面向云边平台的基于调度感知的混合表示框架时间序列预测
机器学习
2025-08-20 v2 人工智能
摘要
随着流媒体服务的快速普及，网络负载表现出高度时变和突发行为，给维护云边平台（CCP）的服务质量（QoS）提出了严峻挑战。虽然CCP利用预测-调度架构提高QoS和盈利能力，但在流量激增期间准确的负载预测仍然具有挑战性。现有方法要么最小化平均绝对误差，导致峰值期间资源不足和可能违反服务等级协议（SLA）；要么采用保守的超额资源配置策略，在缓解SLA风险的同时增加资源支出。为解决这一困境，我们提出HRS，一种具有调度感知的混合表示框架，将数值和图像表示相结合，以更好地捕捉极端负载动力学。我们进一步引入调度感知损失（SAL），捕捉预测误差的非对称影响，引导预测更好地支持调度决策。四个真实数据集上的大量实验表明，HRS consistently 超过十个基线方法，实现了最先进的性能，将SLA违约率降低63.1%，总体利润损失降低32.3%。
引用
@article{arxiv.2508.12839,
title = {HRS: Hybrid Representation Framework with Scheduling Awareness for Time Series Forecasting in Crowdsourced Cloud-Edge Platforms},
author = {Tiancheng Zhang and Cheng Zhang and Shuren Liu and Xiaofei Wang and Shaoyuan Huang and Wenyu Wang},
journal= {arXiv preprint arXiv:2508.12839},
year = {2025}
}
备注
10 pages, 14 figures, ECAI2025