移动云计算技术作为云计算技术的一个分支，近年来随着移动设备的普及以及用户对移动互联网服务需求的提升而得到迅速发展。移动云计算技术将云计算强大的计算能力和存储资源与移动设备的便捷性相结合，为用户提供了随时随地的云服务体验。与传统云计算相比，移动云计算面临的挑战主要体现在其负载的动态性和不可预测性上。这是因为移动虚拟机的负载会受到多种因素的影响，如用户行为、移动应用的多变性以及网络条件等，导致负载的变化非常剧烈。
为了应对这一挑战，研究人员陈丝雨、庄毅、李静提出了基于长短期记忆网络（LSTM，Long Short-Term Memory）的AR-CSTM-ED（AutoRegressive-Convolutional-Stacked LSTM-Encoder-Decoder）负载预测模型。这种模型特别针对移动云主机负载的单步和长时间多步预测进行了优化。在提出该模型之前，研究者首先应用联合特征选择的方法，从大量的负载数据中筛选出与目标负载序列相关的其他负载序列。这一方法能够有效地捕捉到负载之间的相关性，是预测精准度的一个重要前提。
此外，文章中还采用了无抽取的小波变换方法，这一技术被用来对目标预测特征进行分解，将其转换为更易于预测的子序列。小波变换作为一种时频分析工具，其优势在于能同时提供时间域和频率域的信息，对于信号的局部特征具有很好的捕捉能力，这一点在处理在线预测场景下尤为有用。
将特征选择和小波变换得到的序列以及目标预测序列一同输入到AR-LSTM-ED模型中进行训练。长短期记忆网络（LSTM）是深度学习中的一种特殊类型的循环神经网络（RNN），特别适合于处理和预测时间序列数据中的重要事件。LSTM能够在序列数据中捕捉长期依赖关系，这对于负载预测来说至关重要，因为负载变化往往存在某种长期趋势。通过编码器-解码器的网络架构，模型能够处理不同长度的输入序列并输出相应长度的预测序列，这使得它能应用于从短期到长期的各种负载预测场景。
模型中还结合了自回归模型（AR），自回归模型是一种基于线性回归的统计模型，它使用自身的滞后值作为预测变量。这种结合方法能够有效地预测数据中的线性趋势，弥补LSTM在处理线性数据方面的不足。
为验证提出的AR-CSTM-ED模型的有效性，研究人员使用了真实的Google云计算数据集进行实验对比。实验结果表明，该方法在性能上相较于其他方法有明显的提升，证明了联合特征选择和小波变换方法在提高预测准确性方面的有效性，以及长短期记忆网络在捕捉长期依赖关系方面的优势。
关键词“移动云数据中心”、“长短期记忆神经网络”、“特征选择”、“小波变换”、“负载预测”分别揭示了研究的主要内容和研究方向。中图分类号TP311以及文献标志码A和DOI都为本文提供了学术上标准化的引用途径。
文章在引言部分提到了云计算概念的起源和发展，2006年Google公司首次提出云计算概念，这一技术的出现极大地推动了包括移动教育和虚拟现实等更为复杂的用户需求的技术发展。移动云计算应运而生，其结合了移动互联网和云计算技术，使用户能够按使用量租用基础架构及服务，而不必购买大量实体设备，这为移动设备用户提供了更灵活、经济的云服务方式。
在云计算领域，负载预测技术对于资源分配、能效管理和成本控制等方面具有重要意义。随着机器学习特别是深度学习技术的发展，更多先进的预测模型如LSTM网络被引入到负载预测中，为云计算服务提供商提供了更加精准和高效的解决方案。随着云计算技术的不断进步，未来在移动云计算负载预测领域必将出现更多新的算法和应用，以满足日益增长的云服务需求。
