.png){kind=icon}
返回
An explainable deep temporal framework for cloud-based real-time load forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06599-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了优化资源利用、平衡负载并最小化能耗，云环境中的主机负载预测至关重要。然而，特征提取的低效性和负载变化构成了预测主机负载的重要障碍。为改进工作负载预测，本文提出了一种新颖的可解释深度时间序列框架，用于云环境中的实时负载预测，并整合了可解释性技术（XAI），如SHapley Additive exPlanations（SHAP）。此外，通过在虚拟机上以容器形式运行多个应用程序生成了基于实时时间序列的数据集。使用准确率、MAPE、RMSE和MSE等指标，将所提模型的性能与CNN-LSTM、GRU、TCN、Seq-to-Seq、Autoencoder和GNN等深度学习方法进行了比较评估。此外，采用XAI技术进行特征重要性分析。在本研究中，SHAP因其一致且透明的评估而表现出色。为验证所提模型的有效性，将其与现有最先进方法进行比较。与当前前沿模型相比，所提模型在预测工作负载方面展现出更高的准确性，获得了最低的平均绝对百分比误差和约91%的预测性能。
Keyword:
Load prediction
Containers
Deep learning
Explainable-AI
Cloud computing
期刊
C
IF:
4.1
论文数:
5.1K
被引数:
7.5K
机构
暂无机构信息
引用论文
Dispatching policies in data center clusters: Insights from Google and Alibaba workloads数据中心集群的调度策略：来自谷歌和阿里巴巴工作负载的见解
PREAI
分享收藏A Comparative Analysis of LIME and SHAP Interpreters with Explainable ML-Based Diabetes PredictionsLIME和SHAP解释器与可解释的基于ML的糖尿病预测的比较分析.png)
IEEE Access
OAAI
IEEE AccessIF0
OAAI分享收藏分享收藏A novel transformer-based dual attention architecture for the prediction of financial time series一种基于Transformer的双注意力架构，用于金融时间序列预测
PREAI
分享收藏A Seq-to-Seq Temporal Convolutional Network for Volleyball Jump Monitoring Using a Waist-Mounted IMUIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容