發(fā)布時(shí)間：2021-02-03 10:11

　　時(shí)間序列預(yù)測(cè)是典型的時(shí)間序列分析任務(wù),對(duì)于輔助決策、資源配置、提前采取止損措施等方面有重要意義,在包括電力、氣象、交通、商業(yè)等領(lǐng)域有廣泛應(yīng)用�；谏疃葘W(xué)習(xí)的時(shí)間序列預(yù)測(cè)算法以數(shù)據(jù)驅(qū)動(dòng)的方式,學(xué)習(xí)序列特征,建模歷史數(shù)據(jù)和未來(lái)數(shù)據(jù)之間的映射關(guān)系。由于深度學(xué)習(xí)模型在復(fù)雜度和序列特征表示方面的優(yōu)勢(shì),近些年時(shí)間序列預(yù)測(cè)算法越來(lái)越多地采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建,以捕捉復(fù)雜模式。在實(shí)際應(yīng)用中基于深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)算法表現(xiàn)優(yōu)于基于統(tǒng)計(jì)的時(shí)間序列分析預(yù)測(cè)算法。其中單變量時(shí)間序列預(yù)測(cè)、多變量時(shí)間序列預(yù)測(cè)、時(shí)間序列多步預(yù)測(cè)等一直是熱門(mén)研究領(lǐng)域。另外,實(shí)時(shí)運(yùn)行的信息系統(tǒng)產(chǎn)生大量時(shí)序數(shù)據(jù),主要包括系統(tǒng)性能監(jiān)測(cè)數(shù)據(jù)。預(yù)測(cè)系統(tǒng)性能的未來(lái)趨勢(shì)可以為現(xiàn)代信息系統(tǒng)的日常運(yùn)行維護(hù)提供重要幫助。隨著信息系統(tǒng)的廣泛部署,基于深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)算法在信息系統(tǒng)運(yùn)維領(lǐng)域得到越來(lái)越多的應(yīng)用。本文主要研究以下兩個(gè)問(wèn)題:（1）多變量時(shí)間序列預(yù)測(cè)算法的局部變量預(yù)測(cè)精度問(wèn)題,即多變量預(yù)測(cè)算法在優(yōu)化整體預(yù)測(cè)精度的同時(shí)如何保障局部變量的預(yù)測(cè)精度;（2）數(shù)據(jù)庫(kù)管理系統(tǒng)（DBMS）的系統(tǒng)性能預(yù)測(cè)問(wèn)題,即如何進(jìn)行性能分?jǐn)?shù)的趨勢(shì)預(yù)測(cè)并挖掘具有前K影... 

【文章來(lái)源】：南京大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
    1.2 研究問(wèn)題
        1.2.1 多變量時(shí)間序列預(yù)測(cè)的局部變量預(yù)測(cè)精度問(wèn)題
        1.2.2 DBMS的系統(tǒng)性能預(yù)測(cè)問(wèn)題
    1.3 主要貢獻(xiàn)
        1.3.1 基于自演化預(yù)訓(xùn)練的多變量時(shí)序預(yù)測(cè)算法
        1.3.2 基于多任務(wù)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)性能預(yù)測(cè)算法
    1.4 論文結(jié)構(gòu)
第二章 相關(guān)工作
    2.1 單變量時(shí)間序列預(yù)測(cè)算法
    2.2 多變量時(shí)間序列預(yù)測(cè)
    2.3 時(shí)間序列多步預(yù)測(cè)
    2.4 系統(tǒng)性能預(yù)測(cè)
        2.4.1 網(wǎng)絡(luò)流量預(yù)測(cè)
        2.4.2 其他軟硬件性能預(yù)測(cè)
第三章 基于自演化預(yù)訓(xùn)練的多變量時(shí)間序列預(yù)測(cè)算法
    3.1 研究動(dòng)機(jī)
        3.1.1 問(wèn)題提出
        3.1.2 解決思路
    3.2 問(wèn)題建模
    3.3 模型框架與算法設(shè)計(jì)
        3.3.1 框架介紹
        3.3.2 自演化預(yù)訓(xùn)練模型
        3.3.3 基于CNN-LSTM的多變量依賴關(guān)系建�！� · · · · · · · · · · · · · · · · · ·
        3.3.4 融合與訓(xùn)練
    3.4 實(shí)驗(yàn)驗(yàn)證
        3.4.1 數(shù)據(jù)集
        3.4.2 基準(zhǔn)算法
        3.4.3 算法評(píng)估指標(biāo)
        3.4.4 預(yù)測(cè)精度分析
    3.5 本章小結(jié)
第四章 基于多任務(wù)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)性能預(yù)測(cè)
    4.1 研究動(dòng)機(jī)
        4.1.1 問(wèn)題提出
        4.1.2 解決思路
    4.2 問(wèn)題建模
        4.2.1 多步序列預(yù)測(cè)
        4.2.2 KPI重要性挖掘
    4.3 模型框架與算法設(shè)計(jì)
        4.3.1 框架介紹
        4.3.2 基于多級(jí)離散小波變換的序列分解
        4.3.3 Seq2Seq-Forecaster預(yù)測(cè)器
        4.3.4 相關(guān)性度量
        4.3.5 基于Stacked LSTM的關(guān)鍵指標(biāo)挖掘
        4.3.6 多任務(wù)神經(jīng)網(wǎng)絡(luò)以及聯(lián)合訓(xùn)練
    4.4 實(shí)驗(yàn)驗(yàn)證
        4.4.1 數(shù)據(jù)集
        4.4.2 基準(zhǔn)算法
        4.4.3 算法評(píng)估指標(biāo)
        4.4.4 多步預(yù)測(cè)結(jié)果分析
        4.4.5 指標(biāo)挖掘結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來(lái)展望
致謝
參考文獻(xiàn)
簡(jiǎn)歷與科研成果



本文編號(hào)：3016332