容器凭借着较优的灵活性和较高的可靠性,在互联网和信息技术社会发展中占据优势地位,革新了大数据背景下社会的工作方式,成为个人或企业在面对庞大任务时的首要选择。也正因如此,云平台的工作效率与性能也处于新的挑战阶段。庞大的任务量使得容器云平台原始的任务调度策略处理起来有些捉襟见肘,而且波动性的资源需求也容易造成资源浪费或者资源分配不足等情况,同时用户对容器云平台的处理速度、处理成本以及满意度都提出了更高的要求。针对以上问题,研究容器云平台的任务数据变化情况与任务调度工作机制,提出一种基于资源预测的任务调度优化策略,具体内容如下:（1）针对云平台的资源浪费等问题构造了一种融合卷积神经网络（convolutional neural network,CNN）和长短期记忆网络（long short-term memory network,LSTM）的资源预测模型。首先使用CNN网络充分提取容器云资源历史数据的特征,然后再使用LSTM网络对输出数据进行时间相关性的学习,从而预测未来一段时间内云任务的实际完成时间,进而更合理的分配云资源;同时使用变化的学习率,提高模型预测的精度,进一步提高模型的预测性能。（2）针对云平台的成本及性能优化等问题设计了一种改进的猫群算法,并结合资源预测模型,共同优化任务调度策略。首先改进猫群算法的寻优能力,将分组率和惯性权重依据算法特点进行动态改变以满足算法进化需要,从而提高算法收敛的速度;然后根据算法反馈来自适应改变算法的变异率,提高算法跳出局部解的概率;最后将预测模型和改进猫群算法都用于对任务调度的优化,先使用资源预测模型对云任务的完成时间进行预测,从而让调度过程中云资源达到更合理的分配;然后根据预测结果,使用改进猫群算法确定最优的任务虚拟机绑定方案以达到优化任务调度的目标。最后,分别对预测模型和改进猫群算法进行实验验证,同时使用Cloud Sim4.0仿真平台对基于预测模型和改进猫群算法的任务调度策略进行实验对比测试分析,实验结果表明,所提的任务调度方法在多个对比指标方面均具有较好的优化效果,证明了方法的优化性。