Прогнозирование нагрузки с помощью нейронных сетей
Аннотация
Федянин С.И., ПРОГНОЗИРОВАНИЕ НАГРУЗКИ С ПОМОЩЬЮНЕЙРОННЫХ СЕТЕЙ, выпускная квалификационная работа: стр.33, рис.8, библ. 6 назв.
Ключевые слова: RNN, НЕЙРОННЫЕ СЕТИ, ПРЕДСКАЗАНИЕ НА-ГРУЗКИ, LSTM, ВРЕМЕННЫЕ РЯДЫ.Задача прогнозирования нагрузки важна для решения различных тех-нических и экономических проблем. Рассматривая её прикладной вариантк современным веб-приложениям она звучит так: имея временной ряд исто-рических численных данных, характеризующих нагрузку на веб-приложениянеобходимо уметь предсказывать нагрузку и в будущем, на основании преды-дущих данных, совмещая их с трендами в новых. В данном исследованиирассматривается вариант решения этой задачи с помощью рекуррентныхнейронных сетей.В первой главе предлагается общий обзор подходов к решению этойзадачи.Во второй главе предложено описание источника данных для обучениянашей сети - метрик из open-source системы Graphite.В третьей главе обозреваются другие исследования по предсказаниюнагрузки. Отмечены используемые методы, описаны основные идеи, отра-женные в реализации.В четвертой главе описана итоговая модель, эксперимент и значенияего результатов.2
FEDIANIN S.I., LOAD FORECASTING USING NEURAL NETWORKS,master’s dissertation: 33 pages, 8 images, 6 library names.Keywords: RNN, NEURAL NETWORKS, LOAD FORECASTING, LSTM,TIME SERIES.The problem of load forecasting is very important to solve different technicaland economical problems. Applying it to modern web applications it could bereformulated as such: having time series, describing load on web applications wehave to forecast load, based on previous data, combining it with new trends. Inthis research we provide solution of this problem with recurrent neural networks.In first chapter we review different ways to solve this problem.In second chapter we describe source of our data to train neural network -metrics from open-source system Graphite.In third chapter we review different researches about load forecasting. Wenote used methods, describe core ideas, that were implemented.In fourth chapter we describe final model, experiment and its results
Ключевые слова: RNN, НЕЙРОННЫЕ СЕТИ, ПРЕДСКАЗАНИЕ НА-ГРУЗКИ, LSTM, ВРЕМЕННЫЕ РЯДЫ.Задача прогнозирования нагрузки важна для решения различных тех-нических и экономических проблем. Рассматривая её прикладной вариантк современным веб-приложениям она звучит так: имея временной ряд исто-рических численных данных, характеризующих нагрузку на веб-приложениянеобходимо уметь предсказывать нагрузку и в будущем, на основании преды-дущих данных, совмещая их с трендами в новых. В данном исследованиирассматривается вариант решения этой задачи с помощью рекуррентныхнейронных сетей.В первой главе предлагается общий обзор подходов к решению этойзадачи.Во второй главе предложено описание источника данных для обучениянашей сети - метрик из open-source системы Graphite.В третьей главе обозреваются другие исследования по предсказаниюнагрузки. Отмечены используемые методы, описаны основные идеи, отра-женные в реализации.В четвертой главе описана итоговая модель, эксперимент и значенияего результатов.2
FEDIANIN S.I., LOAD FORECASTING USING NEURAL NETWORKS,master’s dissertation: 33 pages, 8 images, 6 library names.Keywords: RNN, NEURAL NETWORKS, LOAD FORECASTING, LSTM,TIME SERIES.The problem of load forecasting is very important to solve different technicaland economical problems. Applying it to modern web applications it could bereformulated as such: having time series, describing load on web applications wehave to forecast load, based on previous data, combining it with new trends. Inthis research we provide solution of this problem with recurrent neural networks.In first chapter we review different ways to solve this problem.In second chapter we describe source of our data to train neural network -metrics from open-source system Graphite.In third chapter we review different researches about load forecasting. Wenote used methods, describe core ideas, that were implemented.In fourth chapter we describe final model, experiment and its results