云计算和传统数据中心的结合产生了面向服务的云数据中心。随着其规模的快速扩展,云数据中心需要提供给用户更好更快的服务并减少能量消耗,这对于云服务提供商来说成为一个日益需要重视的问题。本文工作的主要目标是通过对云数据中心负载到达率和资源利用率进行预测,为云服务提供商的资源分配和调度提供支持,更进一步提高云数据中心的处理能力,为云服务用户提供更适合响应更快的服务。目前,云数据中心每时每刻有数以万计的访问到达,其面对这样庞大的访问量,使用传统的静态分配服务器资源的方法无法来满足用户的需求也会使得云数据中心提供商消耗更多的能量,降低其收益。同时,在预测模型方面,由于采集到的负载和资源利用率包含一些干扰因素,这对于分析建立预测模型有一定的影响。进一步,传统的统计学和机器学习技术无法同时捕捉到时间和深度方向上的长期依赖关系,这无法适应云数据中心大规模请求负载的分布并影响其最后的预测精度和时间。为了解决云数据中心负载到达率和资源利用率时间序列中存在的大数据量、预测精度不够和预测时间慢的问题,本文提出改进的Transformer的云数据中心负载和资源预测模型。研究的云数据中心负载和资源时间序列曲线是表示其负载到达率和资源利用率的变化曲线,模型中采用的数据为谷歌和阿里巴巴提供的云数据中心请求到达和资源利用情况进行提取整合之后的预处理数据。本文工作所使用的数据是根据云数据中心请求到达的时间,按照每隔两分钟进行一次整理,记录该时段内到达的请求总量以及资源利用总量。本文工作研究的主要问题和内容为云数据中心未来两分钟时间请求到达和资源利用的情况。本文构建的预测模型为基于序列分解和改进Transformer的负载和资源预测方法。主要是对现有的预测模型进行精度和预测时间上的优化,本文提出的预测模型通过对云数据中心负载和资源曲线的拟合,其使得预测更加地准确和快速。首先,主要采用的数据预处理方法包括变分模态分解和Savitzky Golay平滑滤波。变分模态分解可以应用于任何类型的信号分解,在处理非平稳非线性的数据上,具有比较明显的优势。而Savitzky Golay平滑滤波在经过与其他滤波器对比之后,在云数据中心负载和资源数据处理上有着较为优异的性能。其次,本文采用的改进Transformer模型为将Transformer、双向和网格长短期记忆网络进行结合,针对长期序列、反向和深度时间信息进行有效地建模提取。最后,本文通过搭建机器学习中长短期记忆网络、双向和网格长短期记忆网络等多种基线模型来进行对比实验,从而验证本文工作中提出的模型预测精度和时间。