Figure 3b shows the difference betw

Figure 3b shows the difference between the predicting
values and the real values of the workload
on the cloud. We compared the proposed HMPM
prediction with some traditional methods, such as
average prediction (AP), weighted prediction (WP),
least squares prediction (LSP), and random prediction
(RP). The traditional methods only consider
the n-step values ahead of the current one, ignoring
the overall system’s current status, which increases
the possibility of missing a prediction. To overcome
this problem, the HMPM includes a two-level state
machine, in which the hidden state machine represents
the overall system’s state and the visible state
machine monitors the change of past-n-step values.
HMPM has the highest accuracy of all the methods
because it’s sensitive to abrupt changes in the number
of requests and successfully filters small changes
in vibration (such as small changes in size or speed),
which is suitable for emergency situation.

ผลลัพธ์ (ไทย) 1:

รูปที่ 3b แสดงความแตกต่างระหว่างการคาดการณ์ค่าและค่าจริงของปริมาณงานบนเมฆ เราเปรียบเทียบ HMPM เสนอทำนาย ด้วยวิธีการแบบเดิมบาง เช่นคาดเดาเฉลี่ยทำนาย (AP), ถ่วงน้ำหนัก (WP),กำลังสองน้อยสุดคาดเดา (LSP), และการคาดเดาสุ่ม(RP) วิธีการดั้งเดิมพิจารณาเท่านั้นค่า n ขั้นตอนก่อนหนึ่งปัจจุบัน ละเว้นของระบบโดยรวมสถานะปัจจุบัน ซึ่งเพิ่มขึ้นความเป็นไปได้ของการขาดการคาดการณ์ การเอาชนะปัญหา HMPM ประกอบด้วยรัฐสองระดับเครื่อง สถานะซ่อนอยู่แทนสถานะของระบบโดยรวมและสถานะการมองเห็นเครื่องตรวจสอบการเปลี่ยนแปลงของขั้นตอนที่ผ่านมา n ค่าHMPM มีความแม่นยำสูงที่สุดของวิธีการทั้งหมดเนื่องจากมีความไวต่อการเปลี่ยนแปลงอย่างทันทีทันใดในหมายเลขของคำขอและเปลี่ยนแปลงตัวกรองขนาดเล็กในแรงสั่นสะเทือน (เช่นขนาดเล็กเปลี่ยนแปลงขนาดหรือความเร็ว),ซึ่งเหมาะกับสถานการณ์ฉุกเฉิน

ผลลัพธ์ (ไทย) 2:

รูปที่ 3b แสดงให้เห็นถึงความแตกต่างระหว่างการทำนายค่านิยมและคุณค่าที่แท้จริงของภาระงานในระบบคลาวด์ เราเทียบ HMPM เสนอการทำนายด้วยวิธีการแบบดั้งเดิมบางอย่างเช่นการคาดการณ์เฉลี่ย(AP) ทำนายถ่วงน้ำหนัก (WP) ทำนายน้อยสแควร์ (LSP) และการทำนายแบบสุ่ม(RP) วิธีการแบบเดิมจะพิจารณาค่าn-ก้าวไปข้างหน้าของหนึ่งในปัจจุบันโดยไม่สนใจสถานะปัจจุบันของระบบโดยรวมซึ่งเพิ่มความเป็นไปได้ของการคาดการณ์ที่ขาดหายไปได้ ที่จะเอาชนะปัญหานี้ HMPM รวมถึงรัฐสองระดับเครื่องซึ่งในเครื่องของรัฐที่ซ่อนแสดงให้เห็นถึงสถานะของระบบโดยรวมและรัฐมองเห็นเครื่องตรวจสอบการเปลี่ยนแปลงของค่าที่ผ่านมา-n-ขั้นตอน. HMPM มีความถูกต้องมากที่สุดของทุก วิธีการเพราะมันไวต่อการเปลี่ยนแปลงอย่างฉับพลันในจำนวนของการร้องขอและประสบความสำเร็จกรองการเปลี่ยนแปลงเล็กๆในการสั่นสะเทือน (เช่นการเปลี่ยนแปลงขนาดเล็กหรือความเร็ว) ซึ่งเหมาะสำหรับสถานการณ์ฉุกเฉิน

ผลลัพธ์ (ไทย) 3:

รูปที่ 3B แสดงความแตกต่างระหว่างค่าจริงและค่าทำนาย

ของภาระงานในเมฆ เราเปรียบเทียบเสนอ hmpm
ทำนายด้วยวิธีแบบดั้งเดิม เช่น
ทำนายเฉลี่ย ( AP ) การทำนายค่าถ่วงน้ำหนัก ( WP )
Least Squares พยากรณ์ ( LSP ) และ
พยากรณ์แบบสุ่ม ( RP ) วิธีการแบบดั้งเดิมจะพิจารณาค่า
n-step ไปข้างหน้าของหนึ่งในปัจจุบัน ละเว้น
สถานะปัจจุบันของระบบโดยรวม ซึ่งเพิ่มขึ้น
ความเป็นไปได้ของหายไปคาดการณ์ ที่จะเอาชนะปัญหานี้
, hmpm ประกอบด้วยสองรัฐ
เครื่อง ซึ่งเครื่องแสดงสถานะซ่อนอยู่

สถานะและสภาพเครื่องที่มองเห็นจอภาพเปลี่ยน past-n-step ค่าโดยรวมของระบบ .
hmpm มีความถูกต้องสูงสุดของวิธีการทั้งหมด
เพราะมันไวต่อการเปลี่ยนแปลงอย่างฉับพลันในหมายเลขของการร้องขอและกรองเรียบร้อยแล้ว

การเปลี่ยนแปลงเล็ก ๆในการสั่นสะเทือน ( เช่นการเปลี่ยนแปลงขนาดเล็กหรือความเร็ว ) ,
ซึ่งเหมาะสำหรับเหตุฉุกเฉิน