Page 86 - 《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 565

重构处理负载数据, 并将重建后的多维时间序列输入基于进化算法的数据分组处理方法以预测未来的主机负载.
统计学习模型依赖工作负载都是线性的假设, 该假设过于简单且此类模型无法应对模式变化, 因而并不适合
长期预测任务 [23] . 经典机器学习模型适合处理低维数据, 而在处理高维数据时易受维度灾难限制 [24] . 传统模型现
阶段多作为多模型方法的组件.
1.2 深度学习模型方法
深度学习模型方法通过非线性建模能力打破传统模型方法的性能瓶颈. 在各类深度学习模型方法中, 基于
LSTM 的预测模型因其优异的时序依赖捕获能力和计算开销优势而得到广泛应用 [25] . 例如, Gao 等人 [26] 使用
LSTM 预测边缘数据中心的响应时间等指标. Ruan 等人 [27] 采用改进的 LSTM 模型预测 CPU 利用率. 近年来, 研究
者进一步从多视角特征提取角度创新模型结构. 例如, Zeng 等人 [17] 提出了简单有效的 DLinear 模型, 通过趋势-季
节性分解与线性层构建轻量预测模型. Liu 等人 [15] 提出的 SCINet 模型采用奇偶索引分解与多分辨率卷积捕获动
态时序模式. Wang 等人 [16] 提出一种基于多尺度融合架构的预测模型 TimeMixer, 通过趋势分解与多尺度融合生成
互补性预测结果并整合为最终预测结果.
尽管深度学习模型在复杂模式建模上表现优异, 但其网络复杂度和计算成本会随着数据维度增大而快速增
加. 这导致模型的运行时开销激增, 并限制了其在高计算成本场景中的应用 [24] . 新型时序预测模型大多有着独特
的结构设计, 对于序列特征的提取能力较传统模型有明显增强 [28−30] . 但其特征提取结构高度固化, 难以灵活组合以
构建预测性能更强的模型.
1.3 混合模型方法
混合模型方法通过融合传统模型与深度学习模型的优势以进一步提升模型预测性能. 串联式混合架构是主流
设计方式之一, 如, Devi 等人 [14] 提出了一种 ARIMA 加人工神经网络 (artificial neural network, ANN) 的混合模型,
其中 ARIMA 处理数据的线性成分, 而 ANN 处理非线性成分. Patel 等人 [13,31] 构建 CNN-LSTM 混合模型, 利用
CNN 提取局部空间特征后通过 LSTM 进行时序预测. Chen 等人 [12] 引入 Savitzky-Golay 滤波器进行数据平滑预处
理, 之后使用 CNN-BiLSTM 模型进行预测.
另一类研究聚焦集成式混合模型, 即通过对多个模型的预测结果进行选择、平均、加权来生成最终预测结
果. 在实际研究中, Saadallah 等人 [32] 使用演员-评论家算法来学习组合模型的最优权重. 在其研究中, 强化学习的动
作被设计为组合基础模型的权重向量, 状态则对应之前若干步集成模型的预测输出, 奖励函数由集成模型在全部
模型中的预测误差排名决定. 强化学习可以通过与环境的交互自主学习模型集成的最优权重, 并根据环境变化及
时优化策略, 其强适应性和捕捉长期回报的能力有助于生成更稳健的集成模型.
现有混合模型方法存在模型冗余问题. 串联架构中多个子模型的叠加会显著增加计算开销, 且其相对固定的
结构难以保证模型的泛化能力. 而大型集成模型所使用的模型池包含大量不同种类的模型, 这种方式虽能确保集
成模型的预测准确度优于对比方法, 但难以保证模型的通用性, 且存在资源开销过大的问题.
2 研究动机

如图 1 所示, 在对同一负载序列施加不同的特征变换后, 基于各特征序列的预测结果 (蓝色) 在不同时间区间
呈现较大差异, 在不同的预测步长上有不同的最优预测模型. 这表明多视角特征序列预测值之间存在互补性, 若合
理融合多视角预测结果, 能够进一步提升模型预测性能.
图 2 展示了原始序列预测 (绿色实线)、特征序列预测 (虚线)、最优集成预测 (蓝色实线) 和真实值 (红色实
线) 共 9 条序列的对比. 从图中可以看出, 在起伏较大的波峰和波谷片段, 原始序列预测会出现增减趋势相反、峰
值幅度不足、滞后问题, 与真实序列偏差较大. 而部分特征序列在这些时刻能够提供更优预测值, 在一定程度上弥
补原始序列预测的偏差.
基于上述分析可以认为, 通过构建特征序列来帮助模型提升信息捕获能力是有效的. 基于不同特征序列生成
的预测结果之间存在互补性, 而这种互补性可用于构建更加强大的预测模型. 然而, 现有方法难以有效利用此类互