由于容器具有灵活、高效和快速的特性,已逐渐取代了原有的虚拟机被业界认可,成为个人或企业用户的首选。目前,越来越多的应用程序被部署在容器中。准确预测容器的资源、负载可以实现资源灵活性调度,使容器集群能够提前响应部署在集群上的应用程序的资源使用情况,从而实现准确、动态地调度和分配资源,这不仅可以确保应用程序的服务水平协议,还可以提高容器云的资源利用率。但是,因为容器负载会在较小的时间范围内急剧波动,想要准确地预测容器负载仍然是一个巨大的挑战。此外,容器指标非常多,而且很难提前预知哪些指标是有用的。为了应对这些挑战,本文着重从两个方面研究了Kubernetes中的资源预测问题。一方面,为了实现Kubernetes集群能够对部署在集群上的应用程序的资源需求预先响应,并根据未来一段时间内的资源使用情况动态地调度和分配资源,提出了一个ES-TCN组合预测模型,该组合预测模型结合了三次指数平滑法和时间卷积网络各自的优势,以解决Kubernetes的资源使用量预测问题。利用TPOT思想来优化时间卷积网络模型的参数组合,在保证了模型的性能的同时大大减少了模型的训练时间。同时,根据Kubernetes的资源使用量的特点,设计了一种加权分配策略,为三次指数平滑法和时间卷积网络分配不同的权重,从而提高了ES-TCN组合预测模型的预测性能。另一方面,针对Kubernetes中容器的负载会在很短的时间内急剧波动以及容器指标非常多,而且很难提前预知哪些指标是有用的的问题,设计了一个Kubernetes容器资源负载预测模型。该模型主要包括两个模块:指标选择模块和负载预测模块。首先使用Lasso回归方法选择关键指标,然后结合灰色模型和长短期记忆网络的优势,提出一个新的混合预测模型(GM-LSTM),GM-LSTM混合预测模型先建立灰色预测模型,对各个选取的关键指标进行预测,然后将通过灰色预测模型获得的各关键指标的预测值作为长短期记忆网络模型的输入,以获得最终的负载预测值。最后,我们使用从真实的在线Kubernetes集群中收集的Apache,Mysql,Nginx,Redis和MongoDB五种服务的数据集对提出的预测模型与现有的预测模型进行了评价。实验结果证实了ES-TCN组合预测模型在五个数据集上对Kubernetes资源使用量(CPU和内存)的预测效果都优于两个单一模型;GM-LSTM混合预测模型可以在减少训练指标的同时保持预测精度,而且在五个数据集上对Kubernetes容器资源负载的预测效果在大多数情况下都优于已有的ARIMA模型、LSTM模型、GM-SVR混合预测模型。