融合Savitzky-Golay滤波与固有模态函数的自适应加权混合深度学习在下一代数据中心工作负载预测中的应用

《Array》：Adaptive weighting hybrid deep learning with Savitzky-Golay filter and intrinsic mode functions for workload prediction in next-generation data centers

　　

现有数据中心在满足服务质量(QoS)要求并实现动态异构工作负载下的能效优化方面面临显著挑战。为解决这些局限，研究人员提出了一种两阶段预测框架，集成数据清洗、数字滤波、优化与时序预测等互补技术，以实现主动资源管理与高效弹性伸缩。该研究的核心贡献包含两方面：一方面设计了先进的预处理流水线，采用局部离群因子(LOF)剔除异常工作负载尖峰，利用Savitzky–Golay(SG)滤波器平滑高频噪声，并通过经验模态分解(EMD)将非线性非平稳信号分解为多尺度分量；另一方面构建了混合模型，结合卷积神经网络(CNN)提取空间特征关联、双向长短期记忆网络(BiLSTM)捕获长期时间依赖，并引入注意力机制突出最具信息量的时间步。研究人员采用Bitbrains fastStorage数据集在多时间区间对该模型进行评估，增强型CNN–BiLSTM–Attention模型取得了优越性能（均方误差MSE = 0.030，均方根误差RMSE = 0.173，决定系数R2= 0.89，运行时间Time = 21.5 s），优于所有基线模型。消融实验验证了各组件对系统整体性能的贡献。研究结果表明，选择7–9个固有模态函数(IMF)的最优子集可降低噪声、提取有意义的振荡模式，并实现更快更准确的建模。

本文发表于《Array》，针对下一代云边协同数据中心的动态异构工作负载预测难题，围绕提升预测精度与计算效率的平衡展开研究。当前智能物联网(IIoT)推动数据处理向边缘侧下沉，但边缘设备资源受限、工作负载波动剧烈，传统预测方法难以兼顾非线性特征捕捉与实时性要求，且多数研究忽视数据预处理对噪声抑制的关键作用，导致资源调度滞后、能效下降及服务质量(QoS)受损。为此，研究人员提出一种融合先进预处理与混合深度学习的预测框架，在Bitbrains fastStorage真实数据集上验证表明，该框架以可接受的计算开销实现了R²达0.89的高精度预测，较基线模型最高降低48%的预测误差，为下一代数据中心的主动资源分配提供了有效支撑。

关键技术方法上，研究人员首先采用局部离群因子(LOF)剔除异常值，结合Savitzky–Golay(SG)滤波器平滑高频噪声，再通过经验模态分解(EMD)将工作负载序列拆分为多尺度固有模态函数(IMF)；模型层面构建一维卷积层(Conv1D)提取空间特征，双向长短期记忆网络(BiLSTM)捕获双向时间依赖，并引入注意力机制强化关键时间步权重，辅以批量归一化与Dropout防止过拟合，采用贝叶斯优化进行超参数调优。

研究结果如下：

1. 1.
   性能分析显示，CNN–BiLSTM–Attention模型取得最优表现，MSE为0.030、MAE为0.145、RMSE为0.173、R²为0.89，较单一CNN、LSTM、GRU及人工神经网络(ANN)均有显著提升，仅比无注意力版本增加1.3秒运行时间。
2. 2.
   固有模态函数(IMF)数量实验表明，7–9个IMF可在精度与效率间取得最佳平衡，R²达0.87–0.88，运行时间控制在17–19秒，超过11个IMF后精度趋于饱和但耗时持续上升。
3. 3.
   消融实验证实，逐步加入LOF、EMD、SG滤波可使MSE从0.041降至0.030，R²从0.84提升至0.89，预处理模块累计降低约27%的预测误差。
4. 4.
   与现有研究对比，该框架在Bitbrains fastStorage数据集上的MSE较近期同类混合模型降低14%，R²提升0.02，综合性能领先。

讨论部分指出，该框架虽增加了预处理开销，但通过IMF选择与轻量化设计仍适用于实际部署，注意力机制有效加速了模型收敛。研究结论强调，所提方法通过融合多尺度信号分解与时空特征学习，显著提升了数据中心工作负载预测的准确性与稳定性，为动态资源调度与能效优化提供了可靠依据。研究人员同时指出当前单维预测的局限，未来将拓展至多维度混合建模，以进一步捕捉资源间的复杂耦合关系。