[发明专利]一种基于机器学习的云资源预测方法

说明书

本发明公开了一种基于机器学习的云资源预测方法，包括5个步骤：步骤S1.数据归一化；步骤S2.使用WGAN‑GP训练数据；步骤S3.利用BIGRU网络提取信息；步骤S4.计算相似度；步骤S5.预测方法；对数据进行预测，通过上述相似度的度量，集中各模型的预测更加贴合真实值，提高模型的预测性能。借鉴已有GAN技术，提出在云计算资源的预测研究中使用生成对抗网络对云资源数据进行学习扩充，针对传统循环神经网络无法全面利用数据时间相关信息这一局限性，使用双向门控循环单元网络作为预测模型，有效地学习原始样本的数据分布规律，并生成与原始样本高度相似的较高质量的新数据，从而弥补数据匮乏导致预测精度低的缺陷，提高模型预测性能。

技术领域

本发明涉及机器学习和资源预测领域，特别涉及一种基于机器学习的云资源预测方法。

背景技术

近年来，随着机器学习的发展，机器学习算法已经成为了时间序列数据预测的研究热点。机器学习算法具有良好的参数学习能力以及非线性数据拟合能力，随着预测方法的技术在图像处理以及语音识别等领域的逐渐成熟，其思路和方法技术逐步被借鉴引用到多个领域时间序列的预测研究中来，包括反向传播神经网络、支持向量机、随机森林、极限学习机和卷积神经网络。

BP神经网络模型方法是比较热门的推荐技术之一，但该推荐技术仍然存在局限性：

（1）利用率差：无法均衡准确地调度云资源，容易产生过度供应或者供应不足的情况，导致资源利用率差、请求响应不及时。

（2）容易过拟合：容易出现过拟合现象，泛化能力低下，即训练集的预测效果良好，但在测试集中的预测效果很差。

（3）局部最优：结果并不稳定，陷入局部最值，在训练过程中梯度下降到局部极小值点就停止迭代，无法跳出局部最优。

因此，本发明提出一种基于生成对抗网络与BiGRU的云资源预测方法。生成器所生成的虚拟样本更具多样性，并且更加接近原始样本的边缘分布。采用WGAN-GP和BiGRU模型联合模型去预测容器云资源未来时刻的情况，同时自适应调整模型学习率的变化情况，使其适应模型需要，提高模型的预测精度。

发明内容

本发明的目的针对本发明的目的在于针对现有预测技术中的不足，解决了上述背景技术中提出的问题。

为了实现以上目的，本发明所采用的技术方案包括以下步骤：

步骤S1. 数据归一化；

步骤S2. 使用WGAN-GP训练数据；

步骤S3. 利用BIGRU网络提取信息；

步骤S4. 计算相似度；

步骤S5. 预测方法；

所述步骤S1 数据归一化还包括如下步骤：

步骤S11：根据数据获取集合中最大 x 值和最小 x 值之间的差值，并建立一个基数，使时序数据中的特征充分显现；

步骤S12：根据数据归一化为预测基数；

所述步骤S2 使用WGAN-GP训练数据还包括如下步骤：

步骤S21：归一化的数据后，判别模型的目标函数，当输入为X时，判别模型的输出分别对应于1和0：

步骤S22：生成模型的目标是通过最小化式中的目标函数来模拟真实数据中的复杂分布，以达到使接近1的目的；

步骤S23：采用RMSProp优化器，训练过程中判别器与生成器相互博弈，达到均衡后完成训练，再根据不同的噪声量生成与原始数据具有相同分布的数据，达到数据增强的目的，从而降低算法模型的训练难度；