CN115509752B 基于深度自回歸循環神經網絡的邊緣預測方法 （福州大學）

基于深度自回歸循環神經網絡的邊緣預測本發明涉及一種基于深度回歸循環神經網集進行預處理；步驟S3:將邊緣服務器的用戶作為協變量；步驟S4:將預處理后的數據集和協變驟S5:基于邊緣負載預測結果，協助邊緣計算服2步驟S4:將預處理后的數據集和協變量輸入預測模型對未針對一臺邊緣服務器i的負載，zi,t表示邊緣服務器i在一段時間t內的CPU使用率變化邊緣負載數據zi,t-1和隱藏層輸出hi,t-1將用于計算當前時刻的網絡輸出hi,t；似然函數l跨服務器之間的CPU使用率存在差異，故將每條邊緣服務器負載數據的均值作為縮放因子3zi,to-lcto-1、xi,to-lcto-1進行編碼并輸出hn-1,并將作為解碼器的初始輸入，其中Lc為負載輸入長度。每一個時間步的輸入包括當前時刻的協變量前一時刻的負載值zi,to-1以及前一時刻的網絡輸出hus-1,通過訓練得到當前時刻的網絡輸出hu-進而4緣負載的未來變化情況更有參考意義也更有助于邊緣計算系統靈活[0010]步驟S4:將預處理后的數據集和協變量輸入預測模型對未來的邊緣負載進行預[0013]針對一臺邊緣服務器i的負載，zi,t表示邊緣服務器i在一段時間t內的CP5[0023]進一步的，所述預測模型為基于深度自回歸循環神經網[0030]每一個時間步的輸入包括協變量xit前一時刻的負載值zi,to-1以及前一時刻的網絡輸出hix-1,通過訓練得到當前時刻的網絡輸出his=h(hix-1,zx,-1xiso1n),進而計算似然函數l(z|θ)的參數eu=(uu,a):6[0036]2、本發明可通過選擇不同的概率分布函數從而針對不同預測長度實現更優的預[0046]步驟S4:將預處理后的數據集和協變量輸入預測模型對未來的邊緣負載進行預[0049]針對一臺邊緣服務器i的負載，zi,t表示邊緣服務器i在一段時間t內的CP7跨服務器之間的CPU使用率存在10～20倍的差異。為了應對上述數據跨度差異進而建立精確的邊緣負載預測模型，我們將每條邊緣服務器負載數據的均值作為縮放因子vi(在輸入[0060]最后，邊緣負載預測結果將協助邊緣計算服務提供商制[0061]在本實施例中，提出了一種新穎的ELP_DAR方法以對時間序列問題實現更精確的89算得到his-1,并將其作為解碼器的初始輸入。[0077]圖2展示了ELP_DAR方法的訓練與預測過程。訓練與預測過程中的編碼器是相同[0078]ELP_DAR方法的訓練過程如圖2中(a)所示。每一個時間步的輸入包括協變量xix前一時刻的負載值zi,to-1以及前一時刻的網絡輸出通過訓練得到當前時刻的網絡輸出進而計算似然函數l(z|θ)的參數接著，通過自[0081]ELP_DAR方法的預測過程如圖2中(b)所示。由于[t0,T]時間區間內的負載數據是法得到采樣的負載值并將其作為下一時間步的輸入。通過不斷迭代，可得到[t0,T]時間區間內的負載預測結果，并通過采樣值進一步計算相應的分位數和期望等指[0083]cr=fcr-1+ii?t(公式10)[0097]與現有負載預測相關工作不同的是，所提出的ELP_DAR并不是直接輸出下一時刻對用戶ID進行了編碼并作為協變量，并與邊緣負載數據一同作為邊緣負載預測模型的輸度。這說明ELP_DAR方法不僅在單點預測中具備良好的性能表現，并且在概率分布預測方