在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-W...在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。展开更多
文摘次季节预测在农业规划、防灾减灾和水资源管理等领域具有重要意义。基于人工智能的“风顺”次季节预测模型(CMA-AIM-S2S-Fengshun),结合自主研发的CRA-40再分析数据和FY-3E卫星数据,通过级联Swin Transformer模块和智能扰动生成技术,实现了气候多要素集合预测。对2017—2021年中国区域降水的历史回算检验表明,“风顺”在逐候平均降水预测中的表现显著优于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)模式,整体技巧提升18.6%,其中华南地区提升41.2%,东部地区提升26.5%。在MJO(Madden-Julian Oscillation)预测方面,“风顺”将技巧保持时间延长至32 d(CRA-40驱动),超过ECMWF的30 d基准。个例分析显示,模型对2024年7月中旬华北强降水过程的落区和强度预测精度更高,提前3~4候捕捉到关键异常信号。
文摘在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。
