买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利基于多模型优化的云系统负载预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119718861B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411788977.4，技术领域涉及：G06F11/34；该发明授权基于多模型优化的云系统负载预测方法是由孙见山;段惠子;袁昆;姜元春;刘业政;鲍璇;张庆设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本基于多模型优化的云系统负载预测方法在说明书摘要公布了：本发明提供一种基于多模型优化的云系统负载预测方法、系统、存储介质和电子设备，涉及系统负载预测技术领域。本发明通过利用小波变换对云系统负载时间序列数据进行数据挖掘，以及利用麻雀搜素算法优化神经网络超参数，克服了模型预测过程中易陷入局部最优解、收敛速度慢且不稳定的缺陷。该预测方法能够提取云系统负载数据的特征变化，最终实现了对云系统负载时间序列数据的高准确率预测并分析。

本发明授权基于多模型优化的云系统负载预测方法在权利要求书中公布了：1.一种基于多模型优化的云系统负载预测方法，其特征在于，包括： 采集原始的云系统负载时间序列数据； 对所述云系统负载时间序列数据进行预处理，包括利用小波变化分解获取若干个子序列，以及对各个子序列进行数据归一化； 基于各个归一化后的子序列，分别建立相应的初始CNN-DLSTM子序列预测模型，以获取各个归一化后的子序列的预测结果； 分别以各个归一化后的子序列及其预测结果，建立适应度函数，并利用麻雀搜素算法，优化各个初始CNN-DLSTM子序列预测模型的超参数，获取最佳参数组合；其中待优化的超参数为时间窗口、隐藏层层数、隐藏层节点数； 基于各个归一化后的子序列和最佳参数组合，建立CNN-DLSTM子序列预测模型，以获取各个子序列的反归一化前预测结果； 进行反归一化获取各个子序列的实际预测结果，并利用小波重构累加各个实际预测结果，获取最终的云系统负载预测结果； 所述基于各个归一化后的子序列，分别建立相应的初始CNN-DLSTM子序列预测模型，以获取各个归一化后的子序列的预测结果；包括： 以滑动窗口的方式将归一化后的子序列Dt'进行格式化，作为CNN的输入矩阵L，L中每一个元素均为a维特征向量，其中a为时间窗口大小； 采用CNN在输入矩阵L上进行局部特征提取，定义卷积核矩阵K，K由k个a维向量组成，其中k为卷积窗口大小，以对L进行一维卷积运算，如下式： oq＝ReLUK·Lr:r+k-1+b1 其中，Lr:r+k-1表示L中从位置r到r+k-1的子矩阵，b为偏置项，ReLU为映射函数，oq为特征映射O的第q个局部特征； 采用最大池化降低特征映射的维度，如下式： oq`＝maxoq:q+p2 其中，p为池化窗口大小，oq`为池化的特征映射O`的第q个局部特征； 采用DLSTM处理池化的特征映射O`，输出隐藏状态矩阵为HDLSTM； 将DLSTM的输出通过全连接层和激活函数映射到目标维度，如下式： Yt`＝softmaxW·HDLSTM+b3 其中，Yt`为归一化后的子序列Dt'的预测结果，W为全连接权重矩阵，softmax·为概率分布函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。