PePNet:一种支持稀有高负载出现的周期感知工作负载预测网络
本文提出了一种具有全局汇聚和静态内容感知的端到端深度学习框架 DynEformer,用于提供动态 MT-ECP 的统一工作负载预测方案。通过在五个真实数据集上的实验,DynEformer 在 MT-ECP 的动态场景中实现了最先进的工作负载预测效果,为 MT-ECP 提供了一个统一的端到端预测方案。
Jun, 2023
WinNet 是一种高准确性、简单结构的基于 CNN 的模型,用于长期时间序列预测任务,包括将一维序列转换为具有长期和短期周期性的二维张量,建模周期趋势和振荡项,以及利用周期趋势和振荡项的相关性通过 CNN 支持预测任务。通过在九个基准数据集上的结果显示,WinNet 在性能和计算复杂度方面达到了 SOTA 的水平,并为时间序列预测任务中的 CNN 方法提供了潜力,实现了性能和效率的完美权衡。
Nov, 2023
我们提出了一种基于合规推理的新方法来进行概率电价预测 (PEPF),通过在线重新校准程序,在多个市场地区进行实验,实现了具有改进小时覆盖率和稳定概率评分的次日预测。
Apr, 2024
介绍一种基于深度集成网络的边缘 Pareto 剪枝模型 (MBPEP),其采用独特的损失函数使子学习者可用于标准梯度下降学习,通过多项实验分析表明 MBPEP 实现了高质量不确定性估计,适用于具有未知分布数据集的实际问题,且在多任务问题上具有良好的学习性能。
Feb, 2019
本文提出了一种新颖的深度学习网络结构 MPPN,用于长期时间序列预测,该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式,并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中,实验结果表明,MPPN 显著优于现有的基于 Transformer、分解和采样的长期时间序列预测方法。
Jun, 2023
本文提出了一种新的解决方案,利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征,并采用高效的计算框架,通过对一个真实的用电需求数据集进行严格评估,实验结果表明,该方法在准确性、鲁棒性和计算效率方面具有显著优势,其平均绝对百分比误差为 1.9376,相较于现有最先进的方法标志着短期负荷预测的新时代的开启。
Sep, 2023
本文介绍了一种使用统计方法和神经网络相结合的深度学习方法来改进具有日历驱动周期性的时间序列数据的概率预测准确性的方法,并在两个数据集上进行了统计检验,结果表明该方法比其他深度学习预测方法具有更好的预测性能和较小的计算成本。
Feb, 2023
本文提出了一种名为 WGAN-gp Transformer 的新型时间序列预测模型,它的生成器基于 Transformer 网络,评论家采用 MLP。该方法对真实工作负载跟踪进行了广泛的评估,发现其可达到 5 倍的快速推理时间和高达 5.1% 的预测准确率。同时还将 WGAN-gp Transformer 应用于 Google 云平台的自动缩放机制,发现其优于基于 LSTM 的机制。
Mar, 2022
阿里巴巴负载挖掘器 (AWM) 是一种用于发现复杂大规模工作负载中工作负载模式的实时系统,通过对用户请求记录的 SQL 查询模式进行编码和发现,基于发现的模式优化查询处理,在云数据库上优化查询处理。
Jul, 2023
本文使用贝叶斯深度学习模型预测未来云计算资源需求的分布和不确定性,并通过多组数据集进行不同的预训练和微调,比较单变量和双变量模型的精确度和对 QoS 的影响,并检验了模型的迁移学习能力和在真实环境中的可部署性。
Feb, 2023