ARIMA模型由自回归模型AR、差分模型I和移动平均模型MA三个部分组成。本文对将GPU资源的利用率作为一个时间序列利用历史数据训练ARIMA模型其中自回归模型通过过去的观测值来预测未来的观测值差分模型则用于对序列进行平稳化处理移动平均模型则用于捕捉序列中的噪声。详细算法描述GPU资源利用率的确定时间序列的阶数可以通过观察时间序列的自相关函数ACF和偏自相关函数PACF图来进行。GPU资源利用率的

确定时间序列的阶数需要先通过观察时间序列的自相关函数（ACF）和偏自相关函数（PACF）图来进行。在ACF图中，如果存在一个截尾的尖峰，则表明存在一个移动平均模型（MA）成分；在PACF图中，如果存在一个截尾的尖峰，则表明存在一个自回归模型（AR）成分；如果ACF和PACF图中都存在截尾的尖峰，则表明存在ARIMA模型。在本文中，根据实际数据的分析，GPU资源利用率的时间序列的阶数合理为ARIMA(1,1,1)。即自回归系数为1，差分系数为1，移动平均系数为1。