Page 87 - 《软件学报》2026年第2期

566 软件学报 2026 年第 37 卷第 2 期

补性: 固化的特征提取结构难以灵活组合, 而传统集成方法 (如加权平均、固定规则选择) 缺乏对动态负载模式变
化的适应能力, 导致集成效果受限.

预测模型
预测器
原始序列预测
预测器

特征提取 奇数序列 偶数序列 预测器
奇数序列预测 偶数序列预测
奇偶分解 预测器
真实值
尺度采样 下采样序列1 下采样序列2 预测器
下采样序列1预测 下采样序列2预测
原始序列
趋势分解 预测器

… …
趋势序列 季节性序列 趋势序列预测 季节性序列预测
图 1 特征序列预测值对比

真实值 下采样序列1预测
原始序列预测 下采样序列2预测
奇数序列预测 趋势序列预测
0.09
偶数序列预测 季节性序列预测
最优集成预测值
0.08
0.07
输出值 0.06
0.05
0.04
0.03
0.02
0 10 20 30 40
时间步
图 2 特征序列预测值集成可视化

因此, 我们需要解决两个问题: 1) 如何以低成本生成具有互补信息的特征序列; 2) 如何动态融合多模型预测
结果以有效集成. 针对上述问题, 本文提出 SAC-MWF 框架, 通过设计轻量级特征变换操作构建多视角特征序列,
并利用强化学习驱动的动态权重分配机制实现预测结果的动态集成.
3 多视角工作负载预测集成框架 SAC-MWF

3.1 问题定义
给定单变量时间序列 X, 设历史窗口大小 T, 序列 X t = {x t−T ,..., x i ,..., x t−1 } 对应 t 时刻的历史窗口, 其中 x i ∈ R
表示序列 X 在 i 时刻的负载值. 预测任务的目标是训练模型 f θ , 使其能够基于历史窗口 X t 生成未来 H 步的预测值:

ˆ Y t = f θ (X t ) = {ˆy t , ˆy t+1 ,..., ˆy t+j−1 ,..., ˆy t+H−1 } (1)
其中, ˆ y t+j−1 表示第 j 个预测步长上的预测值, H 为预测窗口大小.

对于多模型集成任务, 设基础预测模型集合为 F = {f 1 , f 2 ,..., f M }, 其中 f m 表示第 m 个模型的预测函数, M 为基
础预测模型总数. 多模型集成的目标是学习一组动态权重 ω, 以对 M 个模型进行加权运算以生成集成预测值