多尺度表示增强的时间流融合模型用于长期工作量预测
原文中文，约300字，阅读约需1分钟。发表于：。准确的工作负载预测对于云计算系统的高效资源管理至关重要，使得有效的调度和自动扩展成为可能。本文提出了一种新颖的框架，利用自我监督的多尺度表示学习来捕捉长期和近期工作负载模式，通过使用注意机制融合不同尺度的表示，并通过使用归一化流来处理时间序列的非高斯 / 非线性分布，解决了传统方法中长期历史和近期预测之间性能不一致的问题，在 9 个基准测试上进行的大量实验证明了其优越性。
本文介绍了机器学习和深度学习在电力负荷预测方面的成果，提出了一种可解释的深度学习方法，并使用多尺度时序分解处理时间模式。研究结果表明，该方法在比利时中央电网负荷数据集上具有更好的准确性，并展示了特征的解释性和时间解释性。
