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

《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。