基于深度学习的数据中心负载能耗预测模型研究
刘芊
周泉
叶晓江
武汉工程大学,湖北 武汉 430205
摘要：为了提高数据中心负载能耗预测的精度,提出一种基于深度学习的数据中心负载能耗预测模型.该模型基于历史负载数据,并结合数据中心的环境参数,利用长短期记忆(LSTM)神经网络进行预测.选取某数据中心的实际能耗数据集,按照8∶1∶1的比例随机划分训练集、验证集和测试集,从而能验证模型的预测效果.结果显示,与传统的时间序列预测方法相比,该模型的预测精度和稳定性明显提升.该模型的平均绝对误差(MAE)和均方根误差(RMSE)分别比自回归积分滑动平均(ARIMA)模型降低了36.2%和34.2%,平均绝对百分比误差(MAPE)也降低了24.4%.
关键词：数据中心负载能耗预测深度学习LSTM神经网络环境参数
分类号：TK018(一般性问题)
论文发表日期：2024-11-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：3( 98-100 )
英文信息