Page 90 - 《软件学报》2026年第2期
P. 90
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 569
预测仍存在不足. 为进一步帮助模型学习原始序列中的增长和下降模式, 本文对原始序列中的各点进行缩放以增
强趋势变化的显著性. 图 8 展示了原始序列预测值与 MLP 模型在峰值增强序列上的预测结果对比. 可以看出, 峰
值增强序列预测值在峰值部分的预测表现优于原始序列预测值.
原始序列 横向收缩 横向收缩序列
图 7 横向收缩序列构建
0.50
原始序列预测值
0.45
峰值增强序列预测值
0.40 真实值
0.35
输出值 0.30
0.25
0.20
0.15
0.10
0.05
0 10 20 30 40
时间步
图 8 峰值增强序列与原始序列预测结果对比
将该序列构建方法称为纵向扩展, 方法依据序列极差和单步变化幅度逐点扩大序列趋势变化幅度. 具体而言,
通过计算相邻点的差值绝对值与历史窗口极差的比值确定每个点的缩放因子. 随后, 对于增长趋势点, 对其真实值
进行加倍以增大其值, 而对于下降趋势点, 对其真实值应用除法以缩小其值, 从而实现扩大趋势变化幅度的目的.
图 9 展示了纵向扩展序列构建的过程.
原始序列 纵向扩展 纵向扩展序列
图 9 纵向扩展序列构建
X = {x 1 , x 2 ,..., x T }, 纵向扩缩因子为 m, 计算输入序列极差 R:
设输入历史窗口为
{
max(X)−min(X), max(X) , min(X)
R = (9)
ε, max(X) = min(X)
−6
其中, ε 表示极小常数 (如 10 ), 用于处理极差为 0 的序列. 定义相邻点之间的差值序列 D:
D = {d 1 ,d 2 ,...,d T−1 }, d i = x i+1 − x i , i = 1,2,...,T −1 (10)
计算每个差值与极差 R 的比值得到缩放序列 N, 其中每个缩放比例 n i 为:
|d i |
n i = , i = 1,2,...,T −1 (11)
R
将缩放比例 n i 转化为不同的放大因子等级 b i :
1, n i < 0.3
b i = 2, 0.3 ⩽ n i < 0.6 (12)
3, n i ⩾ 0.6
