在高效资源管理中，准确的云工作负载预测至关重要，但由于工作负载高度波动且易于突发，预测仍然面临挑战。尽管小波能够保持时间局部性，但固定基函数在处理复杂模式时表现不佳，而孤立处理又忽视了关键的空间依赖性。
为了解决这一问题，我们提出了SWIFT，一个纯卷积框架，旨在实现高效的工作负载预测。我们引入了一种可学习的级联小波路径，该路径将传统固定小波基重塑为自适应卷积算子，从而实现精确的数据驱动特征提取。
此外，我们的多变量交互模块依次建模变量间的空间交互和变量内的特征交互，以稳定和细化噪声工作负载状态。广泛的实验表明，SWIFT以线性O(L)复杂度实现了SOTA准确性，将预测误差降低了多达31.04%，同时将延迟减少了79.74%。
博主点评： SWIFT框架通过引入可学习的小波路径和多变量交互模块，显著提升了工作负载预测的准确性和效率，展示了卷积网络在处理时空数据上的强大潜力。其在复杂模式处理上的优势，值得在更多领域推广应用。