近些年,高安全性、高可扩展性和高便利性的超大规模云计算数据中心得到快速发展,它可以为企业和个人按需求提供有偿性的资源服务。但是云计算的普及也使其面对的数据压力不断增大,提供服务过程中难免会出现信息丢失、负载突发性剧变引起的过载和空载等问题。这些问题的累积会导致云任务失败或云服务器宕机,因此对云平台信息丢失问题和突发性负载问题进行预测研究,以便于针对该类问题提前采取相应措施则显得尤为重要。本文关注于云平台中出现的信息丢失问题和突发性负载变化问题,对云平台中信息丢失问题和突发性负载问题与云任务属性之间的关系进行了深入的分析。针对传统方法难以预测信息丢失和突发性负载的现状,将高斯混合模型GMM、随机森林和长短期记忆网络LSTM等多种算法引入预测模型的构建,开展一系列基于云平台的信息丢失与突发性负载预测方法研究。（1）针对云任务中能否发生信息丢失和发生的丢失类型不确定问题,首先分析信息丢失的类型并重点探究云任务属性对信息丢失问题的影响相关度,归纳出四种相关度最高的任务属性。利用四种属性作为实验数据,基于高斯混合模型GMM建立信息丢失预测模型,创新性地引入平衡因子并结合多元多项式拟合算法对预测模型进行了优化与改进。通过多个实验表明,本文所提方法对云任务是否发生信息丢失及其丢失类型的预测具有极高的准确性和较小的时间复杂度,并依据预测结果提出了一种简单有效的优化调度方法。（2）针对突发性负载变化不规律的问题,从单个任务到单个机器,再到机器集群逐层递进按照多粒度的方法对突发性负载现象进行分析、分类和预测。分类过程中结合三支决策理论和随机森林算法创新性地提出两步判别分类模型,通过人工粗划分和随机森林判别法分二步判别机器的突发性负载状态,将单个任务中的突发性负载细分成平静态、中间态、活跃态三类。利用长短期记忆网络LSTM建立预测模型预测单个机器未来的突发性负载状态,通过与多个不同的神经网络算法进行实验对比,表明本文所提方法具有较高的准确性和较小的资源需求占比,可以精准地预测单个机器未来一段时间内的突发性负载状态。最后根据预测结果将相同状态的机器聚类成机器集群,对集群整体进行了负载分析以验证预测的准确性,并针对不同突发性负载模型结合混部调度方法提出了简单有效的资源配置方法。