负载预测

摘要： 在车联网中,过高的车辆密度会造成信道拥塞,信道拥塞的发生会严重影响协同车辆安全系统的性能。针对此问题,设计实现了一种基于车联网信道负载预测的拥塞控制策略(Congestion Control Strategy based on Channel Load Prediction,C2SLP)。该策略分为3个模块,首先使用载波侦听多址访问协议中的检测功能获取信道闲忙状态进行负载评估,然后将所得结果代入自回归移动平均模型(Auto Regressive Integrated Moving Average,ARIMA)对下一时刻的信道负载值进行预测,最后将所得负载预测值与预设的标准值进行比较,根据对比结果使用功率控制算法调整传输功率,实现提前避免信道拥塞。仿真实验结果表明,C2SLP将信道占有率稳定在0.6左右,传输时延稳定在30 ms左右,明显优于UBRCC算法,C2SLP在控制信道拥塞的同时有效减少传输时延,确保数据包可靠发送,满足车辆安全应用需求。

摘要： 为进一步提升云监控平台数据分析的准确性和效率,在研究了集成云平台和分布式计算基础上,设计了融合机器学习的云监控数据分析平台。该平台包含核心结构和扩展结构2部分,分别用于对小量数据及大规模数据进行分析及分布式计算。核心架构可分为3层:智能搜索层、应用程序接口(API)层和云计算层。这3层相互作用,处理工作负载跟踪,并监视任何异常模式。扩展结构有利于用户在Hadoop文件系统中存储数据,且为用户提供了高可用性和可扩展的存储功能。对核心结构及扩展结构进行仿真分析。结果进一步验证了云监控数据分析平台的有效性及实用性。该平台为系统CPU及内存使用分析过程提供了一定依据。

摘要： 文中结合智能电能表计量大数据,对一定区域内的负载进行非侵入式多节点短期预测的方法进行了研究。同时研究了集聚效应对负载建模和预测的影响,说明了多节点预测的优势与必要性;评估了影响电能需求的变量,并对数据集进行特征选择。使用多元线性回归模型对自顶向下与自底向上两类预测方法进行了比较,在真实数据上的测试表明,以智能电能表计量大数据为支撑的自底向上方法在短期多节点负载预测上具有优势。

摘要： 电力营销信息均采用报文文件或数据库形式实施存储,其容量以指数级上升,造成信息故障条件下备份不及时,导致存储效率下降,为此研究基于网格技术的电力营销信息私有云存储方法。通过网格系统管理节点和网格公共服务节点提供网格基础服务,利用本地资源服务器和企业网格应用服务提供网格应用服务。以模型中各服务器节点为基础,通过负载预测流程调节虚拟机用量;利用镜像备份流程恢复故障条件下虚拟机数据。模型利用最长路径匹配法,基于元数据逻辑搜索、定位元数据子表,管理电力营销信息元数据。实验结果表明,电力营销信息存储过程中不同虚拟机负载均低于40%,且各虚拟机负载基本一致,说明该方法可增强信息存储过程中的堵在均衡性,提升存储效率。

摘要： 针对微服务框架Spring Cloud中内置负载均衡算法不能全面反映负载与负载滞后的不足,文章提出一种基于深度学习负载预测的负载均衡算法,以更全面的负载模型衡量微服务节点的负载,并使用GRU神经网络进行负载预测,根据负载预测值动态调整微服务节点的权重,再基于加权轮询算法进行负载均衡,进一步地提升微服务应用系统的响应速度与资源利用率。实验采用Jmeter进行仿真测试,并将本文提出的算法与Spring Cloud的内置算法进行对比。实验结果表明,在线程并发数较多的情况下,该算法能更有效地在使用Spring Cloud搭建的微服务应用系统中实现负载均衡。

摘要： 日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元(GRU)与长短期记忆(LSTM)网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。

摘要： 虚拟机迁移有助于均衡云计算系统负载。综合考虑系统负载、能耗和迁移代价指标,提出一种能效的虚拟机迁移算法。设计基于支持向量回归机制的负载预测方法,该方法利用非线性函数集合将已知负载值映射为未知负载值,通过回归模型预测系统负载;将乌鸦搜索算法融入蜻蜓算法中,设计基于乌鸦搜索和蜻蜓优化算法的虚拟机最优部署算法,在作出最佳虚拟机迁移选择的同时,完成高能效负载均衡。实验结果表明,设计的虚拟机迁移算法与基准算法相比,在负载率、能耗和迁移代价等性能指标方面均表现更优。

摘要： 准确的负载预测是实现云平台弹性资源管理的关键。针对云负载预测中存在大量运行周期较短的任务,导致预测模型训练数据不足的问题,提出一种利用多变量负载序列结构化信息的预测方法(SP-MWS)。依据同一任务运行中消耗的多种资源间内在的相关性,挖掘多维负载序列间的信息,补充小样本序列的预测信息量。首先,为获取相关性强的负载类型,采用最大互信息系数(MIC)和信息熵进行负载类型的度量选择;然后,构建核范数正则化多任务学习模型(TNR-MTL),将相关负载序列同时输入,实现其结构化信息的挖掘,并完成多种负载的同时预测。在Google云平台的运行监控日志数据集上进行验证,实验结果表明,所提方法获得的相关负载序列类型可明显增加模型信息量。对于预测模型的决策依据进行解释性分析,可视化每种变量对预测结果的贡献度;对比实验表明,所提预测方法在时间性能和预测精度上均优于常用的负载预测方法。

摘要： 由于边缘云没有比中心云更强大的计算处理能力,在应对动态负载时很容易导致无意义的扩展抖动或资源处理能力不足的问题,所以在一个真实的边缘云环境中对微服务应用程序使用两个合成和两个实际工作负载进行实验评估,并提出了一种基于负载预测的混合自动扩展方法(predictively horizontal and vertical pod autoscaling,Pre-HVPA)。该方法首先采用机器学习对负载数据特征进行预测,并获得最终负载预测结果。然后利用预测负载进行水平和垂直的混合自动扩展。仿真结果表明,基于该方法所进行自动扩展可以减少扩展抖动和容器使用数量,所以适用于边缘云环境中的微服务应用。

摘要： 针对数据中心服务器运行过程中CPU负载变化不能被准确预测的问题,分别建立了整合移动平均自回归模型(ARIMA)和长短时记忆人工神经网络(LSTM)的CPU负载预测模型。由于上述模型缺少对原始数据的数据处理和人工智能算法局限性的考虑,故构建了基于孤立森林算法(IF)、经验模态分解(EMD)和LSTM的CPU负载组合预测方法(IEBL)。对所建的三种模型进行参数求解和仿真并与实验结果对比,组合预测模型的平均相对误差降低了8.71%~18.72%。结果表明,组合预测模型预测精度明显高于单一预测模型,在服务器CPU负载预测领域有广泛的应用前景。

摘要： 由于目前对网络负载预测的研究主要运用单一模型进行预测,忽略了其他因素对网络资源的内在作用,导致数据隐含信息丢失量大、预测结果不准确,故提出一种基于ARIMA-Kalman滤波混合模型预测方法.该方法首先利用ARIMA模型建立一个能反映负载时间序列数据变化规律的低阶模型,然后将Kalman滤波模型的预测方程与其结合,推导出其状态方程和测量方程,最后利用Kalman滤波的预测迭代方程对工作负载所需资源进行预测.实验结果表明,与单一的时间序列预测方法相比,该方法具有更高的预测精度,有效地提高了资源利用率和虚拟机资源的按需调度效率.

摘要： 云计算平台提供按需服务的模式,通过动态添加或移除云资源以匹配用户需求.目前,云资源预取的方法主要采用基于反馈的模式,这种方法会导致延迟时间过长、云资源浪费等问题.负载预测方法可以使得云资源预取更加高效,并且减少资源和能耗的浪费,以满足服务水平目标的要求并提高云计算平台的服务质量.文中针对云资源预取问题提出了一种基于灰色预测的周期自适应近邻预测算法.首先,该算法分析和评价了负载的增长率和周期性特点;接着利用最近邻周期的负载增长率来估计即将到来负载的预测值.考虑到需要适应负载动态变化和突发变化的特点,该算法采用灰色预测模型来达到自动纠错的效果,以提高预测的准确性.最后,在实验验证的基础上证明了该算法相对传统方法的优越性,并且能够显著提高云资源平台的服务质量和服务水平目标.

摘要： 文章介绍JXTA技术在P2P中的应用,分析了JXTA应用于分布式并行计算的优缺点.针对目前JXTA网络环境下实现并行计算任务分配未实现负载平衡问题,我们提出了一种对JXTA中对等点负载预测来实现并行计算任务调度方法.最后用一个具有任务无相关性并行计算素数检索程序检验该并行任务分配策略的性能.

摘要： 提出了一种预测模型并根据该模型测量负载的变化,进而针对这些变化调整QoS参数,期望产生较好的QoS效果,但是并不盲目追求QoS最高值,在资源最坏情况下适当牺牲QoS来换取系统的正常运行.

摘要： 本文对作用于掩埋在料堆中的支撑结构的负载进行了实验研究.不论是用以支撑卸载输送机的支架还是屋顶的支撑柱,这些支撑结构都受到周围物料对其施加的负载.最近Roberts对这些负载的复杂性进行了深入的研究.根据Roberts提出的理论,产生于储存物料里的主动和被动应力状态都极大地影响了施加于支撑柱上的负载,而这些应力状态又与物料的装卸方式、沉降和流动属性相关.通过开展关于散料储存棚支撑柱负载的案例研究和小规模实验台的实验研究,验证了Roberts理论中用于计算作用于支撑柱上负载的设计方程.研究发现实验结果与理论预测吻合较好,但有待开展进一步的实验研究.基于Roberts的研究,建立了一套实验室规模测试装置,该装置能够同时测量掩埋支撑柱前后面所承受的负载.在该装置上完成了三次不同的料堆测试,测试结果与理论预测基本一致.研究也表明了Roberts的理论可作为预测料堆掩埋结构所承受负载的设计标准.

摘要： 本文对作用于掩埋在料堆中的支撑结构的负载进行了实验研究.不论是用以支撑卸载输送机的支架还是屋顶的支撑柱,这些支撑结构都受到周围物料对其施加的负载.最近Roberts对这些负载的复杂性进行了深入的研究.根据Roberts提出的理论,产生于储存物料里的主动和被动应力状态都极大地影响了施加于支撑柱上的负载,而这些应力状态又与物料的装卸方式、沉降和流动属性相关.通过开展关于散料储存棚支撑柱负载的案例研究和小规模实验台的实验研究,验证了Roberts理论中用于计算作用于支撑柱上负载的设计方程.研究发现实验结果与理论预测吻合较好,但有待开展进一步的实验研究.基于Roberts的研究,建立了一套实验室规模测试装置,该装置能够同时测量掩埋支撑柱前后面所承受的负载.在该装置上完成了三次不同的料堆测试,测试结果与理论预测基本一致.研究也表明了Roberts的理论可作为预测料堆掩埋结构所承受负载的设计标准.

摘要： 本文对作用于掩埋在料堆中的支撑结构的负载进行了实验研究.不论是用以支撑卸载输送机的支架还是屋顶的支撑柱,这些支撑结构都受到周围物料对其施加的负载.最近Roberts对这些负载的复杂性进行了深入的研究.根据Roberts提出的理论,产生于储存物料里的主动和被动应力状态都极大地影响了施加于支撑柱上的负载,而这些应力状态又与物料的装卸方式、沉降和流动属性相关.通过开展关于散料储存棚支撑柱负载的案例研究和小规模实验台的实验研究,验证了Roberts理论中用于计算作用于支撑柱上负载的设计方程.研究发现实验结果与理论预测吻合较好,但有待开展进一步的实验研究.基于Roberts的研究,建立了一套实验室规模测试装置,该装置能够同时测量掩埋支撑柱前后面所承受的负载.在该装置上完成了三次不同的料堆测试,测试结果与理论预测基本一致.研究也表明了Roberts的理论可作为预测料堆掩埋结构所承受负载的设计标准.

摘要： 本文对作用于掩埋在料堆中的支撑结构的负载进行了实验研究.不论是用以支撑卸载输送机的支架还是屋顶的支撑柱,这些支撑结构都受到周围物料对其施加的负载.最近Roberts对这些负载的复杂性进行了深入的研究.根据Roberts提出的理论,产生于储存物料里的主动和被动应力状态都极大地影响了施加于支撑柱上的负载,而这些应力状态又与物料的装卸方式、沉降和流动属性相关.通过开展关于散料储存棚支撑柱负载的案例研究和小规模实验台的实验研究,验证了Roberts理论中用于计算作用于支撑柱上负载的设计方程.研究发现实验结果与理论预测吻合较好,但有待开展进一步的实验研究.基于Roberts的研究,建立了一套实验室规模测试装置,该装置能够同时测量掩埋支撑柱前后面所承受的负载.在该装置上完成了三次不同的料堆测试,测试结果与理论预测基本一致.研究也表明了Roberts的理论可作为预测料堆掩埋结构所承受负载的设计标准.

摘要： 本文对作用于掩埋在料堆中的支撑结构的负载进行了实验研究.不论是用以支撑卸载输送机的支架还是屋顶的支撑柱,这些支撑结构都受到周围物料对其施加的负载.最近Roberts对这些负载的复杂性进行了深入的研究.根据Roberts提出的理论,产生于储存物料里的主动和被动应力状态都极大地影响了施加于支撑柱上的负载,而这些应力状态又与物料的装卸方式、沉降和流动属性相关.通过开展关于散料储存棚支撑柱负载的案例研究和小规模实验台的实验研究,验证了Roberts理论中用于计算作用于支撑柱上负载的设计方程.研究发现实验结果与理论预测吻合较好,但有待开展进一步的实验研究.基于Roberts的研究,建立了一套实验室规模测试装置,该装置能够同时测量掩埋支撑柱前后面所承受的负载.在该装置上完成了三次不同的料堆测试,测试结果与理论预测基本一致.研究也表明了Roberts的理论可作为预测料堆掩埋结构所承受负载的设计标准.

摘要： 根据系统均衡的策略,通过阈值来判断当前节点的轻重.在准备负载的迁移时,使用随机区间和系统聚类分析方法,根据预测的结果,对重载或者是轻载的节点选择一个与之相匹配的节点,并与之交互,进行任务迁移,使之达到负载均衡的目的.实验证明本算法是有效的.

摘要： 实施方式中所公开的方面包含在基于处理器的系统中基于负载路径历史使用地址预测表以提供负载地址预测。在一个方面中，负载地址预测引擎提供含有多个负载地址预测表项的负载地址预测表。每一负载地址预测表项包含用于负载指令的预测子标记字段及存储器地址字段。所述负载地址预测引擎基于用于所检测到的负载指令的识别符及负载路径历史产生表索引及预测子标记。所述表索引用于查找对应的负载地址预测表项。如果所述预测子标记匹配对应于所述表索引的所述负载地址预测表项的所述预测子标记字段，那么所述负载地址预测表项的所述存储器地址字段被提供作为用于所述负载指令的所预测的存储器地址。

摘要： 实施方式中所公开的方面包含在基于处理器的系统中基于负载路径历史使用地址预测表以提供负载地址预测。在一个方面中，负载地址预测引擎提供含有多个负载地址预测表项的负载地址预测表。每一负载地址预测表项包含用于负载指令的预测子标记字段及存储器地址字段。所述负载地址预测引擎基于用于所检测到的负载指令的识别符及负载路径历史产生表索引及预测子标记。所述表索引用于查找对应的负载地址预测表项。如果所述预测子标记匹配对应于所述表索引的所述负载地址预测表项的所述预测子标记字段，那么所述负载地址预测表项的所述存储器地址字段被提供作为用于所述负载指令的所预测的存储器地址。

摘要： 本发明公开了一种针对软件服务均衡和服务迁移中，单纯依赖实时系统负载指标的局限性所提出的一种融合业务预测与实时负载的两阶段负载预测与均衡方法。传统负载均衡依赖于短期甚至实时的系统负载指标，实质是软件服务负载的表象和负载超负荷的内因，其外因则是由于软件服务所承载业务量的增长，外因通过内因影响服务系统的负载；同时，由于实时负载指标反映的信息不能超前、指标变化频繁从而容易带来均衡处理时间短促和服务迁移抖动等问题。本发明首先从业务预测出发，根据业务承载量的涨落得出服务系统负载的可能变化趋势，并基于概率算法做出准确的预测，再结合系统实时负载指标，综合做出均衡决策，用于软件服务的优化部署和动态迁移。

摘要： 本发明提供了一种基于未来负载预测的自适应负载均衡方法，该方法利用马尔科夫链来预测下一时刻网络的负载，由此自适应调整触发负载均衡方法的门限以及进行接入控制的方法模型；该方法通过网络之前的负载状况由经过本发明定义的转移概率，计算出未来时刻处于轻载或重载的概率，由算出的概率根据本发明定义的负载效益函数，计算出该网络未来的负载效益值。当网络中有用户请求切换接入或新发起接入请求时，优先选择负载效益值小的网络作为目标网络接入，从而使得整个异构网络的负载均衡，有效地减少了切换的掉话率和接入阻塞率。同时，如预测到未来负载轻载概率大，就动态提高触发负载均衡方法门限，避免网络执行不必要的负载均衡。

摘要： 本申请提供了一种负载预测方法和负载预测装置，该方法包括：从历史绘帧任务的绘帧周期中确定多个目标线程，多个目标线程之间存在唤醒关系，唤醒关系用于表示线程之间唤醒与被唤醒的关系；根据多个目标线程中每个目标线程在处理器的运行时长，计算多个目标线程的总负载，总负载为每个目标线程的负载之和；根据多个目标线程的总负载和绘帧周期的时长，确定历史绘帧任务的负载；根据历史绘帧任务的负载，预测多个目标线程在下一个绘帧任务中的负载。该方法可以预测终端设备运行时线程在绘帧任务中的负载，以便于终端设备根据预测的负载为系统中的线程提供合适的性能，从而使得资源供给更准确。

摘要： 本发明公开了一种基于主变负载影响因素预测的主变负载预测方法，该方法为：构建主变负载影响因素评价数据库，建立考虑典型时间、电网拓扑结构、停电计划、主变参数、气象信息、主变过载、主变重载、主变负荷、季节的主变负载影响因素评价模型，计算主变负载数据信息及其模型相关系数，根据强关联评价因子，获得影响因素数据集，并对数据集分类，得到影响因素评价因子预测值，利用DTW和LSTM的组合预测算法进行鱼类和数据训练。本发明大大提升数据准确率和主变负荷预测精度，并降低全网主变计算时会产生计算量，提高计算效率，DTW和LSTM的组合预测算法提高了主变负载预测精度。

摘要： 本发明提供一种负载预测装置、负载预测方法以及程序,其能够对也包括能量供给装置的启动时的负载进行预测。一个实施方式的负载预测装置对能量供给装置的负载进行预测,该负载预测装置具有第一预测部,其参照存储有上述能量供给装置的过去的负载实绩值和上述能量供给装置的运转时间表的至少一者的数据库,对在上述能量供给装置的启动时产生的尖峰状的负载的预测值、以及上述尖峰状的负载的产生日期和时间进行预测。

摘要： 本发明公开了一种针对软件服务均衡和服务迁移中，单纯依赖实时系统负载指标的局限性所提出的一种融合业务预测与实时负载的两阶段负载预测与均衡方法。传统负载均衡依赖于短期甚至实时的系统负载指标，实质是软件服务负载的表象和负载超负荷的内因，其外因则是由于软件服务所承载业务量的增长，外因通过内因影响服务系统的负载；同时，由于实时负载指标反映的信息不能超前、指标变化频繁从而容易带来均衡处理时间短促和服务迁移抖动等问题。本发明首先从业务预测出发，根据业务承载量的涨落得出服务系统负载的可能变化趋势，并基于概率算法做出准确的预测，再结合系统实时负载指标，综合做出均衡决策，用于软件服务的优化部署和动态迁移。

摘要： 本发明提供了一种基于未来负载预测的自适应负载均衡方法，该方法利用马尔科夫链来预测下一时刻网络的负载，由此自适应调整触发负载均衡方法的门限以及进行接入控制的方法模型；该方法通过网络之前的负载状况由经过本发明定义的转移概率，计算出未来时刻处于轻载或重载的概率，由算出的概率根据本发明定义的负载效益函数，计算出该网络未来的负载效益值。当网络中有用户请求切换接入或新发起接入请求时，优先选择负载效益值小的网络作为目标网络接入，从而使得整个异构网络的负载均衡，有效地减少了切换的掉话率和接入阻塞率。同时，如预测到未来负载轻载概率大，就动态提高触发负载均衡方法门限，避免网络执行不必要的负载均衡。

摘要： 本申请公开一种基于组合预测模型的电力负载预测方法、系统及存储介质，基于GRU网络和LightGBM模型，构建用于电力负载预测的组合预测模型；基于第一时间区间，采集组合预测模型的预测值误差与真实值误差，通过获取负荷采样总数，生成组合预测模型的偏移矩阵，并获取GRU网络的第一权重系数和LightGBM模型的第二权重系数；通过采集电力负荷数据，根据GRU网络获取第一负荷预测结果，以及根据LightGBM模型获取第二负荷预测结果；基于第一负荷预测结果和第一权重系数、第二负荷预测结果和第二权重系数，生成电力负荷数据的负荷预测结果。通过GPU的加速计算为电力负载预测提供高性能的预测计算方案。