【技术实现步骤摘要】
本专利技术涉及一种云计算资源预测方法、装置及存储介质，属于云计算和深度学习。
技术介绍
1、作为一种新型的计算模式，云计算技术近年来发展迅猛，越来越多的企业和用户将业务转移到云上，实现云资源的共享和按需分配。在使用过程中，云资源和用户数量会发生改变，需要重新调整资源的分配。然而，由于云计算环境的动态性和复杂性，不合理的资源配置方法往往会导致资源浪费和资源分配不及时等问题。因此，如何对云资源历史数据进行准确的预测从而进行云资源的动态配置是云计算资源配置的关键。
2、目前机器学习算法已成为云计算资源预测的研究热点，其中深度学习方法在云计算资源中发挥着越来越重要的作用，可分为单一的深度学习模型和组合技术。由于云计算资源具有很强的动态性和实时性，所产生的数据具有复杂的非线性特征，使用单一的模型很难做好云计算资源的精确预测。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种云计算资源预测方法、装置及存储介质，通过ceemdan算法对云资源时间序列数据进行分解，再使用transformer编码和具有注意力机制的lstm解码，对云资源数据进行预测，提高了时间序列数据预测的准确性，解决了上述
技术介绍
中提出的问题。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本专利技术提供了一种云计算资源预测方法，包括：
4、采集云计算资源数据；
5、使用完全自适应噪声集合经验模态分解方法对采集到的云计算资源
6、将得到的各个模态分量分别通过transformer进行编码，提取各个模态分量中的特征信息；
7、将编码后的特征信息输入到具有注意力机制的长短期记忆网络中进行解码，以捕捉云计算资源数据的时序依赖关系；
8、将解码得到的多个预测结果进行集成，得到最终的云计算资源预测结果。
9、进一步的，所述使用完全自适应噪声集合经验模态分解方法对采集到的云计算资源数据进行分解，得到多个模态分量，包括：
10、将高斯白噪声ωi(t)加入到待分解信号序列y(t)中得到新信号序列yi(t)＝y(t)+σ0ωi(t)，其中σ0是噪声系数；
11、对新信号yi(t)进行经验模态分解并对分解产生的t个模态分量进行总体平均得到第一个本征模态分量imf1(t)，公式如下：
12、
13、计算去除第一个模态分量后的残差r1(t)，公式如下：
14、r1(t)＝y(t)-imf1(t) (2)
15、在残差r1(t)中加入高斯白噪声并重复经验模态分解，得到第二个本征模态分量imf2(t)，公式如下：
16、
17、计算去除第二个模态分量后的残差r2(t)：
18、r2(t)＝r1(t)-imf2(t) (4)
19、重复上述步骤，直到残差信号为单调函数，从而得到所有本征模态分量y(t)，公式如下：
20、
21、其中，n为本征模态分量的数量，imfi(t)表示第i个本征模态分量，r(t)表示最后的残差。
22、进一步的，所述将得到的各个模态分量分别通过transformer进行编码，提取各个模态分量中的特征信息，包括：
23、使用transformer模型作为编码器结构，为输入序列添加位置编码；
24、通过多个包含注意力机制和前馈神经网络的transformer编码器层对输入序列进行编码；
25、利用自注意力机制捕获序列内部的依赖关系，形成特征表示；
26、使用transformer解码器结构对编码的特征表示进行解码，生成最终的输出序列；
27、使用线性层将解码器的输出映射到输出维度为1的张量。
28、进一步的，所述将编码后的特征信息输入到具有注意力机制的长短期记忆网络中进行解码，以捕捉云计算资源数据的时序依赖关系，包括：
29、初始化模型参数和必要的线性层与lstm层；
30、准备输入数据，并对编码的隐藏状态进行预处理；
31、进行循环解码，在每个时间步根据当前状态和编码的隐藏状态计算注意力权重，生成上下文向量，并更新lstm状态；
32、使用最后一个时间步的lstm状态通过全连接层得到最终的解码输出。
33、进一步的，所述将解码得到的多个预测结果进行集成，得到最终的云计算资源预测结果，包括：
34、将模型所预测的每个本征模态分量和残差的值相加，得到完整的预测时间序列数据，作为最终的云计算资源预测结果。
35、第二方面，本专利技术提供一种云计算资源预测装置，包括：
36、采集模块，用于采集云计算资源数据；
37、分解模块，用于使用完全自适应噪声集合经验模态分解方法对采集到的云计算资源数据进行分解，得到多个模态分量；
38、编码模块，用于将得到的各个模态分量分别通过transformer进行编码，提取各个模态分量中的特征信息；
39、解码模块，用于将编码后的特征信息输入到具有注意力机制的长短期记忆网络中进行解码，以捕捉云计算资源数据的时序依赖关系；
40、集成模块，用于将解码得到的多个预测结果进行集成，得到最终的云计算资源预测结果。
41、第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。
42、第四方面，本专利技术提供一种计算机装置/设备/系统，其特征在于，包括：
43、存储器，用于存储计算机程序/指令；
44、处理器，用于执行所述计算机程序/指令以实现前述任一项所述方法的步骤。
45、第五方面，本专利技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现前述任一项所述方法的步骤。
46、与现有技术相比，本专利技术所达到的有益效果：
47、本专利技术提供一种云计算资源预测方法、装置及存储介质，通过ceemdan算法对云资源时间序列数据进行分解，降低了数据的复杂度，使用transformer编码提取数据的特征可以更好的捕捉输入序列数据的全局依赖关系，最后利用具有注意力机制的lstm在解码阶段利用编码的特征进行预测更准确的捕捉上下文信息，提高了时间序列数据预测的准确性。
本文档来自技高网...【技术保护点】
1.一种云计算资源预测方法，其特征在于，包括：
2.根据权利要求1所述的云计算资源预测方法，其特征在于，所述使用完全自适应噪声集合经验模态分解方法对采集到的云计算资源数据进行分解，得到多个模态分量，包括：
3.根据权利要求1所述的云计算资源预测方法，其特征在于，所述将得到的各个模态分量分别通过Transformer进行编码，提取各个模态分量中的特征信息，包括：
4.根据权利要求1所述的云计算资源预测方法，其特征在于，所述将编码后的特征信息输入到具有注意力机制的长短期记忆网络中进行解码，以捕捉云计算资源数据的时序依赖关系，包括：
5.根据权利要求1所述的云计算资源预测方法，其特征在于，所述将解码得到的多个预测结果进行集成，得到最终的云计算资源预测结果，包括：
6.一种云计算资源预测装置，其特征在于，包括：
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
8.一种计算机装置/设备/系统，其特征在于，包括：
9.一
...【技术特征摘要】
1.一种云计算资源预测方法，其特征在于，包括：
2.根据权利要求1所述的云计算资源预测方法，其特征在于，所述使用完全自适应噪声集合经验模态分解方法对采集到的云计算资源数据进行分解，得到多个模态分量，包括：
3.根据权利要求1所述的云计算资源预测方法，其特征在于，所述将得到的各个模态分量分别通过transformer进行编码，提取各个模态分量中的特征信息，包括：
4.根据权利要求1所述的云计算资源预测方法，其特征在于，所述将编码后的特征信息输入到具有注意力机制的长短期记忆网络中进行解码，以捕捉云计算资源数据的时序依赖关系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。