Page 88 - 《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 567

j
j
ˆ Y ensemble . 记第 m 个基础模型在第 ω m ω m 为非负数且同一预测步长上的权重系数和
,
t j 个预测步长上的权重系数为
为 1:
M ∑ M ∑
j
m
j
j
ˆ Y ensemble = ω · ˆ Y , s.t. ω = 1, ω ⩾ 0 (2)
t m t m m
m=1 m=1
3.2 SAC-MWF 结构设计
SAC-MWF 的目标是通过构建集成模型来实现准确的云工作负载预测. 框架以过去的云工作负载数据作为输
入, 使用多种特征序列构建方法生成特征序列, 随后训练一个基础预测模型、多个特征预测模型和一个 SAC 模型
用于集成预测. 当进行预测时, 它将使用基础预测模型和特征预测模型生成一组多视角预测值, 随后用 SAC 算法
对多视角预测值进行加权以生成最终预测.
SAC-MWF 的整体架构如图 3 所示, 它由 3 个部分组成: ① 特征序列构建, 通过数学变换基于历史窗口生成
多条特征序列. ② 多视角预测模型构建, 基于历史窗口和多条特征序列训练一组预测模型生成多视角预测值. ③ 多
视角预测模型集成, 利用 SAC 算法对多视角预测值进行集成以生成最终负载预测值.

X t
多视角预测值 l m t−1 l m t−1
输入序列X 状态生成
基础预测值
s t
X t
基础预测模型
演员 评论家
价值
X t
动作
特征序列构建方法 特征序列 特征预测模型 特征预测值 SAC智能体
a t
预测器 Softmax
ω t
Y t
预测器
ensemble
预测输出Y t
预测器
… … … …
特征序列构建 多视角预测模型构建 多视角预测模型集成
图 3 SAC-MWF 框架设计

3.2.1 特征序列构建
集成模型的性能依赖于多视角预测值的互补性, 而互补性源于特征序列对原始负载中不同模式的显式增强.
通过对比图 4 中的真实值和原始序列预测值可以观察到, 原始序列预测值相较于真实值存在预测峰值幅度不足
(紫色虚线框)、增减趋势相反 (橙色虚线框) 和预测值偏移 (蓝色虚线框) 的问题. 针对上述现象, SAC-MWF 采用
一组特征序列构建方法来生成若干特征序列, 以生成和原始序列预测值具有强互补性的特征序列预测值. 本文通
过 5 种数学变换构建特征序列, 有针对性地引导模型关注特定维度的模式.
(1) 横向扩展
原始序列存在局部波动频繁的问题, 导致模型在预测时难以准确捕捉部分趋势变化的发生时刻和幅度, 从而
出现增减趋势相反现象. 针对该问题, 本文对原始序列进行扩展处理, 通过在原始序列中插入均值点的方式增强原
始序列的局部变化信息, 帮助模型更准确地预测趋势变化的发生时刻与幅度. 图 5 展示了原始序列预测值与 MLP
模型在应用插值方法后的扩展序列上的预测值对比. 可以看出, 处理后序列的预测值在增减趋势上的预测优于原
始序列预测值.