Kubernetes是如今最具影响力的云平台容器管理工具之一,虽然Kubernetes受到了广泛的应用和认可,但其原始的伸缩策略在面对如今多变的需求和复杂环境时显得相对被动,该策略仍然存在一定的缺陷。针对服务器负载数据复杂的特性和Kubernetes的响应式伸缩策略相对被动的问题,本文提出一种基于自适应加噪的集合经验模态分解（CEEMDAN）、通道注意力机制（SENet）和时间卷积神经网络（TCN）的混合预测模型CEEMDAN-SE-TCN。通过主动预测下一时刻容器集群的负载情况,并根据预测值进行相应的预伸缩操作,使云平台容器集群能够对服务器负载变化做出更快的响应,以这种主动的方式避免服务器出现长期处于高压状态和资源浪费的情况,从而达到提升平台服务质量和减少云平台运营商的维护成本的目的。针对数据抖动引起服务器容器集群进行不必要伸缩的问题,本文在Kubernetes原算法的基础上,提出了一种改进的动态权值伸缩策略DWHPA。该策略将实际指标与预测指标这两项数据综合考虑,以指定步长间隔的窗口法选取历史数据得到分析矩阵,通过Critic权重法对矩阵进行分析动态确定两个指标的权值关系,并根据所得权值与相应公式得到最终的期望Pod数量,通过这种方式减少了数据抖动对期望值和动态权值的影响,更加客观的反映了在数据抖动时服务器负载变换的整体趋势,以避免容器集群的无效伸缩,提升容器集群资源利用率。本文以Kubernetes搭建云平台容器集群进行实验,以Google集群数据集为实验数据,实验结果表明在同等条件下CEEMDAN-SE-TCN模型预测准确率优于其他方法。同时通过两组对比试验验证了本文提出的动态伸缩策略在应对数据变换时能够及时的提前做出响应,对服务器集群进行相应的扩容和缩容操作,避免了数据抖动带来的误操作,证明了该策略的有效性和可行性。