一种基于长短期记忆网络的云数据中心负载预测方法与流程

技术特征：

1.一种基于长短期记忆网络的云数据中心负载预测方法，其特征在于，该方法包括如下步骤：

S1、用存储在文件中的数据制作历史时间序列和数据集；

S2、构建长短期神经网络模型；

S3、训练LSTM网络：迭代地向长短期神经网络模型中导入训练样本，计算损失函数，并以此为基础进行全局优化，不断提取训练样本的特征以及数值与时序的关系，直至迭代结束；

S4、训练阶段结束后，向长短期神经网络模型；中导入测试样本，迭代输出未来数个时间步待预测指标的数值，形成预测值时间序列。

2.如权利要求1所述的基于长短期记忆网络的云数据中心负载预测方法，其特征在于，步骤1中将数据集分为两部分：

第一部分为“tensor子集”，以“X子集”代替：所述tensor为一时间序列，是训练或测试时输入LSTM网络的最小单元，长度均为num_step，构建方法是迭代地从矩阵中取出连续数据，转化成列表并填入：

第二部分为“标签子集”，以“Y子集”代替，由每个tensor对应的标签构成，Y子集每个位置上的序列值是X子集对应位置序列值的后继值：

3.如权利要求2所述的基于长短期记忆网络的云数据中心负载预测方法，其特征在于，步骤2具体为：

步骤2.1、每一批样本输入LSTM网络，网络中每个单元在筛选和处理样本后都会产生两个数值并传入下一个单元：一个称作“细胞状态”，简称C，另一个是“单元输出”，简称h；LSTM网络有num_unit个单元，每批样本中有batch_size个样本序列，故一批样本会先后产生num_unit*batch_size个C值和h值，即：

步骤2.2、去掉所有c值序列，保留所有h值序列，产生一个新矩阵；

步骤2.3、将这个新矩阵和输出层权重矩阵w_out相乘，再和输出层偏置矩阵b_out相加，得到pred。

4.如权利要求3所述的基于长短期记忆网络的云数据中心负载预测方法，其特征在于，步骤3具体为：

1)从X，Y两子集中取出第一批batch_size个样本，分别命名为x和y；

2)将x输入LSTM模型，求得pred矩阵；

3)计算损失量tensor loss。

4)以损失量loss和学习率lr为参数，初始化一个适应性矩估计(Adam)优化器，计算loss的梯度，然后把梯度应用到变量上，更新LSTM网络所有单元中门结构的权重，返回一个包含训练操作输出结果的tensor；

5)从X，Y子集中取出下一批batch_size个样本，更新x和y；

6)如x，y不为空，则重复步骤2-步骤5；否则开始下一次迭代。

5.如权利要求1所述的基于长短期记忆网络的云数据中心负载预测方法，其特征在于，步骤3中，在LSTM网络训练阶段，给定学习率lr且计算出损失量loss后，采用适应性矩估计(Adaptive moment estimation)方法调整，更新LSTM网络模型中忘记门、输入门和输出门的权重。