一种面向深度学习应用的多尺度时间序列功耗预测方法

本发明涉及机器学习技术领域，具体涉及一种面向深度学习应用的多尺度时间序列功耗预测方法，首先通过有代表性的深度学习任务获取服务器运行时的性能数据和功耗数据，接着对采集的数据进行预处理，以提高模型对数据的预测精度，然后，通过多尺度时间序列提取层从功耗数据中提取不同尺度的时间序列数据，再使用多种功耗模式分解和重新混合层对各尺度时间序列的长期分量和短期分量进行重新混合，以使得模型更容易学习其数据中的特征，最后，使用多尺度时间序列预测与混合层得到最终预测结果。与现有大多数基于普通高性能计算中心任务的功耗预测模型方法相比，本发明可以有效提高智算中心深度学习任务的功耗预测精度并具有较低的计算开销。