1.一种基于LSTM‑RBF的云资源预测方法，其特征在于，包括以下步骤：A、读入云计算平台集群中每台主机的资源负载情况数据，对数据进行归一化处理，转化为有监督学习问题，得到时间序列样本训练集；

B、使用LSTM神经网络对每一个时间序列样本进行资源预测，对LSTM神经网络进行训练；所述的步骤B包括：B1、通过由sigmod激活函数和按位乘操作构成的遗忘门来剔除时间序列中不必要的信息，其计算公式如下：ft＝σ(Wf·[ht‑1,xt]+bf)

其中，xt表示t时刻的时间序列样本，ht‑1表示t‑1时刻LSTM的上一个输出信号，Wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置项，σ表示sigmod激活函数，ft表示t时刻遗忘门的输出信号；

B2、通过由tanh激活函数和按位乘操作构成的记忆门来保留时间序列中必要的信息，其计算公式如下：it＝σ(Wi·[ht‑1,xt]+bi)

其中，it表示记忆门的输出，值范围在0到1之间，决定哪些信息需要被更新，tanh表示tanh激活函数，Wi表示记忆门的权重矩阵，Wc表示单元状态的权重矩阵，bi表示记忆门的偏置项，bc表示单元状态的偏置项，表示值范围在‑1到1之间的新的状态候选向量，ft表示遗忘门输出信号，Ct‑1表示t‑1时刻的细胞状态，Ct表示t时刻的细胞状态；

B3、输出门计算最终的输出结果：

ot＝σ(Wo·[ht‑1,xt]+bo)

ht＝ot*tanh(Ct)

其中，ot表示控制单元状态的过滤程度，值范围在0到1之间，Wo表示单元状态的权重矩阵，bo表示单元状态的偏置项，ht表示t时刻LSTM的输出信号，·是向量的点乘，*是数值的相乘；

C、使用RBF神经网络对每一个时间序列样本进行资源预测，对RBF神经网络进行训练；

所述的步骤C包括：

C1、确定RBF的中心向量，得到输入的时间序列到隐空间的映射关系；

C2、通过隐含层把向量从低维度映射到高维度；

C3、计算最终输出，其公式为：

其中，yj表示第j个输出，ωij表示第i个隐藏层节点针对第j个输出的权重，h表示隐含层节点数，σ表示sigmoid激活函数，xt表示t时刻的时间序列样本，ci表示第i个中心向量，n2

表示输出层的节点数，‖.‖表示向量的距离平方；

D、对LSTM神经网络和RBF神经网络最终输出向量按比例参数进行加权融合，利用BP神经网络对加权结果进行混合预测；所述的步骤D包括：D1、将LSTM和RBF的单一预测结果作为BP神经网络的输入，进行混合预测；

D2、设置多组不同的BP神经网络中间层节点数；

D3、每组网络均对LSTM和RBF的单一预测结果的加权结果进行训练，得到两个权值以及最终的混合预测结果；

D4、对每组得到的混合预测结果进行分析，选取出预测效果最佳的一组，得到BP神经网络的中间层节点数作为最终BP神经网络的结构；

E、利用样本训练集中的标签对BP神经网络进行训练，得到BP神经网络参数和所述的加权融合比例；

F、获取待预测的主机历史时刻的资源使用率序列作为训练好的LSTM神经网络和RBF神经网络的输入，两个网络的隐藏层输出结果按照步骤E得到的加权融合比例进行融合，再作为训练好的BP神经网络的输入，预测得到当前时刻的资源使用率。

2.根据权利要求1所述的一种基于LSTM‑RBF的云资源预测方法，其特征在于：步骤A中所述的转化为有监督学习问题，具体为对归一化后的时间序列样本标注标签，所述的时间序列为每台主机在每一时刻的资源使用率，将历史时刻的资源使用率作为输入，将后一时刻的资源使用率作为标签。