随着云计算时代的到来，越来越多的公司将应用迁移到云计算平台上. 云计算通过使用虚拟化技术将离散的资源整合成资源池，以按需分配的方式实现了用户对计算资源的弹性需求. 云计算的本质是按需求提供服务，实现应用资源在云平台上的自动分配和切换。要实现计算能力动态伸缩需要负载均衡技术. 云计算平台使用负载均衡技术增加了吞吐量，强化了数据处理能力。负载是实现负载均衡所需要的关键指标. 准确预测应用负载可以实现应用容量的流量高峰扩容和流量低谷缩容，从而节约资源成本，减少人工干预，提升云计算平台的可靠性和性能. 现在预测负载数据的方法通常有2类。1）基于时间序列特征的参数型算法。Yan等[1]使用整合移动平均自回归模型（auto-regression and moving average model，ARIMA）算法预测软件系统的资源消耗，比较不同情景下ARIMA算法与人工神经网络、支持向量机的预测效果。Calheiros等[2]设计基于ARIMA算法的云平台工作负载预测模块，通过基于该模型的预测数据进行主动动态资源配置，可以使用尽可能少的资源成本保证用户的应用服务质量。Prassanna等[3]使用HoltWinters算法预测云环境的工作负载. 以上提到的这类算法通过建立数学模型拟合历史时间序列趋势曲线，存在参数难以确定的问题，大多数使用者根据自身经验设置参数。模型最终的准确度受参数的影响较大，同时模型难以对时间序列数据内部复杂的规律进行学习. 2）基于神经网络的时间序列预测算法，例如循环神经网络（recurrent neural network，RNN），长短时记忆（long short-term memory，LSTM）神经网络等. 神经网络类算法在时序数据预测上应用广泛。Yazdanian等[4]结合卷积神经网络（convolutional neural networks，CNN）和LSTM，预测云环境中应用未来的工作负载；谢晓兰等[5]使用自适应概率的多选择策略遗传算法优化LSTM容器云资源预测模型，取得了较高的预测精度。在云环境软件老化和抑郁症预测等其他场景下，神经网络模型取得了良好的预测效果[6-7]. 还有一类算法，例如用增强集成树算法进行破产预测[8]，用集成学习算法提高预测模型的准确度[9]，这类算法通常不用于时序预测问题. 在时间序列预测问题上，传统的神经网络模型无法充分利用序列中的信息，而双向长短时记忆（bidirectional long short-term memory，BiLSTM）神经网络模型可以充分利用上下文数据进行预测，并且已经在多个领域取得了优异的效果[10-12]. BiLSTM已经被运用在时间序列预测领域，并被验证相比于普通神经网络，BiLSTM取得了更高的预测精度[13-15].