[论文解读] Autoregressive Time Series Forecasting of Computational Demand

Thomas Sandholm|ArXiv.org|Nov 14, 2007

Complex Systems and Time Series Analysis参考文献 12被引用 6

一句话总结

本文评估了自回归时间序列模型——尤其是ARIMA和指数平滑法——在共享网络（如PlanetLab和Tycoon）中计算需求预测中的表现。研究发现，尽管对于一步预测，随机游走模型表现优于其他模型，但ARIMA(1,1,0)和自适应指数平滑法在两步和三步预测中表现更优，凸显了在高波动性和非平稳性条件下，高阶模型在长周期预测中的价值。

ABSTRACT

We study the predictive power of autoregressive moving average models when forecasting demand in two shared computational networks, PlanetLab and Tycoon. Demand in these networks is very volatile, and predictive techniques to plan usage in advance can improve the performance obtained drastically. Our key finding is that a random walk predictor performs best for one-step-ahead forecasts, whereas ARIMA(1,1,0) and adaptive exponential smoothing models perform better for two and three-step-ahead forecasts. A Monte Carlo bootstrap test is proposed to evaluate the continuous prediction performance of different models with arbitrary confidence and statistical significance levels. Although the prediction results differ between the Tycoon and PlanetLab networks, we observe very similar overall statistical properties, such as volatility dynamics.

研究动机与目标

• 评估自回归模型（包括ARIMA和指数平滑法）在共享计算网络中需求预测方面的性能。
• 确定更复杂的回归模型是否能优于简单随机游走和指数平滑预测器，用于短期和中期预测。
• 识别PlanetLab和Tycoon需求序列之间的共同统计特性（如波动率动态和重尾分布）。
• 开发并应用一种蒙特卡洛自助法检验，以在任意置信水平和显著性水平下评估连续预测性能。
• 为实时自适应预测系统中的模型选择、窗口大小和参数更新频率提供实用指导。

提出的方法

• 本研究将ARIMA建模应用于PlanetLab和Tycoon的需求时间序列，使用从初始样本窗口推导出的固定模型结构。
• 模型参数每隔固定时间间隔（每50至150小时）重新估计，以适应动态变化，同时保持结构一致性。
• 通过ARIMA(1,1,0)、ARIMA(0,1,0)（随机游走）和ARIMA(0,1,1)（指数加权移动平均）模型生成一步、两步和三步预测。
• 采用蒙特卡洛自助法检验，以评估和比较各模型预测性能的统计显著性。
• 使用滚动时间窗口进行评估，以确保预测无偏，并模拟真实环境下的实时部署条件。
• 将模型性能与随机游走模型进行基准对比，后者假设最新观测值是下一预测步的最佳预测值。

实验结果

研究问题

• RQ1 自回归模型（如ARIMA）是否能在计算需求预测中优于简单的随机游走预测器？
• RQ2 预测准确率如何随预测范围变化——特别是针对一步、两步和三步预测？
• RQ3 在波动性强、非平稳的需求序列中，保持预测准确性的最优窗口大小和模型参数更新频率是什么？
• RQ4 PlanetLab和Tycoon需求时间序列之间是否存在共享的统计特性（如波动率结构或尾部行为）？
• RQ5 基于自助法的统计检验是否能可靠地比较不同预测模型的连续预测性能？

主要发现

• 对于一步预测，随机游走模型（ARIMA(0,1,0)）在PlanetLab和Tycoon数据集上始终优于更高阶的ARIMA和指数平滑模型。
• 对于两步和三步预测，ARIMA(1,1,0)和自适应指数平滑模型显著优于随机游走模型，尤其在PlanetLab数据集中表现突出。
• 尽管需求分布具有强重尾性和右偏特性，随机游走模型在一步预测中仍表现最优，这与正态性假设下的理论预期相悖。
• 本研究识别出PlanetLab和Tycoon需求之间存在显著的统计相似性，包括波动率动态、异常值频率和重尾密度函数，表明二者具有相似的工作负载特征。
• 在PlanetLab上，更大的模型拟合窗口并未提升性能；但Tycoon的17天数据长度有限，无法测试更大的窗口。
• 蒙特卡洛自助法提供了一种稳健且统计有效的比较方法，可用于在任意置信水平和显著性水平下比较不同模型的预测性能。