Page 92 - 《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 571

0.40
原始序列预测值
0.35
平移序列预测值
0.30
真实值
0.25
输出值 0.20
0.15
0.10
0.05
0
0 10 20 30 40
时间步
图 12 平移序列与原始序列预测结果对比

将该序列构建方法称为横向平移, 方法通过删除原始序列尾部的部分元素, 并将序列头部元素的均值添加到
头部来构建与原始序列等长的新序列. 图 13 展示了横向平移序列构建的过程. 设输入历史窗口为 X = {x 1 , x 2 ,...,
x T }, 平移比例为 p, 按比例取出头序列 X h 和尾序列 X t :

X h = {x 1 , x 2 ,..., x N } (17)

X t = {x T−N+1 , x T−N+2 ,..., x T } (18)
对于头序列, 计算其均值并构造一个长度为 N 的均值序列:

X repeat = {µ,µ,...,µ} (19)
| {z }
长度为N

1 N ∑
µ = x i (20)
N
i=1
将均值序列与去除尾部序列的历史窗口拼接, 得到横向平移序列 X CR :

X CR = X repeat ∪{x 1 , x 2 ,..., x T−N } (21)

原始序列 横向平移 横向平移序列

图 13 横向平移序列构建

3.2.2 多视角预测模型构建
特征序列构建完成后, 需要训练一组预测模型以学习原始序列和特征序列模式并作出预测, 为后续集成任务
提供基础. 基于原始输入序列训练一个预测模型, 称为基础预测模型. 对于若干特征序列, 在每条序列上分别训练
一个预测模型, 称为特征预测模型. 设特征序列总数为 N mv , 多视角预测模型集合表示为 P = {predictor 1 , predictor 2 ,...,
predictor N mv +1 }. 对于第 i 个特征预测模型, 其预测输出为:

i
ˆ Y = predictor i (X i ), X i ∈ {X HE ,X HC ,X VE ,X VC ,X CR } (22)
t
之后计算多视角预测模型在各预测步长上的损失:

1
1
m
i
l = {l ,l ,...,l ,...,l N mv +1 } (23)
j
2
1
t
H
其中, H 为预测步长, l 表示第 i 个模型在第 j 个预测步长上的损失. i = 1 对应基础预测模型, i = 2,3,...,N mv +1 对
i
j
应特征预测模型. 各模型的预测值将用于计算最终预测值, 而各模型的损失将作为模型集成任务中强化学习智能
体状态的一部分.
考虑到特征序列已通过数学规则增强了特定维度的信息, 该处理使得序列中趋势方向、峰值强度等关键特征