(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211200915.8 (22)申请日 2022.09.29 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 陈哲毅　梁杰　黄一帆　陈礼贤　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈鼎桂　蔡学俊 (51)Int.Cl. G06F 9/50(2006.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) (54)发明名称 基于深度自回归循环神经网络的边缘预测 方法 (57)摘要 本发明涉及一种基于深度回归循环神经网 络的边缘预测方法， 包括以下步骤： 步骤S1:获取 历史边缘负载数据， 构建数据集； 步骤S2: 对数据 集进行预处理； 步骤S3:将边缘服务器的用户作 为协变量； 步骤S4:将预处理后的数据集和协变 量输入预测模 型对未来的边缘负载进行预测； 步 骤S5:基于边缘负载预测结果， 协助边缘计算服 务制定资源调度方案。 本发明实现了可扩展和有 效的工作 负载预测， 有效提高了云计算中的资源 调配效率。 权利要求书2页 说明书11页 附图4页 CN 115509752 A 2022.12.23 CN 115509752 A 1.一种基于深度自回归循环神经网络的边 缘预测方法， 其特 征在于， 包括以下步骤： 步骤S1:获取历史边 缘负载数据， 构建数据集； 步骤S2:对数据集进行 预处理； 步骤S3:将边 缘服务器的用户作为协变量； 步骤S4:将预处 理后的数据集和协变量输入预测模型对未来的边 缘负载进行 预测； 步骤S5:基于边 缘负载预测结果， 协助边 缘计算服务制定资源调度方案 。 2.根据权利要求1所述的基于深度自回归循环神经网络的边缘预测方法， 其特征在于， 所述历史边 缘负载数据包括CPU 使用率， 具体为： 针对一台边缘服务器i的负载， zi,t表示边缘服务器i在一段时间t内的CPU使用率变化 情况， 则该边 缘服务器的历史负载序列表示 为： 未来预测负载序列表示 为 其中， t0表示负载预测的起始点， T为负载序列的总长度， [1,t0‑1]表示历史负载序列的 时间范围， [t0,T]表示未来预测负载序列的时间范围。 3.根据权利要求1所述的基于深度自回归循环神经网络的边缘预测方法， 其特征在于， 所述数据预处 理包括数据清洗和重采样。 4.根据权利要求2所述的基于深度自回归循环神经网络的边缘预测方法， 其特征在于， 跨服务器之间的CPU使用率存在差异， 故将每条边缘服务器负载数据的均值作为缩放因子 vi， 在输入预测模型时将 负载除以vi， 在输出预测模型时将相应的负载乘以vi 5.根据权利要求2所述的基于深度自回归循环神经网络的边缘预测方法， 其特征在于， 所述步骤S3具体为： 将缩放后的历史负载 和协变量 将作为预测模型的输入， 对未来的边缘 负载进行预测， 预测模型能够根据已知的历史负载对未来的负载情况进行建模， 得到未来 负载的概 率分布， 该概 率分布定义 为 6.根据权利要求5所述的基于深度自回归循环神经网络的边缘预测方法， 其特征在于， 所述预测模型为基于深度自回归循环神经网络的边缘负载预测模型， 采用序列 ‑序列架构， 包括编码器与解码器， 所述编码器与解码器采用了相同的网络结构且共享权重， 所述编码 器的初始输入( 和zi,0)均初始化为0， 在时间区间[1,t0‑1]内， 编码器通过计算得到 并将其作为 解码器的初始输入。 7.根据权利要求6所述的基于深度自回归循环神经网络的边缘预测方法， 其特征在于， 所述预测模型利用LSTM提取时序特征， 输入是过去一段时间内的边缘负载数据和协变量， 目标是预测每个时间步上边 缘负载zi,t的概率分布， 概 率分布定义 为权　利　要　求　书 1/2 页 2 CN 115509752 A 2其中， hi,t代表一个LSTM的输出； 将上一时刻的观察值zi,t‑1和LSTM输出hi,t‑1作为输入， 通过计算可 得到hi,t为 hi,t＝h(hi,t‑1,zi,t‑1,xi,t,Θh)                 (公式8) 其中， h表示一个具有多层LSTM结构的神经网络， Θh为LSTM中参数的集合； 上一时刻的 边缘负载数据zi,1:t‑1和隐藏层输出hi,t‑1将用于计算当前时刻的网络输出hi,t； 似然函数 为一个概率分布， 通过 计算得到其参数集合， 包括均值 μ与方差 σ， 表示从hi,t到似然函数参数集 合的映像。 8.根据权利要求6所述的基于深度自回归循环神经网络的边缘预测方法， 其特征在于， 所述预测模型的训练， 具体如下： 每一个时间步的输入包括协变量 前一时刻的负载值 以及前一时刻的网络输出 通过训练得到当前时刻的网络输出 进而计算似然函数l(z | θ )的参数 接着， 通过自适应动量的随机优化方法优化损失函数 其中， N为边缘负载数据序列的总数量， 为似然函数的参数集合， zi,t为真实 负载值。权　利　要　求　书 2/2 页 3 CN 115509752 A 3