基于树基模型的双阶段能耗特征选择方法

doi:10.11772/j.issn.1001-9081.2025070854

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2541-2547.DOI: 10.11772/j.issn.1001-9081.2025070854

基于树基模型的双阶段能耗特征选择方法

田博然¹, 周建涛¹^,²^,³^,⁴(), 赵大明⁵

^1.内蒙古大学计算机学院，呼和浩特 010021
^2.生态大数据教育部工程研究中心（内蒙古大学），呼和浩特 010021
^3.内蒙古自治区云计算与服务软件工程实验室（内蒙古大学），呼和浩特 010021
^4.大数据分析技术内蒙古自治区工程实验室（内蒙古大学），呼和浩特 010021
^5.清华大学计算机科学与技术系，北京 100084

收稿日期:2025-07-29 修回日期:2025-09-22 接受日期:2025-09-22 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 周建涛
作者简介:田博然（2000—），女，河北廊坊人，硕士研究生，主要研究方向：云计算节能资源调度
周建涛（1974—），女，河北承德人，教授，博士，CCF会员，主要研究方向：形式化方法、云计算、软件工程
赵大明（1993—），男，黑龙江哈尔滨人，博士，主要研究方向：云计算节能资源调度、大语言模型服务优化。
基金资助:
国家自然科学基金资助项目(62162046);国家自然科学基金资助项目(62472236);呼和浩特市重大科技专项（23-战-重-1）

Two-stage energy consumption feature selection method based on tree-based models

Boran TIAN¹, Jiantao ZHOU¹^,²^,³^,⁴(), Daming ZHAO⁵

^1.College of Computer Science，Inner Mongolia University，Hohhot Inner Mongolia 010021，China
^2.Engineering Research Center of Ecological Big Data （Inner Mongolia University），Ministry of Education，Hohhot Inner Mongolia 010021，China
^3.Inner Mongolia Engineering Laboratory for Cloud Computing and Service Software （Inner Mongolia University），Hohhot Inner Mongolia 010021，China
^4.Inner Mongolia Engineering Laboratory for Big Data Analysis Technology （Inner Mongolia University），Hohhot Inner Mongolia 010021，China
^5.Department of Computer Science and Technology，Tsinghua University，Beijing 100084，China

Received:2025-07-29 Revised:2025-09-22 Accepted:2025-09-22 Online:2025-11-05 Published:2026-08-10
Contact: Jiantao ZHOU
About author:TIAN Boran， born in 2000， M. S. candidate. Her research interests include energy efficiency and resource scheduling in cloud computing， resource scheduling.
ZHAO Daming， born in 1993， Ph. D. His research interests include energy efficiency and resource scheduling in cloud computing， resource scheduling， large language model service optimization.
Supported by:
National Natural Science Foundation of China(62162046);Major Science and Technology Special Project of Hohhot City(23-Zhan-Zhong-1)

摘要/Abstract

摘要：

云计算平台中应用服务的多维资源特征显著影响数据中心能耗。通过特征选择技术提取关键能耗指标是构建精准预测模型的有效手段，当前研究未能充分融合特征的可解释性与全局最优的搜索能力，导致所选特征存在冗余度高、预测精度差或决策不可解释等问题。为此，提出一种基于树基模型的双阶段能耗特征选择方法：在第一阶段采用基于博弈论的树基模型可解释技术（TreeSHAP）量化特征的边际贡献，实现高透明度的冗余特征剔除；在第二阶段融合蚁群优化（ACO）算法的快速收敛性与引力搜索算法（GSA）的全局搜索能力，在精简特征空间中定位最优组合。通过两阶段的协同合作，TreeSHAP筛选出的低维可解释空间为ACO-GSA奠定优化基础，大幅降低计算复杂度，ACO-GSA则在此基础上通过混合搜索策略，高效辨识出关键特征组合。通过对比不同特征选择方法，并在多种预测模型上验证特征子集的性能，从特征维度、预测精度及泛化性能等方面进行综合评价。实验结果表明，所提方法在墨尔本大学云数据集上获得的特征子集维度相较于最小绝对收缩和选择（Lasso）算法降低了58.3%，特征子集预测精度较ACO提升了9.1%。所提方法在特征精简性、模型预测精度和泛化可靠性方面均优于对比方法，验证了所提方法的有效性。

关键词: 特征选择, 能耗预测, Shapley值, 蚁群优化算法, 引力搜索算法

Abstract:

In cloud computing platforms， multidimensional resource features of application services influence data center energy consumption significantly. Extracting key energy consumption indicators through feature selection techniques serves as an effective means to build accurate prediction models. The existing studies fail to adequately integrate feature interpretability with global optimal search capability， resulting in issues such as high redundancy， low prediction accuracy， or lack of decision interpretability in selected features. To address these problems， a two-stage energy consumption feature selection method based on tree-based models was proposed. In the first stage， SHapley Additive exPlanations for Tree-based models （TreeSHAP） was used to quantify marginal contribution of features and realize highly transparent elimination of redundant features. In the second stage， rapid convergence of Ant Colony Optimization （ACO） algorithm was combined with global search capability of Gravitational Search Algorithm （GSA） to localize the optimal feature combination in the reduced feature space. Through the two stages working collaboratively： the low-dimensional interpretable space filtered by TreeSHAP was used to provide a foundation for ACO-GSA， with computational complexity reduced significantly， while key feature combinations were identified by ACO-GSA efficiently through a hybrid search strategy. By comparing different feature selection methods and validating the performance of the feature subsets on multiple prediction models， a comprehensive evaluation was conducted in terms of feature dimensionality， prediction accuracy， and generalization performance. Experimental results demonstrate that the proposed method reduces the feature subset dimensionality by 58.3% compared to Least Absolute Shrinkage and Selection Operator （Lasso） and improves the prediction accuracy of the feature subset by 9.1% compared to ACO on the University of Melbourne cloud dataset. It can be seen that the proposed method outperforms comparative methods in feature compactness， prediction accuracy， and generalization reliability， verifying its effectiveness.

Key words: feature selection, energy consumption prediction, Shapley value, Ant Colony Optimization (ACO) Algorithm, Gravitational Search Algorithm (GSA)

中图分类号:

TP393

田博然, 周建涛, 赵大明. 基于树基模型的双阶段能耗特征选择方法[J]. 计算机应用, 2026, 46(8): 2541-2547.

Boran TIAN, Jiantao ZHOU, Daming ZHAO. Two-stage energy consumption feature selection method based on tree-based models[J]. Journal of Computer Applications, 2026, 46(8): 2541-2547.

图/表 7

参考文献 31

[1]	Wang Y， Yang X. Cloud computing energy consumption prediction based on kernel extreme learning machine algorithm improved by vector weighted average algorithm［C］// AIITA 2025. Piscataway： IEEE， 2025： 1355-1361.
[2]	Theng D， Bhoyar K K. Feature selection techniques for machine learning： a survey of more than two decades of research［J］. Knowledge and Information Systems， 2024， 66（3）： 1575-1637.
[3]	Jiang J， Zhang X， Yang J. Unsupervised feature selection based on incremental forward iterative Laplacian score［J］. Artificial Intelligence Review， 2023， 56（5）： 4077-4112.
[4]	Salmi A， Hammouche K， MacAire L. Similarity-based constraint score for feature selection［J］. Knowledge-Based Systems， 2020， 209： No.106429.
[5]	Fejzic A， Tihac A， Boskovic D. Statistical filtering methods for feature selection in arrhythmia classification［C］// ICAT 2023. Piscataway： IEEE， 2023： 1-6.
[6]	杨家权. 基于粒子群优化算法的大规模特征选择研究［D］. 广州：华南理工大学， 2024.
	Yang Jiaquan. Research on large-scale feature selection using particle swarm optimization［D］. Guangzhou： South China University of Technology， 2024.
[7]	Yilmaz Eroglu D， Akcan U. An adapted ant colony optimization for feature selection［J］. Applied Artificial Intelligence， 2024， 38（1）： No.2335098.
[8]	Hosseini M， Navabi M S. Hybrid PSO-GSA based approach for feature selection［J］. Journal of Industrial Engineering and Management Studies， 2023， 10（1）： 1-15.
[9]	刘诗琪，潘大志. 基于精英思想自适应改进万有引力搜索算法［J］.智能计算机与应用， 2024， 14（1）： 16-21.
	Liu Shiqi， Pan Dazhi. Adaptive improvement of gravitational search algorithm based on elite thought［J］. Intelligent Computer and Applications， 2024， 14（1）： 16-21.
[10]	Pramanik R， Pramanik P， Sarkar R. Breast cancer detection in thermograms using a hybrid of GA and GWO based deep feature selection method［J］. Expert Systems with Applications， 2023， 219： No.119643.
[11]	Li Z Z， Wang F L， Qin F， et al. Feature selection of gene expression data using a modified artificial fish swarm algorithm with population variation［J］. IEEE Access， 2024， 12： 72688-72706.
[12]	Zhou H， Zhang J， Zhou Y， et al. A feature selection algorithm of decision tree based on feature weight［J］. Expert Systems with Applications， 2021， 164： No.113842.
[13]	Naik A K， Kuppili V. An embedded feature selection method based on generalized classifier neural network for cancer classification［J］. Computers in Biology and Medicine， 2024， 168： No.107677.
[14]	Wang H， Liang Q， Hancock J T， et al. Feature selection strategies： a comparative analysis of SHAP-value and importance-based methods［J］. Journal of Big Data， 2024， 11： No.44.
[15]	Enouen J， Liu Y. InstaSHAP： interpretable additive models explain Shapley values instantly［PP/OL］. V1. arXiv （2025-02-20）［2025-09-19］..
[16]	Yang J. Fast TreeSHAP： accelerating SHAP value computation for trees［PP/OL］. V3. arXiv （2022-07-26）［2025-09-19］..
[17]	Zhou X， Gui W， Heidari A A， et al. Random following ant colony optimization： continuous and binary variants for global optimization and feature selection［J］. Applied Soft Computing， 2023， 144： No.110513.
[18]	王昱钦. 基于粒子群和蚁群混合算法的柔性车间调度算法［J］. 电子设计工程， 2023， 31（17）： 65-69.
	Wang Yuqin. Flexible job-shop scheduling algorithm based on hybrid algorithm of particle swarm and ant colony［J］. Electronic Design Engineering， 2023， 31（17）： 65-69.
[19]	Nazir M S， Abdalla A N， Zhao H， et al. Optimized economic operation of energy storage integration using improved gravitational search algorithm and dual stage optimization［J］. Journal of Energy Storage， 2022， 50： No.104591.
[20]	Ilager S， Ramamohanarao K， Buyya R. Thermal prediction for efficient energy management of clouds using machine learning［J］. IEEE Transactions on Parallel and Distributed Systems， 2021， 32（5）： 1044-1056.
[21]	Kashef S， Nezamabadi-Pour H. A new feature selection algorithm based on binary ant colony optimization［C］// IKT 2013. Piscataway： IEEE， 2013： 50-54.
[22]	Sheikhan M， Bostani H. Binary Gravitational Search Algorithm （BGSA）： improved efficiency［M］// Herold R， Rogers M K. Encyclopedia of information assurance — 4 volume set （print）. New York： Auerbach Publications， 2010： 1-19.
[23]	Babatunde O H， Armstrong L， Leng J， et al. A genetic algorithm-based feature selection［J］. International Journal of Electronics Communication and Computer Engineering， 2014， 5（4）： 899-905.
[24]	Dara S， Banka H. A binary PSO feature selection algorithm for gene expression data［C］// ICACACT 2014. Piscataway： IEEE， 2014： 1-6.
[25]	Fonti V. Feature selection using LASSO［D/OL］. ［2025-09-19］..
[26]	Rawal K， Ahmad A. Feature selection for electrical demand forecasting and analysis of Pearson coefficient［C］// CIEEC 2021. Piscataway： IEEE， 2021： 1-6.
[27]	Nogueira S， Sechidis K， Brown G. On the use of Spearman’s rho to measure the stability of feature rankings［C］// IbPRIA 2017， LNCS 10255 . Cham： Springer， 2017： 381-391.
[28]	Sapankevych N I， Sankar R. Time series prediction using support vector machines： a survey［J］. IEEE Computational Intelligence Magazine， 2009， 4（2）： 24-38.
[29]	Cule E， De Iorio M. Ridge regression in prediction problems： automatic choice of the ridge parameter［J］. Genetic Epidemiology， 2013， 37（7）： 704-714.
[30]	Li W， Yin Y， Quan X， et al. Gene expression value prediction based on XGBoost algorithm［J］. Frontiers in Genetics， 2019， 10： No.1077.
[31]	Piao J T， Yan J. Computing resource prediction for mapreduce applications using decision tree［C］// APWeb 2012， LNCS 7235. Berlin： Springer， 2012： 570-577.

特征名称	物理意义
CPU_Load	CPU负载
Ambient_Temperature	环境温度
Network_RX	网络接收速率
Ram_Load	Ram负载
CPU1_Temperature	CPU1温度

特征名称	物理意义
CPU_Load	CPU负载
Ambient_Temperature	环境温度
Network_RX	网络接收速率
Ram_Load	Ram负载
CPU1_Temperature	CPU1温度

特征选择方法	评价指标
特征选择方法	用时/s	子集大小	适应度	RMSE
SHAP	16.13	8	0.747	0.634
ACO	757.35	8	0.551	0.372
GSA	413.01	7	0.503	0.354
ACO-GSA	317.31	7	0.471	0.351
SHAP-ACOGSA	285.51	5	0.445	0.338

特征选择方法	评价指标
特征选择方法	用时/s	子集大小	适应度	RMSE
SHAP	16.13	8	0.747	0.634
ACO	757.35	8	0.551	0.372
GSA	413.01	7	0.503	0.354
ACO-GSA	317.31	7	0.471	0.351
SHAP-ACOGSA	285.51	5	0.445	0.338

特征选择方法	评价指标	预测模型
特征选择方法	评价指标	DT	SVR	Ridge	XGBoost
无	RMSE	1.891	0.946	1.342	1.961
	MAE	1.695	0.707	1.117	1.830
	R-squared	0.875	0.975	0.908	0.779
ACO	RMSE	0.451	0.341	0.401	0.372
	MAE	0.275	0.207	0.243	0.225
	R-squared	0.977	0.986	0.981	0.98
GSA	RMSE	0.473	0.334	0.422	0.354
	MAE	0.289	0.201	0.308	0.221
	R-squared	0.978	0.988	0.979	0.972
GA	RMSE	0.411	0.346	0.431	0.359
	MAE	0.213	0.209	0.311	0.224
	R-squared	0.997	0.987	0.978	0.980
PSO	RMSE	0.492	0.381	0.503	0.366
	MAE	0.390	0.231	0.326	0.229
	R-squared	0.975	0.984	0.975	0.979
Lasso	RMSE	0.481	0.343	0.371	0.356
	MAE	0.251	0.208	0.226	0.222
	R-squared	0.982	0.987	0.983	0.981
Pearson	RMSE	0.466	0.351	0.411	0.363
	MAE	0.285	0.213	0.296	0.227
	R-squared	0.978	0.986	0.976	0.979
Spearman	RMSE	0.464	0.349	0.409	0.362
	MAE	0.283	0.211	0.294	0.226
	R-squared	0.978	0.986	0.981	0.979
SHAP-ACOGSA	RMSE	0.472	0.338	0.368	0.351
	MAE	0.245	0.206	0.228	0.226
	R-squared	0.983	0.998	0.984	0.988

基于树基模型的双阶段能耗特征选择方法

Two-stage energy consumption feature selection method based on tree-based models

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 31

相关文章 15

编辑推荐

Metrics

[1]	许雪, 樊虎, 王彦丹, 丁雪, 高雪峰, 张博, 刘博, 金蓓弘. 多视图一致性驱动的鲁棒特征选择方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1844-1854.
[2]	蔡泰鑫, 魏凤凤. 面向多解旅行商问题的大语言模型增强蚁群优化算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1712-1720.
[3]	陶西沛, 鞠恒荣, 樊晓雪, 邹晓阳, 丁卫平. 特征-标记邻域协同相关的分布式多标记特征选择方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1482-1489.
[4]	王地欣, 王佳昊, 李敏, 陈浩, 胡光耀, 龚宇. 面向水声通信网络的异常攻击检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 526-533.
[5]	谢丽霞, 王嘉敏, 杨宏宇, 胡泽, 成翔. 基于混合特征选择的低延时DDoS攻击检测[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3231-3240.
[6]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[7]	高麟, 周宇, 邝得互. 进化双层自适应局部特征选择[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1408-1414.
[8]	雷明珠, 王浩, 贾蓉, 白琳, 潘晓英. 基于特征间关系合成少数类样本的过采样算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1428-1436.
[9]	孙林, 刘梦含. 基于自适应布谷鸟优化特征选择的K-means聚类[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 831-841.
[10]	徐大鹏, 侯新民. 基于网络结构设计的图神经网络特征选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 663-670.
[11]	孟圣洁, 于万钧, 陈颖. 最大相关和最大差异的高维数据特征选择算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 767-771.
[12]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[13]	何添, 沈宗鑫, 黄倩倩, 黄雁勇. 基于自适应学习的多视图无监督特征选择方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2657-2664.
[14]	孙林, 黄金旭, 徐久成. 基于邻域容差互信息和鲸鱼优化算法的非平衡数据特征选择[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1842-1854.
[15]	于振华, 刘争气, 刘颖, 郭城. 基于自适应混合粒子群优化的软件缺陷预测特征选择方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1206-1213.