《表2 响应时间预测模型训练与预测性能表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于深度学习的云平台弹性伸缩算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如图8所示，响应时间模型在拟合目标曲线方面表现最佳。表2的结果表明，本文模型具有最优Loss和MAPE，分别为0.56587和0.01613。对照BP神经网络模型与本文的模型在210 s前具有相似的训练性能（Loss）和测试性能（MAPE）。但是，其效果不能随着时间的推移而改善。基于LSTM的模型在测试数据转折点的误差较大，并且在训练时间超过304 s后停止收敛。由于响应时间数据与时间的关系不明显，LSTM在预测响应时间上没有任何明显的优势。结果表明，本文的响应时间预测模型能够进行很好的响应时间预测。在相对复杂的应用环境中，结构简单的BP神经网络能够更灵活地应对数据的变化需求。并且相对于对照模型使用的Dropout，批标准化能够对使用ReLU激活函数的BP神经网络带来更多的性能效果提升。