13. 杨赛赛-基于深度学习的多维时间序列预测在数据机房中的应用

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/PyConChina

摘要

本文介绍了基于深度学习的多维时间序列预测在数据机房中的应用。研究目标是通过对机房历史运行数据的分析，预测未来XX分钟的机房温度值，从而实现空调的预测控制。研究内容主要比较了传统时间序列预测方法（如AR, ARIMA）和基于深度学习的方法（如RNN, LSTM），并提出了混合多维时间序列预测方法，提取多维序列之间的复杂关系，包括空间依赖和长短期依赖关系。文中选择LSTNet算法进行建模，并结合Convolutional Layer、Recurrent and Recurrent-skip layer以及Autoregressive方法捕捉短期和长期依赖关系。后续工作计划结合温度预测模型进行空调节能控制，并利用强化学习制定节能策略。

AI总结

# 基于深度学习的多维时间序列预测在数据机房中的应用

**作者**：杨赛赛
**时间**：2019年PYCON China

---

## 总结

### 背景介绍
- 数据机房的温度控制对设备运行和能耗管理至关重要。
- 传统时间序列预测方法（如AR、ARIMA）仅依赖单维历史信息，难以捕捉复杂关系。
- 深度学习方法（如RNN、LSTM）在多维时间序列预测中表现出更强的能力，但对长短期依赖和空间关系的处理仍需改进。

### 研究目标
- 基于机房历史运行数据，预测未来XX分钟的机房温度。
- 实现空调的预测控制，优化机房环境并降低能耗。

### 研究内容
1. **多维时间序列预测方法**：
- 传统方法：捕捉简单线性关系，模型简单。
- 深度学习方法：利用多维时间序列信息，但对变周期和长短期依赖的处理较弱。
- 混合多维时间序列预测：提取更复杂的空间依赖和长短期依赖关系。
- 代表算法：LSTNet、TPA-LSTM。

2. **模型选择**：
- 选择LSTNet作为温度预测算法：
- 卷积层捕捉时间维度的短期依赖和空间依赖。
- 递归层和跳跃层捕捉长期依赖和周期性信息。
- 结合自回归机制，提升预测精度。

3. **模型优化**：
- 模型可根据机房环境变化自动更新。
- 在机器负载较低时启动训练服务，确保模型实时性。

### 后续工作
1. **节能控制**：
- 结合温度预测模型，利用强化学习制定节能控制策略。
- 搭建模拟实验环境，验证节能效果。

2. **模型部署**：
- 使用TensorFlow Serving部署预测模型。
- 实现模型自动更新机制，确保预测精度和适应性。

---

**核心观点**：
- 深度学习在多维时间序列预测中具有优势，但需结合混合模型（如LSTNet）提升预测能力。
- 温度预测模型可实现空调的智能控制，降低机房能耗。
- 后续工作将结合强化学习和模型优化，进一步提升节能效果。