CN115509752B 基于深度自回归循环神经网络的边缘预测方法 （福州大学）

基于深度自回归循环神经网络的边缘预测本发明涉及一种基于深度回归循环神经网集进行预处理；步骤S3:将边缘服务器的用户作为协变量；步骤S4:将预处理后的数据集和协变骤S5:基于边缘负载预测结果，协助边缘计算服2步骤S4:将预处理后的数据集和协变量输入预测模型对未针对一台边缘服务器i的负载，zi,t表示边缘服务器i在一段时间t内的CPU使用率变化边缘负载数据zi,t-1和隐藏层输出hi,t-1将用于计算当前时刻的网络输出hi,t；似然函数l跨服务器之间的CPU使用率存在差异，故将每条边缘服务器负载数据的均值作为缩放因子3zi,to-lcto-1、xi,to-lcto-1进行编码并输出hn-1,并将作为解码器的初始输入，其中Lc为负载输入长度。每一个时间步的输入包括当前时刻的协变量前一时刻的负载值zi,to-1以及前一时刻的网络输出hus-1,通过训练得到当前时刻的网络输出hu-进而4缘负载的未来变化情况更有参考意义也更有助于边缘计算系统灵活[0010]步骤S4:将预处理后的数据集和协变量输入预测模型对未来的边缘负载进行预[0013]针对一台边缘服务器i的负载，zi,t表示边缘服务器i在一段时间t内的CP5[0023]进一步的，所述预测模型为基于深度自回归循环神经网[0030]每一个时间步的输入包括协变量xit前一时刻的负载值zi,to-1以及前一时刻的网络输出hix-1,通过训练得到当前时刻的网络输出his=h(hix-1,zx,-1xiso1n),进而计算似然函数l(z|θ)的参数eu=(uu,a):6[0036]2、本发明可通过选择不同的概率分布函数从而针对不同预测长度实现更优的预[0046]步骤S4:将预处理后的数据集和协变量输入预测模型对未来的边缘负载进行预[0049]针对一台边缘服务器i的负载，zi,t表示边缘服务器i在一段时间t内的CP7跨服务器之间的CPU使用率存在10～20倍的差异。为了应对上述数据跨度差异进而建立精确的边缘负载预测模型，我们将每条边缘服务器负载数据的均值作为缩放因子vi(在输入[0060]最后，边缘负载预测结果将协助边缘计算服务提供商制[0061]在本实施例中，提出了一种新颖的ELP_DAR方法以对时间序列问题实现更精确的89算得到his-1,并将其作为解码器的初始输入。[0077]图2展示了ELP_DAR方法的训练与预测过程。训练与预测过程中的编码器是相同[0078]ELP_DAR方法的训练过程如图2中(a)所示。每一个时间步的输入包括协变量xix前一时刻的负载值zi,to-1以及前一时刻的网络输出通过训练得到当前时刻的网络输出进而计算似然函数l(z|θ)的参数接着，通过自[0081]ELP_DAR方法的预测过程如图2中(b)所示。由于[t0,T]时间区间内的负载数据是法得到采样的负载值并将其作为下一时间步的输入。通过不断迭代，可得到[t0,T]时间区间内的负载预测结果，并通过采样值进一步计算相应的分位数和期望等指[0083]cr=fcr-1+ii⃞t(公式10)[0097]与现有负载预测相关工作不同的是，所提出的ELP_DAR并不是直接输出下一时刻对用户ID进行了编码并作为协变量，并与边缘负载数据一同作为边缘负载预测模型的输度。这说明ELP_DAR方法不仅在单点预测中具备良好的性能表现，并且在概率分布预测方