1、虛擬機配置是云計算中最具挑戰(zhàn)性的一項工作，云服務供應商“現(xiàn)收現(xiàn)付”的運營模式使得虛擬機資源的分配總是不能及時滿足客戶的需求。在云資源調(diào)配、熱點檢測、虛擬機遷移等諸多技術條件限制下，最實用有效的方法是通過對虛擬機需求的預測讓云服務商能夠提前做好相應準備。虛擬機預測，作為云服務企業(yè)越來越重視的環(huán)節(jié)，它在為企業(yè)的決策者提供虛擬機配置依據(jù)方面發(fā)揮著越來越重要的作用。目前主要的解決途徑是用時間序列模型來預測虛擬機的需求，然而虛擬機需求的高度不穩(wěn)定

2、性使得虛擬機的預測不是那么容易解決的。本文針對云計算環(huán)境下虛擬機需求的波動點預測和數(shù)量預測這兩方面展開深入的研究，主要的工作內(nèi)容有:
　　1.針對虛擬機需求的波動點預測，本文提出了PLR-WSVM模型來預測虛擬機需求的變化。在這個模型中，我們把虛擬機的預測轉(zhuǎn)化成一個分類問題，通過分段線性化和加權(quán)支持向量機組合算法來預測虛擬機需求的波動點。該模型還能夠捕捉到虛擬機需求的非平穩(wěn)時間序列中急劇變化的點，通過某公司智能云部門真實數(shù)據(jù)集上的

3、實驗，說明了PLR-WSVM模型的有效性。
　　2.針對虛擬機需求數(shù)量的預測，本文提出了一種基于排序矩陣的選擇性時間序列集成模型(RMBSE)。此外，根據(jù)虛擬機預測的實際應用場景，還提出了一個新的誤差評價指標CPC。和單一的模型相比，多個時間序列預測模型的組合能大大降低預測誤差。在RMBSE中，我們根據(jù)各子模型在過去時間序列中預測的精度，得到一組排序矩陣，依據(jù)這個排序矩陣，對各子模型的預測結(jié)果進行選擇性集成。實驗結(jié)果表明，本文提出