[发明专利]一种容器的资源使用量预测方法

摘要

本发明公开了一种容器的资源使用量预测方法，通过构建密集型宽度学习模型，在此基础利用基于迭代式的最小二乘法求取特征节点的输出权值矩阵，以及采用共轭梯度法求解增强节点的输出权值矩阵，实现对密集型宽度学习模型的训练，从而获取全局最优解，优化网络结构，实现对容器的资源使用量的精确预测，能够有效提高预测精度和效率。

主权项

1.一种容器的资源使用量预测方法，其特征在于，具体包括如下步骤：/n步骤一、采集容器的资源使用量历史数据构建训练样本集，样本的输出为选定时间点的容器的资源使用量，输入为所述选定时间点前的连续多个时间点的容器的资源使用量；/n步骤二、建立密集型宽度学习模型为如下公式，并利用训练样本集进行训练：/n ，/n式中，/n其中，F^N×1表示密集型宽度学习模型的输出数据，N表示样本个数，b表示密集型特征节点的个数，d表示密集型增强节点的个数，表示密集型特征节点矩阵，表示密集型增强节点矩阵，W^b×1表示密集型特征节点输出权值矩阵，W^d×1表示密集型增强节点输出权值矩阵，W^(b+d)×1表示输出权值矩阵；Z_i^N×1表示第i个特征节点向量，X^N×M表示密集型宽度学习模型的输入数据，M表示每个输入样本向量的特征维数，表示输入到第i个特征节点之间的输入权值矩阵，表示第i个特征节点的偏置；H_i^N×1表示第i个增强节点向量，表示特征节点到第i个增强节点之间的输入权值矩阵，表示第i个增强节点的偏置；φ与均为可选择的非线性激活函数；和均为随机生成，且生成后保持不变；/n求解特征节点的输出权值矩阵，在此基础上，以完成训练的特征节点形成的误差作为输入，求解增强节点的输出权值矩阵，完成所述密集型宽度学习模型的训练；/n步骤三、将当前时间点前的连续多个时间点的容器的资源使用量输入到步骤二训练好的所述密集型宽度学习模型中，预测当前时间点的容器的资源使用量。/n