Yapay Zeka Veri Merkezlerinde Hesaplama Güdümlü Dinamik Yük Tahmini İçin Rejime Uyarlanabilir Ağırlıklı Topluluk Öğrenmesi

Özet

Çalışma, Ziying Wang, Ying Zhang, Lei Wang ve Yuzhang Lin tarafından hazırlanmış bir arXiv önbaskısıdır (arXiv:2604.27207, 2026; Oklahoma State University / New York University). Konusu, yükü ani ve durağan olmayan iş gelişleriyle yönlenen yapay zeka veri merkezlerinde dakika düzeyinde kısa vadeli yük tahminidir.

Yöntem iki alt modeli, XGBoost ve 1D-CNN'i, küçük bir sinir ağıyla birleştirir. Bu ağ, alt modellerin yakın dönem performansından ve yük artışı özelliklerinden zamanla değişen topluluk ağırlıklarını öğrenir; böylece tahmin boşta, yükselme, yüksek ve alçalma rejimleri arasında uyum sağlar. Veri, MIT Supercloud GPU günlüklerinden kurulan küme düzeyi serilerdir: 0,1 sn çözünürlüklü iş düzeyi günlükler 1 dakikalık düğüm düzeyi serilere yeniden örneklenmiş, küme düzeyinde toplanmış ve boş aralıklar 25 W GPU taban değeriyle doldurulmuştur.

Veri kronolojik olarak bölünmüştür: yüzde 60 alt model eğitimi, yüzde 20 topluluk eğitimi, kalanı test için. Hatalar (NRMSE/NMAE) şöyledir: SVR yüzde 3,04/2,30, LSTM 2,66/2,11, XGBoost 2,46/1,86, 1D-CNN 2,45/1,85 ve önerilen topluluk 0,83/0,37. En güçlü referansa (1D-CNN) göre yöntem NRMSE'yi yüzde 66,1, NMAE'yi yüzde 80,2 iyileştirir. Yükselme rejimlerinde her iki alt model de geride kalır ve yüksek rejimde her ikisi de düşük tahmin eder; uyarlanabilir ağırlıklar dört rejimde de gerçek değeri daha yakından izler. Sınırlılık: değerlendirme tek bir veri setine (MIT Supercloud) dayanır.

Öne çıkan noktalar

1. MIT Supercloud iş düzeyi GPU günlükleri 0,1 sn çözünürlükten 1 dakikalık düğüm serilerine yeniden örneklendi ve küme düzeyinde toplandı; boş aralıklar 25 W GPU taban değeriyle dolduruldu.
2. Veri kronolojik bölündü: yüzde 60 alt model eğitimi, yüzde 20 topluluk eğitimi, kalan test.
3. Hatalar (NRMSE/NMAE): SVR yüzde 3,04/2,30; LSTM 2,66/2,11; XGBoost 2,46/1,86; 1D-CNN 2,45/1,85; önerilen topluluk 0,83/0,37.
4. En güçlü referansa (1D-CNN) göre NRMSE yüzde 66,1, NMAE yüzde 80,2 iyileşir.
5. Yükselme rejimlerinde her iki alt model geride kalır, yüksek rejimde ikisi de düşük tahmin eder; uyarlanabilir ağırlıklar dört rejimde gerçek değeri daha yakından izler.

Tasarımda kullanımı

• İşletme ve şebeke etkileşimi özelliklerinde yalnızca geçmiş kW yerine, iş zamanlayıcı sinyallerini (etkin işler) girdi alan, dakika çözünürlüklü, rejime duyarlı (boşta/yükselme/yüksek) BT yükü tahmini kullanın.
• Tahmin hatasını rejime göre raporlayın; tek modellerin başarısız olduğu ve şebeke yükselme sınırlarının devreye girdiği yer yükselmelerdir.
• Bu tahminleri iş başlangıçlarından önce depolama veya talep tepkisi eylemlerini zamanlamak için kullanın.
• Sonuçları tek veri setinden gelen bulgu olarak ele alın; kendi iş yükü verinizle doğrulayın.

Kimler okumalı

Yapay zeka veri merkezlerinde şebeke etkileşimi, depolama ve enerji tahmini üzerinde çalışan mühendisler ve araştırmacılar.

Yayın bilgileri

Yazarlar

Ziying Wang; Ying Zhang; Lei Wang; Yuzhang Lin

Yayıncı

arXiv preprint (Oklahoma State University / New York University)

Yıl

2026

Belge numarası

arXiv:2604.27207

Belge dili

İngilizce

Kaynak türü

Bilimsel yayın

Erişim

Ücretsiz okunur

DOI

10.48550/arXiv.2604.27207

Lisans

arXiv dağıtım izni — yeniden kullanım koşulları hak sahibine bağlıdır

Künye