用于预测的图深度因子方法

深度概率预测技术近来被提出用于对大规模时间序列集合进行建模。然而，这些技术显式地假设集合中时间序列之间完全独立（局部模型）或完全相关（全局模型）。这对应于两种极端情况：集合中的每个时间序列与所有其他时间序列断开连接，或者每个时间序列与所有其他时间序列相关从而形成完全连接图。在本工作中，我们提出一种称为图深度因子（GraphDF）的深度混合概率图基预测框架，它超越这两种极端，允许节点及其时间序列以任意方式与其他节点连接。GraphDF 是一种由关系全局模型和关系局部模型组成的混合预测框架。特别地，我们提出一种关系全局模型，利用图的结构全局地学习复杂非线性时间序列模式，以提高预测精度和计算效率。类似地，我们不是独立地对每个时间序列建模，而是学习一个关系局部模型，该模型不仅考虑其自身的时间序列，还考虑图中相连节点的时间序列。实验证明了所提出的深度混合图基预测模型相比最先进方法在预测精度、运行时间和可扩展性方面的有效性。我们的案例研究表明，GraphDF 能够成功生成云使用量预测，并机会性地调度工作负载，使云集群利用率平均提高 47.5%。