基于指数平滑的云服务器请求量集成预测模型

针对现有弹性云服务器(elastic cloud server,ECS)未来请求量预测模型准确度低、稳定性差等问题,提出一种基于指数平滑的Stacking集成预测模型。以多个二次指数平滑模型作为基础模型,将线性回归模型作为集成模型对多组指数平滑预测值进行最终拟合;预测过程中使用多组二次指数平滑模型对ECS的历史请求时序进行构造集成模型训练数据集并加入平滑系数的动态优化。与传统单一模型的对比实验结果表明,该模型在实际云服务器请求量预测过程中具有更好的准确性和稳定性。

基于自适应遗传算法和BP神经网络的云服务器请求量预测模型

针对现有弹性云服务器(Elastic Cloud Server,ECS)未来请求量预测模型准确度低,稳定性差等问题,提出了一种基于自适应遗传算法和BP神经网络的预测模型。该模型以BP神经网络作为基础模型进行预测。采用自适应遗传算法(Genetic Algorithm,GA)优化神经网络初始权值和阈值,防止BP神经网络训练过程中陷入局部极小值。在自适应遗传算法初期引入多子代交叉方法加快遗传算法的收敛速度。通过对比实验表明,该模型在实际云服务器请求量预测过程中具有更好的准确性和稳定性。