CN112036542A - 一种基于深度学习的cpu占有率的预测方法及*** - Google Patents
一种基于深度学习的cpu占有率的预测方法及*** Download PDFInfo
- Publication number
- CN112036542A CN112036542A CN201910480357.7A CN201910480357A CN112036542A CN 112036542 A CN112036542 A CN 112036542A CN 201910480357 A CN201910480357 A CN 201910480357A CN 112036542 A CN112036542 A CN 112036542A
- Authority
- CN
- China
- Prior art keywords
- data
- network model
- deep learning
- cpu occupancy
- lstm network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的CPU占有率的预测方法及***,其特征在于,包括清洗数据,并将清洗后的数据进行归一化处理;基于归一化的数据,转化为监督学习数据;将转化后数据创建LSTM网络模型,并将RMSE均分误差作为评价函数;将监督学习数据输入到LSTM网络模型中进行训练,并在训练后的LSTM网络模型中预测数据;获取的预测数据进行反归一化处理;本发明的一种基于深度学习的CPU占有率的预测方法及***,通过对数据的转化并在创建的LSTM网络模型中进行预测,提高了预测的准确率,同时也能够使用多种类型的数据的预测。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于深度学习的CPU占有率的预测方法及***。
背景技术
CPU是计算机的重要组成之一,在计算机中有这举足轻重的地位,相当于人类的大脑,所以CPU的运行情况,对整台计算机来说十分重要。
目前,已经有很多预测时间序列的算法主要分为两种:一种是基于传统算法来实现的,主要有移动平均法、指数加权法、利用趋势推测法等方法;另一种是基于机器学习来实现的,随着机器学习技术的发展,目前用的最多的是基于支持向量回归机算法来实现的。但是支持向量回归机也有一定的问题,支持向量回归机对正态分布的数据拟合较好,但是非正态分布的数据会有一定的误差,同时因为支持向量回归机(SVR)对正态分布数据敏感的特点,如果处理非正态分布的数据时,模型预测会造成较大的误差。
发明内容
本发明是为解决现有技术中的问题而提出的,其目的在于,提供一种基于深度学习的CPU占有率的预测方法及***,该发明对于数据的预测的准确率较高,且同时支持更多类型的数据的预测。
一种基于深度学习的CPU占有率的预测方法,其特征在于,包括以下步骤:
第一步,清洗数据,并将清洗后的数据进行归一化处理;
第二步,基于归一化的数据,转化为监督学习数据;
第三步,将转化后数据创建LSTM网络模型,并将RMSE均分误差作为评价函数;
第四步,将监督学习数据输入到LSTM网络模型中进行训练,并在训练后的LSTM网络模型中预测数据;
第五步,获取的预测数据进行反归一化处理。
优选的是,所述归一化处理为:
其中data指归一化后的数据,src为原始数据,min原始数据的最小值,max原始数据的最大值。
优选的是,所述监督学习数据指用前一个时间步骤作为输入变量并使用下一个时间步骤作为输出变量。
优选的是,所述LSTM网络模由RNN网络层与一层全连接网络组成。
优选的是,所述RMSE均分误差指:
其中x为输入向量,h(x)为预估值,yi为监督值。
优选的是,所述反归一化处理为:
outdata=(predata+min)*max
其中outdata为最终输出的数据,predata为预测数据,min为输入数据的最小值,max为输入数据的最大值。
一种基于深度学习的CPU占有率的预测***,所述预测***包括:
第一数据处理模块,对数据进行清洗并将清洗后的数据进行归一化处理;
转化模块,将数据处理模块的数据转化成监督学习的数据;
创建模型模块,基于转化模块的数据,创建LSTM网络模型并进行训练;
预测模块,在LSTM网络模型中进行数据的预测;
第二数据处理模块,将预测模块的数据进行反归一化处理。
本发明的一种基于深度学习的CPU占有率的预测方法及***,通过对数据的转化并在创建的LSTM网络模型中进行预测,提高了预测的准确率,同时也能够使用多种类型的数据的预测。
附图说明
图1为本发明的方法的流程图。
图2为本发明的***的流程图。
图3为LSTM网络模型结构。
具体实施方式
以下将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
CPU:为中央处理器(central processing unit),是计算机的运算核心和控制核心。。它的功能主要是解释计算机指令以及处理计算机软件中的数据。
LSTM网络模型:为长短期记忆模型(long-short term memory),是一种特殊的RNN模型,是为了解决RNN模型梯度弥散的问题而提出的;在传统的RNN中,训练算法使用的是BPTT,当时间比较长时,需要回传的残差会指数下降,导致网络权重更新缓慢,无法体现出RNN的长期记忆的效果,因此需要一个存储单元来存储记忆,因此LSTM模型被提出。
Activation:为激活函数,对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用,它们将非线性特性引入到我们的网络中。
Relu:在深度神经网络中,通常使用一种叫修正线性单元(Rectified linearunit,ReLU)作为神经元的激活函数,relu起源于神经科学的研究,2001年,Dayan、Abott从生物学角度模拟出了脑神经元接受信号更精确的激活模型。
RNN层:循环神经网络(recurrent neural network)源自于1982年由SarathaSathasivam提出的霍普菲尔德网络;循环神经网络的主要用途是处理和预测序列数据。
Full_coon层:为全连接层(fully connected layers)在整个卷积神经网络中起到“分类器”的作用;如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。
Linear;为线性激活函数,输入和输出成比例。
本发明的实施方式,参见图2,一种基于深度学习的CPU占有率的预测***,所述预测***包括:
第一数据处理模块,对数据进行清洗并将清洗后的数据进行归一化处理;
转化模块,将数据处理模块的数据转化成监督学习的数据;
创建模型模块,基于转化模块的数据,创建LSTM网络模型并进行训练;
预测模块,在LSTM网络模型中进行数据的预测;
第二数据处理模块,将预测模块的数据进行反归一化处理。
本发明的使用方法,参见图1和图3,一种基于深度学习的CPU占有率的预测方法,
第一步:对数据进行数据清洗操作,删除不需要的数据及空数据、对时间进行格式化,并按照时间先后顺序进行排序。
第二步:调用以下算法对数据进行归一化处理:
其中data指归一化后的数据,src为原始数据,min原始数据的最小值,max原始数据的最大值。
第三步:对第二步处理完成的数据进行转换,转换为监督学习问题的数据,用前一个时间步骤作为输入变量并使用下一个时间步骤作为输出变量。如:有(t1,t2,t3,...,tn-1,tn)共n个时刻的数据,则t1为t2的矢量即输入对象,t2为t1的监督值即期望输出值;t2为t3的矢量,t3为t2的监督值,依次类推构造监督学习数据。
第四步:建立LSTM网络模型模型,网络由一层RNN网络与一层全连接网络组成,模型结构,参见图3,使用均分误差作为评价函数如下:
其中x为输入向量,h(x)为预估值,yi为监督值。
第五步:使用第四步的模型学习第三步转换后的数据。
第六步:使用第五步训练的模型进行数据预测。
第七步:对第六步得到的预测数据进行反归一化处理,算法如下:
outdata=(predata+min)*max
其中outdata为最终输出的数据,predata为预测数据,min为输入数据的最小值,max为输入数据的最大值。
本发明通过对数据的转化并在创建的LSTM网络模型中进行预测,提高了预测的准确率,同时也能够使用多种类型的数据的预测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于深度学习的CPU占有率的预测方法,其特征在于,包括以下步骤:
第一步,清洗数据,并将清洗后的数据进行归一化处理;
第二步,基于归一化的数据,转化为监督学习数据;
第三步,将转化后数据创建LSTM网络模型,并将RMSE均分误差作为评价函数;
第四步,将监督学习数据输入到LSTM网络模型中进行训练,并在训练后的LSTM网络模型中预测数据;
第五步,获取的预测数据进行反归一化处理。
3.根据权利要求1所述的一种基于深度学习的CPU占有率的预测方法,其特征在于,所述监督学习数据指用前一个时间步骤作为输入变量并使用下一个时间步骤作为输出变量。
4.根据权利要求1所述的一种基于深度学习的CPU占有率的预测方法,其特征在于,所述LSTM网络模由RNN网络层与一层全连接网络组成。
6.根据权利要求1所述的一种基于深度学习的CPU占有率的预测方法,其特征在于,所述反归一化处理为:
outdata=(predata+min)*max
其中outdata为最终输出的数据,predata为预测数据,min为输入数据的最小值,max为输入数据的最大值。
7.一种基于深度学习的CPU占有率的预测***,用于实现权利要求1-6的基于深度学习的CPU占有率的预测方法,其特征在于,所述预测***包括:
第一数据处理模块,对数据进行清洗并将清洗后的数据进行归一化处理;
转化模块,将数据处理模块的数据转化成监督学习的数据;
创建模型模块,基于转化模块的数据,创建LSTM网络模型并进行训练;
预测模块,在LSTM网络模型中进行数据的预测;
第二数据处理模块,将预测模块的数据进行反归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480357.7A CN112036542A (zh) | 2019-06-04 | 2019-06-04 | 一种基于深度学习的cpu占有率的预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480357.7A CN112036542A (zh) | 2019-06-04 | 2019-06-04 | 一种基于深度学习的cpu占有率的预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036542A true CN112036542A (zh) | 2020-12-04 |
Family
ID=73575897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910480357.7A Pending CN112036542A (zh) | 2019-06-04 | 2019-06-04 | 一种基于深度学习的cpu占有率的预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036542A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101828215B1 (ko) * | 2017-08-01 | 2018-02-12 | 건국대학교 산학협력단 | Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测*** |
CN109327844A (zh) * | 2018-11-27 | 2019-02-12 | 中国联合网络通信集团有限公司 | 一种小区扩容方法及装置 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
-
2019
- 2019-06-04 CN CN201910480357.7A patent/CN112036542A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101828215B1 (ko) * | 2017-08-01 | 2018-02-12 | 건국대학교 산학협력단 | Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测*** |
CN109327844A (zh) * | 2018-11-27 | 2019-02-12 | 中国联合网络通信集团有限公司 | 一种小区扩容方法及装置 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899510B (zh) | 基于发散卷积和gat的智能交通***流量短期预测方法及*** | |
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
JP2020071883A (ja) | モデル訓練方法、データ認識方法及びデータ認識装置 | |
KR102449837B1 (ko) | 신경망 학습 방법 및 장치, 및 인식 방법 및 장치 | |
Xu et al. | Application of neural networks in forecasting engine systems reliability | |
CN113905391B (zh) | 集成学习网络流量预测方法、***、设备、终端、介质 | |
WO2020176295A1 (en) | Artificial neural network compression via iterative hybrid reinforcement learning approach | |
CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
Wang et al. | Research on Healthy Anomaly Detection Model Based on Deep Learning from Multiple Time‐Series Physiological Signals | |
CN112699960B (zh) | 基于深度学习的半监督分类方法、设备及存储介质 | |
Xi et al. | A new constructive neural network method for noise processing and its application on stock market prediction | |
CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
Wu et al. | Network intrusion detection based on a general regression neural network optimized by an improved artificial immune algorithm | |
Guo et al. | Robust echo state networks based on correntropy induced loss function | |
CN111177224B (zh) | 一种基于条件式规整化流模型的时间序列无监督异常检测方法 | |
Liu et al. | Correntropy long short term memory soft sensor for quality prediction in industrial polyethylene process | |
CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
WO2019190053A1 (ko) | 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법 | |
Jahan et al. | Self-gated rectified linear unit for performance improvement of deep neural networks | |
Chen et al. | Fractional-order convolutional neural networks with population extremal optimization | |
Ye et al. | The prediction of stock price based on improved wavelet neural network | |
CN111292121A (zh) | 一种基于园区画像的园区负荷预测方法及*** | |
Adu et al. | The influence of the activation function in a capsule network for brain tumor type classification | |
CN115099135A (zh) | 一种改进的人工神经网络多类型作业功耗预测方法 | |
Yang et al. | A neural network learning algorithm of chemical process modeling based on the extended Kalman filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |