1.一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法，其特征在于，包括以下步骤：

步骤1，收集云服务器的资源和性能数据。

步骤2，获取云服务器资源和性能序列数据，所述资源和性能序列数据包括：CPU空闲率、可用内存、平均负载和响应时间等。

步骤3，对步骤2获取得的序列数据进行预处理操作。

步骤4，使用步骤3得到的数据构建ARIMA模型，并获得ARIMA模型对步骤3所得数据的预测值。

步骤5，计算步骤3得到的序列数据的平均相关性，并构建RNN模型。

步骤6，使用步骤3和步骤4得到结果训练RNN模型。

步骤7，利用ARIMA模型的预测值和现有的序列数据未来数据进行预测。

2.根据权利要求1所述的一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法，其特征在于，所述步骤3中，对序列数据采用归一化处理方法进行预处理，将原始序列数据映射到[‑1,1]，具体方法是：

计算得序列数据的最大值和平均值，分别记为xmax和xmean；

使用序列数据中的每个数据减去xmean再除以xmax。

3.根据权利要求1所述的一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法，其特征在于，所述步骤4中，构建ARIMA模型具体方法是：对序列数据进行差分操作，直到通过ADF单位根检验方法的平稳性检验；通过观察自相关函数和偏自相关函数得到ARIMA模型的可能参数；确定最佳的ARIMA模型。

4.根据权利要求1所述的一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法，其特征在于，所述步骤5中，求得序列数据的平均相关，并构建RNN模型的具体方法是：计算序列数据中时刻t的数据与时刻t‑1,t‑2,…,t‑p的数据之间的相关性；求取序列数据中所有时刻与其之前时刻数据相关性的平均值；确定序列数据中相关性较强数据的个数。

5.根据权利要求4所述的一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法，其特征在于，计算序列的平均相关的具体方法为：使用灰色关联分析法衡量序列相关程度的方法确定时刻t的值x[t]分别和时刻t‑1的值x[t‑1]，时刻t‑2的值x[t‑2],…,时刻t‑p的值x[t‑p]的平均相关性,即共N‑p个数据分别与其本身之前p个数据的p个相关系数的平均值(其中t＝p,p+1,…,N)。从而确定RNN模型输入层神经元的个数，因为我们要对时刻t的值进行预测，因此RNN模型输出层神经元的个数设为1，再通过一个经验公式 确定RNN模型隐藏层神经元的个数；

其中h为隐藏层神经元的个数，m为输入层神经元的个数，n为输出层神经元的个数。

6.根据权利要求1所述的一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法，其特征在于，所述RNN模型包括输入层、隐藏层和输出层，其中将步骤3所得到的序列数据和步骤4中ARIMA模型的预测结果作为输入层的输入，所述输出层为ARIMA‑RNN组合模型的预测结果；所述隐藏层使用tanh作为激活函数。