1.5 2.0 2.5
MSE损失 MSE损失 MSE损失
(a) Azure2021 (b) Google2019 (c) SockShop
使用 Softmax 不使用 Softmax
图 16 Softmax 层消融实验

4.4 特征序列构建方法超参数实验
为进一步研究特征序列构建中方法超参数设置的影响, 本文以 iTransformer 为基础预测模型在 Google2019
数据集上进行实验. 实验研究的超参数包括: 横向平移比例 p、横向扩展插入间隔 k 和纵向扩缩因子 m.
(1) 横向平移比例 p: 横向平移比例影响横向平移序列中保留的原始序列长度. 随着参数增大, 原始序列周期
平移的幅度增大, 原始信息保留减少. 参数 p 最大为 1, 对应将原始序列替换为等长度的均值序列. 实验中设置横
向平移比例参数 p 在 [0.1, 1] 区间内以 0.1 为间隔选取.
(2) 横向扩展插入间隔 k: 横向扩展插入间隔影响横向扩展序列的最终长度. 随着参数增大, 插入点的数量逐渐
减少, 特征序列与原始序列逐渐接近. 为充分验证插入点数量和位置对模型预测准确度的影响, 实验中设置横向扩
展插入间隔参数 k 最小为 1, 最大为序列长度的一半, 取值间隔为 1. 即插入点数量最小为 2, 最大为原始序列长度.
(3) 纵向扩缩因子 m: 纵向扩缩因子影响纵向扩展序列和纵向收缩序列中趋势变化幅度的处理力度. 随着参数
增大, 纵向扩展序列中的峰值部分逐渐突出, 纵向收缩序列中的峰值削减更加明显. 为避免增强后的峰值数值超出
序列上限而影响特征序列预测准确度, 实验中设置纵向扩缩因子 m 在 [0.1, 0.8] 区间内以 0.1 为间隔选择.
实验结果如图 17 所示. 可以看出, 在不同的历史窗口-预测窗口组合下, 各参数对 SAC-MWF 的影响有所不
同. 对于横向平移比例 p, 随着参数增大, SAC-MWF 的误差整体呈现先增加后减少的变化趋势. 在 12-4 和 96-48
两组实验中, p 为 1.0 时, SAC-MWF 的预测误差最低, 此时对应使用和原始序列等长的均值序列作为横向平移特
征序列. 而在 24-8 和 48-16 两组实验中, SAC-MWF 在 p 为 0.1 时取得最低预测误差. 横向平移的目的是让模型关
注预测序列增减趋势变化滞后问题, 当 p 较小时, 输入特征预测模型的原始序列信息较多, 此时特征预测值可以在
不显著影响大多预测结果的前提下, 提升部分预测步长上的预测准确度. 而当 p 较大时, 输入的特征序列接近均值
序列, 此时的特征预测值能够有效修正基础预测值中增减趋势错误的部分. 上述两种情况下, 横向平移策略均能有
效提升模型预测准确度.
对于横向扩展插入间隔 k, 各实验组均有不同的最优参数设置. 在 12-4 和 96-48 实验组中, SAC-MWF 在 k 为
5 时取得最低误差. 在 24-8 实验组中, SAC-MWF 在 k 为 3 时取得最低误差. 而在 48-16 实验组中, k 为 4 时 SAC-