基于改进虚拟机整合算法的虚拟资源管理工具

提出了一种基于分段迭代相关性整合（SICC）的虚拟机整合与放置策略，并将它作为云资源管理工具的核心结构。SICC算法整合了时间序列分析、线性相关性分析和传统的FFD算法，并基于虚拟机的最小资源利用率建立了一套新的虚拟机动态资源整合理论。数值仿真结果表明，在虚拟机整合过程中，新的基于SICC的架构在使用不同的初始动态条件时，以虚拟机为粒度的物理资源利用率性能提升3％～20％；在以服务器为粒度的物理资源利用率性能提升超过5％。

基于XGBoost的10 m风速订正研究

基于当前气象预报模式,风速预报的精确度存在一定的误差,国内外研究者对风速的预报订正做了大量的研究。提出一种CD-XGBoost(clustering and double XGBoost)算法,该算法针对现有的机器学习风速预报订正算法进行改进,主要包含以下3个改进方向:第一,提出利用天气元素与订正元素之间的相关性进行聚类的思路,通过对簇间站点进行基于不同机器学习模型的训练,提高风速订正结果的准确性;第二,算法突出空间因素对风速预报的影响,选取气象观测站点的K个邻近预报网格点的预报元素构建数据集,相较传统插值进行订正的方式更多地考虑站点与网格点之间的空间因素。第三,提出使用2个不同起报时刻数据独立训练XGBoost模型,对模型的输出再进行线性权重加和得到最终订正结果的算法。仿真实验中,采用中国2552个气象观测站的逐3 h观测数据与欧洲中期气象预报中心(ECWMF)的数值模式的逐3 h预报的数据,对ECWMF预报的地面10 m风速进行观测站点订正。使用改进后的算法构建的模型与目前算法构建的模型进行比较,结果证明文中算法在风速预测准确度明显优于目前的订正算法,其中3 h预报时效时准确率高于85%,168 h预报时效是其准确率高于60%,具有很好的应用前景。