基于向量加权平均算法改进的核极限学习机的云计算能耗预测
机器学习
2025-07-14 v3 性能
摘要
随着云计算基础设施的快速扩展，能源消耗已成为一项关键挑战，亟需准确高效的预测模型。本研究提出了一种新型向量加权平均核极限学习机（VWAA-KELM）模型，以增强云计算环境中的能耗预测。通过将向量加权平均算法（VWAA）与核极限学习机（KELM）相结合，所提出的模型能够动态调整特征权重并优化核函数，显著提升了预测准确性和泛化能力。实验结果表明VWAA-KELM的优越性能：94.7%的测试集预测误差落在[0, 50]区间内，仅有三例超过100单位，表现出较强的稳定性。该模型在训练集上取得了决定系数（R²）为0.987（RMSE = 28.108，RPD = 8.872）的效果，并在测试集上保持了优异的泛化能力，R² = 0.973（RMSE = 43.227，RPD = 6.202）。可视化分析确认预测值与实际能耗趋势紧密吻合，避免了过拟合，同时捕捉了非线性依赖关系。本研究的一项关键创新在于引入自适应特征加权，使模型能够动态分配不同输入参数的重要性，从而增强高维数据处理能力。这一进展为优化云计算数据中心能耗提供了一种可扩展且高效的方案。除云计算外，所提出的混合框架在物联网（IoT）和边缘计算领域也具有更广泛的应用，支持实时能源管理和智能资源分配。
引用
@article{arxiv.2503.04088,
title = {Cloud Computing Energy Consumption Prediction Based on Kernel Extreme Learning Machine Algorithm Improved by Vector Weighted Average Algorithm},
author = {Yuqing Wang and Xiao Yang},
journal= {arXiv preprint arXiv:2503.04088},
year = {2025}
}