新研究提出两阶段预测框架：先预测服务请求再估算CPU负载，SMAPE低至3.57%
瑞典布莱金厄理工大学等机构的研究者在arXiv发表论文，提出先用XGBoost预测每秒事务数（TPS），再据此预测CPU工作负载，在含10个应用的私有云真实数据上多数应用SMAPE低于7%。
AI解读：这篇论文针对的是云资源预测的一个常见盲点：现有方法大多直接根据历史CPU数据预测未来负载，忽略了负载其实是客户服务需求（如每秒请求数TPS）的间接结果。研究者把预测拆成两步——先用XGBoost预测未来的TPS，再用这个TPS预测值去推算CPU负载，并在每个环节加入按时间窗口扩展的在线重训练来应对数据漂移。在包含10个应用的私有云真实数据上，多数应用的SMAPE（对称平均绝对百分比误差）低于7%，表现最好的应用MAE为0.7372、SMAPE为3.57%。对运维人员来说，这意味着预测不仅更准，还因为中间多了TPS这一层而更容易解释——当CPU预测异常时，可以直接溯源到服务请求的波动，而不是黑箱式的直接输出。但需注意，实验数据仅来自单一私有云环境，效果能否在公有云或大规模集群中复现尚未验证。普通读者无需立即行动；这项研究的价值更多在于为自动扩缩容和资源预调配提供了另一种可落地的建模思路。
瑞典布莱金厄理工大学（Blekinge Institute of Technology）等机构的研究者在arXiv上发表论文，提出一种两阶段CPU工作负载预测系统。该系统先预测客户服务请求量（以每秒事务数TPS衡量），再基于TPS预测值估算未来CPU负载，以显式建模“服务需求→资源消耗”之间的依赖关系。论文于2026年9月3日提交，共28页，含4张图。
方法与实验
系统的预测组件和资源预测组件均采用XGBoost模型，构成级联学习架构，并配合自适应在线重训练——使用扩展窗口（expanding-window）策略来应对云端工作负载持续演化带来的概念漂移。
实验使用来自一个包含10个应用的私有云环境的真实轨迹数据。结果显示，大多数应用的对称平均绝对百分比误差（SMAPE）低于7%；表现最好的应用MAE为0.7372，RMSE为1.1866，SMAPE为3.57%，R²为0.9185。按预测步长（horizon）进行的漂移分析表明，在60步预测范围内，递归预测行为稳定，误差累积受控。
与直接预测方法的对比
论文称，与传统的直接CPU预测方法相比，该两阶段集成模型在预测稳健性、计算效率和可解释性方面均有改进，使其适用于云端环境的主动资源管理和智能自动扩缩容。上述对比结论来自论文摘要，未提供具体对比数据。