基于VDM-ISSA-LSSVM的云资源短期负载预测模型

摘要：

准确预测云资源短期负载对提高云平台资源管理效率、保障云服务质量至关重要.针对传统模型在面对小样本、非线性云资源负载数据时预测精度不高,提出一种基于变分模态分解(VMD)和改进麻雀搜索算法(ISSA)优化最小二乘支持向量机(LSSVM)的云资源短期负载预测模型.将原始负载数据通过VMD分解成多个相对平稳的模态分量;对麻雀搜索算法进行优化,增强种群多样性,提高寻优性能和收敛速度.利用改进麻雀搜索算法优化LSSVM的关键参数,建立 VMD-ISSA-LSSVM预测模型.利用Wikipedia网站的云资源负载数据进行仿真,结果表明,所提模型在预测精度上优于参照模型.

关键词：云计算、负载预测、麻雀搜索算法、变分模态算法、最小二乘支持向量机

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;广西自然科学基金项目

在线出版日期：2023-09-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：117-124