論文の概要: Cloud Computing Energy Consumption Prediction Based on Kernel Extreme Learning Machine Algorithm Improved by Vector Weighted Average Algorithm

• arxiv url: http://arxiv.org/abs/2503.04088v1
• Date: Thu, 06 Mar 2025 04:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:57:46.655546
• Title: Cloud Computing Energy Consumption Prediction Based on Kernel Extreme Learning Machine Algorithm Improved by Vector Weighted Average Algorithm
• Title（参考訳）: ベクトル重み付き平均値アルゴリズムにより改良されたカーネル極端学習マシンアルゴリズムに基づくクラウドコンピューティングのエネルギー消費予測
• Authors: Yuqing Wang, Xiao Yang,
• Abstract要約: 本研究では,クラウドコンピューティング環境におけるエネルギー消費予測を改善するために,カーネル・エクストリーム・機械学習・マシン(KELM)を用いたベクトル重み付き平均アルゴリズムを提案する。 VWAA-KELMの優れた性能を示す実験結果: テストセット予測誤差の94.7%が[0, 50]単位内にあり、100単位を超えるケースはわずか3つしかない。 提案されたハイブリッドフレームワークは、IoT(Internet of Things)とエッジコンピューティングにおいて広範なアプリケーションを持ち、リアルタイムエネルギー管理とインテリジェントリソース割り当てをサポートする。
• 参考スコア（独自算出の注目度）: 11.657154571216234
• License:
• Abstract: With the rapid expansion of cloud computing infrastructure, energy consumption has become a critical challenge, driving the need for accurate and efficient prediction models. This study proposes a novel Vector Weighted Average Kernel Extreme Learning Machine (VWAA-KELM) model to enhance energy consumption prediction in cloud computing environments. By integrating a vector weighted average algorithm (VWAA) with kernel extreme learning machine (KELM), the proposed model dynamically adjusts feature weights and optimizes kernel functions, significantly improving prediction accuracy and generalization. Experimental results demonstrate the superior performance of VWAA-KELM: 94.7% of test set prediction errors fall within [0, 50] units, with only three cases exceeding 100 units, indicating strong stability. The model achieves a coefficient of determination (R2) of 0.987 in the training set (RMSE = 28.108, RPD = 8.872) and maintains excellent generalization with R2 = 0.973 in the test set (RMSE = 43.227, RPD = 6.202). Visual analysis confirms that predicted values closely align with actual energy consumption trends, avoiding overfitting while capturing nonlinear dependencies. A key innovation of this study is the introduction of adaptive feature weighting, allowing the model to dynamically assign importance to different input parameters, thereby enhancing high-dimensional data processing. This advancement provides a scalable and efficient approach for optimizing cloud data center energy consumption. Beyond cloud computing, the proposed hybrid framework has broader applications in Internet of Things (IoT) and edge computing, supporting real-time energy management and intelligent resource allocation.
• Abstract（参考訳）: クラウドコンピューティングのインフラが急速に拡大するにつれ、エネルギー消費は重要な課題となり、正確で効率的な予測モデルの必要性が高まっている。 本研究では,クラウドコンピューティング環境におけるエネルギー消費予測を改善するために,ベクトル重み付き平均カーネルエクストリーム学習マシン(VWAA-KELM)モデルを提案する。 ベクトル重み付き平均アルゴリズム(VWAA)をカーネル極端学習機(KELM)と統合することにより,提案モデルは特徴量の動的調整とカーネル関数の最適化を行い,予測精度と一般化を著しく向上させる。 VWAA-KELMの優れた性能を示す実験結果: 94.7%のテストセット予測誤差が[0, 50]単位内にあり、100単位を超えるケースはわずか3つしかなく、強い安定性を示している。 このモデルは、トレーニングセット(RMSE = 28.108, RPD = 8.872)における0.987の係数(R2)を達成し、テストセット(RMSE = 43.227, RPD = 6.202)におけるR2 = 0.973による優れた一般化を維持する。 視覚解析により、予測値は実際のエネルギー消費傾向と密接に一致し、非依存的依存関係を捕捉しながら過度に適合しないことを確認した。 この研究の重要な革新は適応的特徴重み付けの導入であり、モデルが異なる入力パラメータに動的に重要度を割り当てることにより、高次元データ処理が向上する。 この進歩は、クラウドデータセンターのエネルギー消費を最適化するためのスケーラブルで効率的なアプローチを提供する。 クラウドコンピューティング以外にも、提案されたハイブリッドフレームワークはIoT(Internet of Things)やエッジコンピューティングにおいて広範なアプリケーションを持ち、リアルタイムのエネルギー管理とインテリジェントなリソース割り当てをサポートする。

関連論文リスト

• Value-Based Deep RL Scales Predictably [100.21834069400023]
  本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。 SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:47Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Regression prediction algorithm for energy consumption regression in cloud computing based on horned lizard algorithm optimised convolutional neural network-bidirectional gated recurrent unit [2.7959678888027906]
  電力消費はエネルギー効率と正の相関が最も高く,CPU使用量はエネルギー効率と負の相関が最も高い。 そこで本研究では,角化トカゲ最適化アルゴリズムに基づくランダム森林モデルと最適化モデルを提案する。 その結果, 最適化アルゴリズムはエネルギー効率の予測において, より正確かつ確実な性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2024-07-19T16:19:14Z)
• Reinforced Model Predictive Control via Trust-Region Quasi-Newton Policy Optimization [0.0]
  超線形収束率を用いた政策最適化のための準ニュートン学習アルゴリズムを提案する。 シミュレーション研究は、提案したトレーニングアルゴリズムがデータ効率と精度で他のアルゴリズムより優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T09:16:08Z)
• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• FedWOA: A Federated Learning Model that uses the Whale Optimization Algorithm for Renewable Energy Prediction [0.0]
  本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。 その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
  論文  参考訳（メタデータ） (2023-09-19T05:44:18Z)
• Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter Selection in Short-Term Weather Forecasting [0.0]
  本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。 平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
  論文  参考訳（メタデータ） (2023-09-05T22:13:35Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。