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

本文探讨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，旨在通过预测机房温度，优化空调控制以节省能源。研究首先比较了传统时间序列预测方法（如AR、ARIMA）与深度学习方法（如RNN、LSTM）的不同，指出后者在捕获非线性关系和多维依赖方面的优势。进一步提出混合多维时间序列预测方法（如LSTNet、TPA-LSTM），以更好地提取维度间的复杂关系。通过LSTNet模型，结合卷积层、循环层和自回归层，捕捉时间和空间依赖，实现对机房温度的精准预测，最终达到节能调节的目标。

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》摘要：

1. **背景介绍**
数据机房面临巨大的电量消耗问题，空调是耗电最大的设备。空调耗电量主要受到以下因素的影响：
- 低效的冷却装置
- 服务主机工作发热
- 建筑材料隔热和散热性能差
- 空调控制系统缺乏对环境的全面感知，存在温度控制延迟

2. **研究目标**
根据机房的历史运行数据，预测未来一定时间（如XX分钟）的温度值，从而实现空调的预测控制，达到节能调节的目的。

3. **研究内容**
- **时间序列预测方法的比较**
- **传统方法**（如AR、ARIMA）：仅对单一维度历史信息进行预测，捕获简单线性关系，模型简单。
- **基于深度学习的方法**（如RNN、LSTM）：利用多维时间序列之间的信息，但对变周期序列和多维空间依赖序列的预测能力较弱。
- **混合多维时间序列预测方法**（如LSTNet、TPA-LSTM）：能更好地捕获多维序列之间复杂的关系，包括维度间的空间依赖和长短期依赖。

- **多维时间序列预测方法在机房温度预测中的应用**
选择LSTNet作为温度预测建模算法，具体特点包括：
- Convolutional Layer：捕捉时间维度上的短期依赖和维度间的空间依赖关系。
- Recurrent and Recurrent-skip layer：捕捉长期宏观依赖和周期性信息。
- Autoregressive Layer：叠加线性比例关系。

4. **研究意义**
通过多维时间序列预测方法，提高数据机房温度预测的准确性，从而优化空调控制系统，实现节能调节。