文献类型：期刊文章

作　　者：蔡亮[1] 周泓岑[1] 白恒[1] 才振功[1] 尹可挺[1] 贝毅君[1]

CAI Liang;ZHOU Hong-cen;BAI Heng;CAI Zhen-gong;YIN Ke-ting;BEI Yi-jun(College of Software Technology,Zhejiang University,Ningbo 315000,China)

机构地区：[1]浙江大学软件学院,浙江宁波315000

出　　处：《浙江大学学报（工学版）》

基　　金：浙江大学-中移在线联合创新实验室资助项目(CMOS01HT20180623);阿里巴巴-浙江大学前沿技术联合研发中心(XT622019000187)。

年　　份：2020

卷　　号：54

期　　号：12

起止页码：2414-2422

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆(BiLSTM)神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤.将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果.通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.

关 键 词：负载预测  双向长短记忆(BiLSTM)  粒子群算法(PSO)  自适应算法 多指标融合  

分 类 号：TU111]