Mô hình dự báo cho khả năng mở rộng tài nguyên trong môi trường phân tán

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI CHU THỊ THƯƠNG MÔ HÌNH DỰ BÁO CHO KHẢ NĂNG MỞ RỘNG TÀI NGUYÊN TRONG MÔI TRƯỜNG PHÂN TÁN Chuyên ngành : CÔNG NGHỆ THÔNG TIN LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN: TS NGUYỄN BÌNH MINH Hà Nội – Năm 2018 LỜI CAM ĐOAN Tôi – Chu Thị Thương – xin cam đoan  Luận văn tốt nghiệp (LVTN) Thạc sĩ cơng trình nghiên cứu thân tơi hướng dẫn Tiến sĩ Nguyễn Bình Minh  Các kết nêu Luận văn tốt nghiệp trung thực, khơng phải chép tồn văn cơng trình khác Hà Nội, ngày 08 tháng 09 năm 2018 Tác giả LVThS Chu Thị Thương LỜI CẢM ƠN Đầu tiên, xin gửi lời cảm ơn sâu sắc tới Thầy giáo – Tiến sĩ Nguyễn Bình Minh – Phó trưởng môn Hệ thống thông tin, Viện Công nghệ thông tin Truyền thông, Trường Đại học Bách Khoa Hà Nội Thầy tận tình hướng dẫn cho tơi lời khuyên quý báu trình thực luận văn Tiếp theo, xin chân thành cảm ơn thầy cô Viện Công nghệ thông tin truyền thông, Viện đào tạo sau đại học, Trường Đại học Bách Khoa Hà Nội tạo điều kiện cho tơi q trình học tập nghiên cứu trường Cuối cùng, tơi xin bày tỏ lịng cảm ơn tới người thân gia đình, bạn bè động viên giúp đỡ để tơi hồn thành luận văn Hà Nội, ngày 08 tháng 09 năm 2018 Tác giả LVThS Chu Thị Thương MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC KÝ HIỆU, CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC HÌNH VẼ, ĐỒ THỊ Đặt vấn đề Phương pháp đề xuất 10 Bố cục luận văn 11 CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU 12 1.1 Tổng quan về điện toán đám mây 12 1.2 Nhu cầu thực tế về cung cấp tài nguyên điện toán đám mây 14 1.3 Các nghiên cứu liên quan 15 1.3.1 Tổng quan 15 1.3.2 Các mô hình dự đoán tuyến tính 18 1.3.3 Phương pháp sử dụng mạng nơ-ron 20 1.4 Các kiến thức sở 21 1.4.1 Mạng bộ nhớ dài ngắn (LSTM) 21 1.4.2 Mạng nơ-ron liên kết chức (FLNN) 26 CHƯƠNG 2: THIẾT KẾ HỆ THỐNG 31 2.1 Mô tả bài toán 31 2.2 Mô hình hệ thống 31 2.2.1 Thu thập dữ liệu 33 2.2.2 Tiền xử lý dữ liệu 33 2.2.3 Huấn luyện mô hình 36 2.2.4 Mô đun dự đoán 36 CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ 38 3.1 Công nghệ sử dụng và độ đo đánh giá mô hình 38 3.1.1 Ngôn ngữ lập trình 38 3.1.2 Thư viện và môi trường sử dụng 38 3.1.3 Độ đo đánh giá mô hình 39 3.2 Dữ liệu 39 3.3 Các tiêu chí đánh giá 42 3.4 Cài đặt và kết quả thử nghiệm 42 3.4.1 Thử nghiệm FLNN 42 3.4.2 Thử nghiệm thay đổi các hàm mở rộng FLNN 45 3.4.3 Thử nghiệm LSTM 50 3.3.4 Thử nghiệm thay đổi tham số cho mô hình LSTM 53 3.5 Nhận xét chung 56 KẾT LUẬN 57 Tổng kết 57 Hướng phát triển 57 TÀI LIỆU THAM KHẢO 58 DANH MỤC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Từ viết tắt FLNN Nghĩa tiếng Anh Nghĩa tiếng Việt Mạng nơ-ron liên kết chức Functional Linked Neural Network LSTM Mạng nhớ dài ngắn Long Short Term Memory Networks RNN Recurrent Neural Network Mạng nơ-ron hồi quy MAE Mean Absolute Error Sai số tuyệt đối trung bình RMSE Root Mean Square Error Căn bậc hai sai số bình phương trung bình DANH MỤC CÁC BẢNG Bảng 1: Ví dụ liệu dạng chuỗi thời gian dạng học có giám sát 34 Bảng 2: Ví dụ chuyển liệu dạng học có giám sát dùng phương pháp "lag feature" 34 Bảng 3: Ví dụ chuyển liệu dạng học có giám sát dùng phương pháp "sliding window" 35 Bảng 4: Ví dụ chuyển liệu dạng học có giám sát dùng phương pháp "rolling window statistics" 35 Bảng 5: Bộ liệu thực nghiệm 40 Bảng 6: Độ xác dự đốn CPU mơ hình FLNN với kích thước cửa sổ trượt khác 43 Bảng 7: Kết thử nghiệm so sánh hàm mở rộng liệu phút 46 Bảng 8: Kết thử nghiệm so sánh hàm mở rộng liệu phút 46 Bảng 9: Kết thử nghiệm so sánh hàm mở rộng liệu 10 phút 47 Bảng 10: So sánh độ xác dự đốn CPU mơ hình FLNN LSTM với kích thước cửa sổ trượt khác 51 Bảng 11: So sánh thời gian thử nghiệm mơ hình liệu 10 phút 53 Bảng 12: Kết thay đổi thử nghiệm batch_size LSTM liệu 10 phút 54 Bảng 13: Kết thay đổi thử nghiệm cửa sổ trượt LSTM liệu 10 phút 55 DANH MỤC HÌNH VẼ, ĐỒ THỊ Hình 1: Mơ tả mạng nơ-ron truyền thẳng 21 Hình 2: Mơ đun lặp mạng RNN ch̉n tầng (nguồn [4]) 22 Hình 3: Mơ đun lặp mạng LSTM tầng tương tác (ng̀n [4]) 22 Hình 4: Trạng thái tế bào 23 Hình 5: Cổng 23 Hình 6: Tầng cổng quên (Forget gate layer) 24 Hình 7: Tầng cổng vào 25 Hình 8: Trạng thái 25 Hình 9: Tầng (Output layer) 26 Hình 10: Mơ hình mạng nơ-ron FLNN (ng̀n [6]) 28 Hình 11: Mơ hình hệ thống dự đoán tài nguyên 32 Hình 12: Dữ liệu CPU liệu phút 40 Hình 13: Dữ liệu CPU liệu phút 41 Hình 14: Dữ liệu CPU liệu 10 phút 41 Hình 15: Kết dự đốn mơ hình FLNN với liệu phút 43 Hình 16: Kết dự đốn mơ hình FLNN với liệu phút 44 Hình 17: Kết dự đốn mơ hình FLNN với liệu 10 phút 45 Hình 18: Kết thử nghiệm hàm mở rộng FLNN liệu phút 48 Hình 19: Kết thử nghiệm hàm mở rộng FLNN liệu phút 49 Hình 20: Kết thử nghiệm hàm mở rộng FLNN liệu 10 phút 50 Hình 21: Kết dự đốn mơ hình FLNN LSTM liệu phút 52 Hình 22: Kết dự đốn mơ hình FLNN LSTM liệu phút 52 Hình 23: Kết dự đốn mơ hình FLNN LSTM liệu 10 phút 53 Hình 24: So sánh sai số thay đổi batch_size LSTM liệu 10p 55 Hình 25: So sánh sai số thay đổi cửa sổ trượt LSTM liệu 10p 55 MỞ ĐẦU Đặt vấn đề Điện toán đám mây lên lựa chọn tối ưu cho tất tốn cần tài ngun tính tốn Điện tốn đám mây mang lại nhiều lợi ích cho người sử dụng nó, bao gờm khả cung cấp tài nguyên ảo hóa cách nhanh chóng linh hoạt Hiện nay, nhà cung cấp dịch vụ điện toán đám mây thường sử dụng chế co giãn tài nguyên dựa giá trị ngưỡng tiêu thụ Tuy nhiên, thực tế phương pháp có nhược điểm to lớn tài nguyên cung cấp thường chậm, lúc cần dùng chưa cung cấp được, đặc biệt trường hợp có biến cố xảy đột ngột Ngoài ra, tài nguyên sử dụng chưa xác dẫn đến lãng phí khó xác định thời điểm cung cấp thêm tài nguyên Những điều ngồi gây nên lãng phí, cịn giảm chất lượng dịch vụ tăng chi phí người dùng nhà cung cấp Có nhiều nhà nghiên cứu cũng nhà phát triển đầu tư vào phương pháp co giãn tài nguyên cho điện tốn đám mây xây dựng mơ hình dự đoán tài nguyên sử dụng tương lai để tự động tăng giảm tài nguyên Dù phương pháp mang nhiều tính chất hứa hẹn song thực tế sử dụng ngưỡng sử dụng rộng rãi việc dự đốn tài ngun địi hỏi độ xác cao Đây yếu tố quan trọng phương pháp mở rộng tài nguyên tự động môi trường phân tán Do vậy, việc tìm mơ hình dự báo có độ xác cao kết hợp với hệ thống tự động mở rộng tài nguyên điện toán đám mây cần thiết Mặc dù có nhiều mơ hình mơ hình dự báo điện tốn đám mây đề xuất mơ hình LSTM-RNN sử dụng liệu lượng yêu cầu gửi đến máy chủ NASA, hay mơ hình sử dụng mạng nơ-ron nhiều tầng để dự đoán lượng xạ mặt trời sử dụng liệu lượng xạ San Jose, Califolia từ 2005 đến 2010, … Mục tiêu luận văn tập trung so sánh đánh giá số mơ hình dự đốn cho tốn co giãn tài ngun Sau áp dụng mơ hình dự báo tốt cho hệ thống co giãn tài nguyên môi trường phân tán Phạm vi luận văn so sánh đánh giá dạng mạng nơ-ron áp dụng cho toán xử lý liệu chuỗi thời gian, bao gồm mạng học sâu đại diện mạng nhớ dài ngắn (Long Short Term Memory Networks - LSTM) mạng nơ-ron bậc cao, đại diện mạng nơ-ron liên kết chức (Functional Linked Neural Network FLNN) Các kết thực nghiệm với tập liệu tài nguyên thu thập từ Google Cluster cho thấy mơ hình mạng nhớ dài ngắn – LSTM cho hiệu tốt Tuy nhiên, thời gian chạy thử nghiệm để kết lại lâu so với mơ hình mạng nơ-ron liên kết chức – FLNN Phương pháp đề xuất Bài toán dự báo lượng tài nguyên cần cung cấp tương lai cho dịch vụ điện tốn đám mây có nhiều cách giải sử dụng mạng nơ-ron số Luận văn sẽ sử dụng mạng nhớ dài ngắn (LSTM) mạng nơ-ron liên kết chức (Functional Linked Neural Network) – mạng nơ-ron có cấu trúc đơn giản, áp dụng nhiều toán toán phân loại, hệ thống nhận dạng … có tốn dự đốn Trong chương sau sẽ đề xuất mơ hình hệ thống cho trình huấn luyện đưa dự đốn cho tốn Mơ hình hệ thống bao gồm mô đun: thu thập lưu trữ liệu, tiền xử lý liệu, huấn luyện mô hình, dự đốn dó mơ đun đầu phục vụ cho q trình huấn luyện mơ hình mơ đun cuối sử dụng mơ hình huấn luyện để đưa dự đốn Mơ đun thu thập lưu trữ liệu mô đun thu thập chuỗi liệu lịch sử cần thiết cho tốn 10 Hình 16: Kết dự đốn mơ hình FLNN với liệu phút 44 Hình 17: Kết dự đốn mơ hình FLNN với liệu 10 phút 3.4.2 Thử nghiệm thay đổi các hàm mở rộng FLNN Trong mạng nơ-ron FLNN hàm mở rộng đầu vào yếu tố quan trọng ảnh hưởng đến hiệu suất dự đoán mạng Nếu hàm mở rộng khơng tốt mạng sẽ khơng có khả tìm mối quan hệ phi tuyến đầu vào đầu Trong thử nghiệm mơ hình sẽ thay đổi hàm mở rộng sử dụng số hàm mở rộng phổ biến bao gồm Chebyshev, Legendre, Laguerre, Power Các hàm sử dụng mơ hình FLNN với cửa sổ trượt khác Trong bảng biểu diễn kết thu thử nghiệm liệu phút Đối với mơ hình FLNN sử dụng 45 cửa sổ trượt hàm Chebyshev cho sai số MAE 0.2476 RMSE 0.4532 kết tốt mơ hình FLNN đạt thí nghiệm k=2 Cửa sở trượt k=3 k=5 MAE RMSE 0.2476 0.4532 0.3137 0.4823 0.2695 0.4515 Hàm Legendre MAE RMSE 0.2624 0.4340 0.3137 0.4822 0.2695 0.4515 Hàm Laguerre MAE RMSE 0.2571 0.4457 0.2859 0.4477 0.2456 0.4694 Hàm Power MAE RMSE 0.2748 0.5111 0.3137 0.4823 0.2695 0.4515 Hàm mở rộng Sai số Hàm Chebyshev Bảng 7: Kết thử nghiệm so sánh hàm mở rộng liệu phút k=2 Cửa sổ trượt k=3 k=5 MAE RMSE 0.3293 0.5115 0.3251 0.5045 0.3442 0.5196 Hàm Legendre MAE RMSE 0.3293 0.5115 0.3251 0.5045 0.3442 0.5196 Hàm Laguerre MAE RMSE 0.3106 0.4843 0.3230 0.5033 0.3392 0.5171 Hàm Power MAE RMSE 0.3293 0.5115 0.3251 0.5045 0.3442 0.5197 Hàm mở rộng Sai số Hàm Chebyshev Bảng 8: Kết thử nghiệm so sánh hàm mở rộng liệu phút 46 k=2 Cửa sổ trượt k=3 k=5 MAE RMSE 0.3437 0.5534 0.3169 0.5322 0.3867 0.6002 Hàm Legendre MAE RMSE 0.3437 0.5534 0.3169 0.5323 0.3867 0.6002 Hàm Laguerre MAE RMSE 0.3254 0.5457 0.3698 0.5785 0.3449 0.5536 Hàm Power MAE RMSE 0.3437 0.5534 0.3169 0.5323 0.3867 0.6002 Hàm mở rộng Sai số Hàm Chebyshev Bảng 9: Kết thử nghiệm so sánh hàm mở rộng liệu 10 phút Các hình 18, 19, 20 kết thử nghiệm mơ hình sử dụng hàm khác với liệu khác (3 phút, phút, 10 phút) Từ hình 19 thấy hàm Chebyshev hàm Laguerre cho kết sát thực tế hai hàm lại thử nghiệm mơ hình FLNN Từ hình 19, 20 thấy hàm Laguerre cho kết sát thực tế so với hàm lại thử nghiệm mơ hình FLNN 47 Hình 18: Kết thử nghiệm hàm mở rộng FLNN liệu phút 48 Hình 19: Kết thử nghiệm hàm mở rộng FLNN liệu phút 49 Hình 20: Kết thử nghiệm hàm mở rộng FLNN liệu 10 phút 3.4.3 Thử nghiệm LSTM Thử nghiệm thực để kiểm chứng tính hiệu mơ hình LSTM Việc chọn tham số cho mơ hình quan trọng hiệu mơ hình thay đổi hồn tồn chọn tham số khơng phù hợp Theo mơ hình khơng có quy tắc để lựa chọn tham số tham số chọn tùy thuộc vào vấn đề cần giải Trong thử nghiệm xem xét thay đổi tham số: sliding Kích thước cửa sổ trượt sẽ có giá trị {2, 3, 5} batch_size = 16, liệu khác (3 phút, phút 10 phút) Bảng 10 kết so sánh FLNN LSTM thực với liệu khác 50 Bộ liệu phút phút 10 phút Độ đo FLNN k =2 k=3 LSTM k=5 k=2 k=3 K=5 MAE 0.2476 0.3137 0.2695 0.2594 0.2285 0.2292 RMSE 0.4532 0.4823 0.4515 0.4419 0.4256 0.4140 MAE 0.3293 0.3251 0.3442 0.3074 0.9498 0.9501 RMSE 0.5115 0.5045 0.5196 0.4970 1.0835 1.0839 MAE 0.3437 0.3169 0.3867 0.3118 0.3067 0.3007 RMSE 0.5534 0.5322 0.6002 0.5359 0.5215 0.5058 Bảng 10: So sánh độ xác dự đốn CPU mơ hình FLNN LSTM với kích thước cửa sở trượt khác Từ bảng 10 cho thấy sai số MAE, RMSE LSTM nhỏ so với FLNN với cửa sổ trượt khác Khi thử nghiệm với liệu phút cửa sổ trượt khác cho thấy LSTM cho sai số 0.2285 cửa sổ thấp so với FLNN 0.3137 có cửa sổ Với liệu khác LSTM cũng cho kết tốt kết in đậm bảng Các hình 21, 22, 23 so sánh hai mơ hình với liệu khác cho thấy LSTM có xu hướng sát với liệu thực tế Điều chứng tỏ mơ hình LSTM có hiệu tốt mơ hình FLNN 51 Hình 21: Kết dự đốn mơ hình FLNN LSTM liệu phút Hình 22: Kết dự đốn mơ hình FLNN LSTM liệu phút 52 Hình 23: Kết dự đốn mơ hình FLNN LSTM liệu 10 phút So sánh thời gian chạy thử nghiệm mơ hình FLNN LSTM liệu 10 phút Sử dụng đồng hồ đếm thời gian để đo thời gian Thời gian thử nghiệm Mô hình (h:mm:ss) FLNN 0:00:56 LSTM 0:04:18 Bảng 11: So sánh thời gian thử nghiệm mô hình liệu 10 phút 3.3.4 Thử nghiệm thay đổi tham số cho mô hình LSTM Hiệu suất mơ hình LSTM phụ thuộc lớn vào tham số chọn Trong thử nghiệm xem xét thay đổi tham số: batch_size ( kích thước lơ), sliding (kích 53 thước cửa sổ trượt ) Kích thước lơ sẽ có giá trị {8, 16, 32, 64, 128} kích thước cửa sổ trượt sẽ có giá trị {2, 3, 5} Trong thử nghiệm sử dụng liệu 10 phút để so sánh đánh giá Bảng 12 đưa kết sai sơ trung bình thay đổi kích thước lơ Kích thước batch_size B Sai số MAE RMSE B=8 0.3336 0.5334 B = 16 0.3103 0.5271 B = 32 0.5108 0.6946 B = 64 0.5181 0.6935 B = 128 0.4409 0.6178 Bảng 12: Kết thay đổi thử nghiệm batch_size LSTM liệu 10 phút Trong hình 24 B = 16 sai số biến động nhỏ nhất, có giá trị sai số trung bình nhỏ 0.3103 đạt giá trị sai số nhỏ thí nghiệm 54 Hình 24: So sánh sai số thay đổi batch_size LSTM liệu 10p Hình 25: So sánh sai số thay đổi cửa sổ trượt LSTM liệu 10p Kích thước cửa sổ trượt S Sai số MAE RMSE S=2 0.4661 0.6538 S=3 0.6063 0.7760 S=5 0.3153 0.5403 Bảng 13: Kết thay đổi thử nghiệm cửa sổ trượt LSTM liệu 10 phút 55 Bảng 13 biểu diễn kết sai số trung bình thay đổi kích thước cửa sổ trượt S, lần chạy cho kết biến động nhỏ đạt giá trị sai số trung bình nhỏ 0.3153 kích thước cửa sổ trượt S = 3.5 Nhận xét chung Qua kết thực nghiệm, ta rút số kết luận chung sau:  Mơ hình FLNN sử dụng giải thuật lan truyền ngược để tối ưu trọng số mạng, giải thuật dễ dàng rơi vào cực trị địa phương quan hệ đầu vào đầu phức tạp Khơng mạng thuật tốn lan truyền ngược phụ thuộc lớn vào giá trị khởi tạo ban đầu tốc độ học, trọng số,…  Trong thử nghiệm mơ hình FLNN thay đổi hàm mở rộng sử dụng số hàm mở rộng phổ biến bao gồm Chebyshev, Legendre, Laguerre, Power Ảnh hưởng hàm số chưa thực thể rõ rệt lên hiệu mơ hình áp dụng liệu (3m, 5m, 10m) Trên liệu nhiễu (3m) cho thấy hàm Chebyshev hoạt động tốt Tuy nhiên thử nghiệm liệu nhiễu (5m) hàm chưa hoạt động hiệu quả, hàm Laguerre lại cho kết tốt  Trong thử nghiệm mơ hình LSTM, so sánh với mơ hình FLNN liệu 10 phút cho thấy khác biệt rõ rệt hiệu so với liệu cịn lại Có thể với liệu nhiễu LSTM có khả nhớ phụ thuộc xa hoạt động tốt so với FLNN 56 KẾT LUẬN Tổng kết Luận văn trình bày nghiên cứu liên quan cho tồn co giãn tài ngun mơi trường phân tán Từ luận văn cũng đưa phân tích cũng nhu cầu thực tế cung cấp tài nguyên điện toán đám mây Luận văn so sánh đánh giá dạng mạng nơ ron áp dụng cho toán xử lý liệu chuỗi thời gian, bao gồm mạng học sâu đại diện mạng nhớ dài ngắn (LSTM) mạng nơ ron bậc cao đại diện mạng nơ ron liên kết chức (FLNN) Sau xây dựng mơ hình dự báo gờm mạng nơ-ron FLNN mạng LSTM Từ luận văn đề xuất mơ hình tốt cho tốn dự đoán nhu cầu sử dụng tài nguyên cần cung cấp trung tâm máy chủ Luận văn cũng trình bày thử nghiệm để so sánh hiệu mô hình mạng nơ-ron FLNN mạng LSTM Kết thực nghiệm cho thấy mơ hình LSTM hiệu việc dự đoán lượng tài nguyên CPU sử dụng tương lai Hướng phát triển  Hướng tới tốn định (có cần mở thêm máy chủ để phục vụ tài nguyên hay chuyển giao công việc giải phóng máy chủ) trung tâm liệu  Mạng nơ-ron FLNN phụ thuộc nhiều vào việc chọn hàm mở rộng khối đầu vào khả xấp xỉ đầu đầu vào hàm phụ thuộc vào đầu khối mở rộng, khối mở rộng FLNN khơng tốt sẽ khơng cho kết tốt nên sử dụng mạng với hàm mở rộng khác sẽ cho kết tốt  Kết hợp mạng nơ-ron hồi quy với mạng nơ-ron FLNN áp dụng cho toán dự đoán  Có thể ứng dụng mơ hình đề xuất lĩnh vực khác, đặc biệt IoT phát triển 57 TÀI LIỆU THAM KHẢO [1] Jabari, Farkhondeh & Masoumi, Amin & Mohammadi-ivatloo, Behnamz: LongTerm Solar Irradiance Forecasting Using Feed-Forward Back-Propagation Neural Network, International conference of Iran Energy Association (IEA), 2017 [2] Jitendra Kumar, Long Short Term Memory Recurrent Neural Network (LSTM-RNN) Based Workload Forecasting Model For Cloud Datacenters, 6th International Conference on Smart Computing and Communications, ICSCC 2017, 7-8 December 2017 [3] Ratnadip Adhikari, An Introductory Study on Time series Modeling and Forecasting, LAP Lambert Academic Publishing, January 2013 [4] https://colah.github.io/posts/2015-08-Understanding-LSTMs [5] Hochreiter, Sepp and Schmidhuber, Jurgen (1997), Long Short-Term Memory [6] Ganapati Panda, Debi Prasad Das, Functional Link Artificial Neural Network for Active Control of Nonlinear Noise Processes, International Workshop in Acoustic Echo and Noise Control Kyoto Japan, September 2003 [7] Dwiti Krishna Bebarta Birendra Biswal , Comparative study of stock market forecasting using different functional link artificial neural networks, International Journal of Data Analysis Techniques and Strategies 4(4):398-427 · November 2012 [8] Ina Khandelwal, Forecasting Seasonal Time Series with Functional Link Artifical Neural Network, 2nd International Conference on Signal Processing and Integrated Networks (SPIN), 2015 58 ... dụng ngưỡng sử dụng rộng rãi việc dự đốn tài ngun địi hỏi độ xác cao Đây yếu tố quan trọng phương pháp mở rộng tài nguyên tự động môi trường phân tán Do vậy, việc tìm mơ hình dự báo có độ xác cao... co giãn tài ngun Sau áp dụng mơ hình dự báo tốt cho hệ thống co giãn tài nguyên môi trường phân tán Phạm vi luận văn so sánh đánh giá dạng mạng nơ-ron áp dụng cho toán xử lý liệu chuỗi thời gian,... thử nghiệm hàm mở rộng FLNN liệu 10 phút 50 Hình 21: Kết dự đốn mơ hình FLNN LSTM liệu phút 52 Hình 22: Kết dự đốn mơ hình FLNN LSTM liệu phút 52 Hình 23: Kết dự đốn mơ hình FLNN LSTM