(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111530284.1 (22)申请日 2021.12.14 (71)申请人 中国联合网络通信集团有限公司 地址 100033 北京市西城区金融大街21号 (72)发明人 王悦　龙岳　王天人　 (74)专利代理 机构 北京天昊联合知识产权代理 有限公司 1 1112 代理人 彭瑞欣　冯建基 (51)Int.Cl. H04L 41/147(2022.01) G06N 20/00(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 负载预测方法、 装置、 设备和计算机可读介 质 (57)摘要 本发明公开了一种负载预测方法、 装置、 设 备和计算机可读介质， 属于负载预测领域， 解决 负载预测精度低的问题； 该方法包括： 采集云计 算数据中心的负载信息， 得到负载时间序列的实 际值； 利用预先构建的静态统计模 型生成负载时 间序列的线性预测值， 根据负载时间序列的实际 值和线性预测值， 确定负载时间序列的残差； 根 据负载时间序列的残差， 对机器学习模型库中预 定数量的模 型进行训练和性能评估， 根据性能评 估结果选 取出混合预测模型； 使用静态统计模型 和混合预测模 型， 确定负载时间序列在未来指定 时刻的线性预测结果和非线性预测结果， 结合线 性预测结果和非线性预测结果， 得到负载时间序 列的预测结果； 根据该方法可以提高负载预测精 度。 权利要求书3页 说明书12页 附图2页 CN 114221877 A 2022.03.22 CN 114221877 A 1.一种负载 预测方法， 其特 征在于， 所述方法包括： 以预定时间间隔采集云计算数据中心的负载信 息， 得到所述负载信 息中的负载时间序 列的实际值； 利用预先构建的静态 统计模型生成所述负载时间序列的线性预测值， 并根据 所述负载 时间序列的实际值和所述线性预测值， 确定所述负载时间序列的残差； 根据所述负载时间序列的残差， 对机器学习模型库中预定数量的模型进行训练， 并对 训练后的每个模型的性能进行评估， 根据性能评估结果选取一个训练后的模型作为混合预 测模型； 使用所述静态 统计模型和所述混合预测模型， 确定所述负载时间序列在未来指定时刻 的线性预测结果和非线性预测结果， 结合所述线性预测结果和所述非线性预测结果， 得到 所述负载时间序列的预测结果。 2.根据权利要求1所述的方法， 其特征在于， 所述负载时间序列为去噪后的负载时间序 列； 在所述利用预先构建的静态统计模型生成所述负载时间序列的线性预测 值之前， 所述 方法还包括： 将所述负载时间序列变换为小波域的负载序列函数， 根据去噪效果选取小波基和小波 分解的层数， 以将小 波域的所述负载序列函数变换进行小 波分解； 对小波分解的高频系数进行阈值量化； 其中， 在所述阈值量化过程中， 所使用的阈值函 数中的阈值是根据最小最大估计获得的阈值； 利用所述小波分解的各层系数对所述负载序列函数进行重构， 以去除所述负载序列函 数的分解向量， 得到去噪后的负载时间序列。 3.根据权利要求1所述的方法， 其特征在于， 所述静态 统计模型为差分 自回归移动平均 ARIMA模型； 在所述利用预先构建的静态统计模型生成所述负载时间序列的线性预测值之 前， 所述方法还 包括： 获取云计算数据中心的历史负载信息， 得到所述历史负载信息中的历史负载时间序 列； 对所述历史负载时间序列进行平稳化检验， 在所述历史负载时间序列 未通过平稳化检 验的情况下， 对所述历史负载时间序列进行差分处理， 以得到所述历史负载时间序列的平 稳时间序列； 对所述平稳时间序列进行纯随机性检验， 以确定所述平稳时间序列能够用模型描述且 具有分析价 值； 计算所述平稳时间序列的自相关系数和偏自相关系数， 通过分析所述自相关系数和所 述偏自相关系数， 确定所述ARIMA模型的阶层参数和阶数参数， 以构建得到所述ARIMA模型。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所述负载时间序列的残差， 对机 器学习模型库中预定数量的模型进行训练， 并对训练后的每个模型 的性能进行评估， 根据 性能评估结果选取一个训练后的模型作为混合预测模型， 包括： 从所述负载时间序列的残差中， 分别获取残差数据集合作为训练样本集和验证样本 集； 使用所述训练样本集， 对机器学习模型库中预定数量的模型进行训练， 得到预定数量 的基础预测模型；权　利　要　求　书 1/3 页 2 CN 114221877 A 2创建能力区域的样本集合； 其中， 所述能力区域的样本集合中包括： 从所述训练样本集 中选择的K个与所述验证样本集中的样本实例相似度最高的样本实例， 其中， K为大于或等 于1的整数； 针对每个所述基础预测模型， 计算所述K个样本实例的预定回归评价指标的指标值， 以 对每个所述基础预测模型的性能进行评估； 从计算得到的指标值中选择具有最小指标值的样本实例， 将所述最小指标值的样本实 例所属的基础预测模型作为所述混合预测模型。 5.根据权利要求1所述的方法， 其特征在于， 所述使用所述静态 统计模型和所述混合预 测模型， 确定所述负载时间序列在未来指定时刻的线性预测结果和非线性预测结果， 包括： 根据所述静态统计模型， 对所述负载时间序列在下一时刻的取值进行 预测； 计算预测的所述下一时刻的取值与所述负载时间序列在所述下一时刻的真实值的差 值， 得到所述静态统计模型在下一时刻的所述负载时间序列的残差， 作为 参考残差； 根据所述混合预测模型， 对所述负载时间序列在未来指定数量的时间窗口的取值进行 预测， 并对预测得到的未来每 个所述时间窗口 的取值与所述 参考残差的相似度进行计算； 根据相似度最高的取值所对应的时间窗口， 确定对应的未来指定时刻； 将所述静态 统计模型和所述混合预测模型在所述未来指定时刻的预测值， 作为所述负 载时间序列在所述未来指定时刻的线性预测结果和非线性预测结果。 6.根据权利要求5所述的方法， 其特征在于， 所述结合所述线性预测结果和所述非线性 预测结果， 得到所述负载时间序列的预测结果， 包括： 计算所述混合预测模型在下一时刻的所述负载时间序列的残差作为所述混合预测模 型的预测误差； 若所述参考残差小于或等于所述混合预测模型的预测误差， 则将所述负载时间序列在 所述未来指定时刻的线性预测结果作为所述负载时间序列的预测结果； 若参考残差大于所述混合预测模型的预测误差， 则将所述线性预测结果和所述非线性 预测结果相加， 得到所述负载时间序列的预测结果。 7.一种负载 预测装置， 其特 征在于， 所述装置包括： 数据采集模块， 用于以预定时间间隔采集云计算数据中心 的负载信息， 得到所述负载 信息中的负载时间序列的实际值； 残差确定模块， 用于利用预先构建的静态 统计模型生成所述负载时间序列的线性预测 值， 并根据所述负载时间序列的实际值和所述线性预测值， 确定所述负载时间序列的残差； 模型选取模块， 用于根据所述负载时间序列的残差， 对机器学习模型库中预定数量的 模型进行训练， 并对训练后的每个模型 的性能进行评估， 根据性能评估结果选取一个训练 后的模型作为混合预测模型； 结果确定模块， 用于使用所述静态统计模型和所述混合预测模型， 确定所述负载时间 序列在未来指 定时刻的线性预测结果和非线性预测结果， 结合所述线性预测结果和所述 非 线性预测结果， 得到所述负载时间序列的预测结果。 8.根据权利要求7所述的装置， 其特征在于， 所述负载时间序列为去噪后的负载时间序 列； 所述装置还 包括： 小波分解模块， 用于将所述负载时间序列变换为小波域的负载序列函数， 根据去噪效权　利　要　求　书 2/3 页 3 CN 114221877 A 3