随着云计算技术的不断发展,在云环境中部署应用已成为主流,云环境中承载的应用过多会降低云数据中心资源利用率。弹性伸缩技术通过动态调整资源来提高利用率,但当前弹性伸缩技术主要根据当前的负载情况调整资源,存在一定滞后性。负载预测技术通过分析历史资源消耗情况,预测下一个时间点的资源消耗情况。因此将负载预测技术与弹性伸缩技术相结合,可以有效解决当前弹性伸缩技术存在滞后性的问题。为提高云数据中心资源利用率,本文在云环境中设计并实现了一种基于负载预测的弹性伸缩方案,具体研究工作如下:（1）提出一种基于GRU-LSTM的组合预测模型。针对当前负载预测模型预测精度低且预测时间长的问题,通过结合LSTM预测精度高与GRU预测时间短的优点构建GRU-LSTM组合预测模型,并且与现有负载预测模型进行实验对比。实验结果显示GRU-LSTM组合预测模型预测结果的均方误差约减少6%~9%,预测时间相比于现有的组合预测模型约缩短10%。（2）提出一种动态异步粒子群算法（Dynamic Asynchronous Particle Swarm op timization,DAPSO）进一步寻找GRU-LSTM组合预测模型的最优参数解。针对GR U-LSTM组合模型在模型训练过程中超参数由人工设定,随机性较大,进而影响模型拟合能力的问题,通过使用DAPSO寻找组合模型最优参数解来提高组合预测模型的预测精度,并且与GRU-LSTM、PSO-GRU-LSTM预测模型进行实验对比。实验结果显示,本文提出的DAPSO-GRU-LSTM组合预测模型预测结果的均方误差约减少1.3%~2.2%。（3）设计并实现基于负载预测的弹性伸缩方案。在搭建的Kubernetes集群中将所提DAPSO-GRU-LSTM预测模型应用到弹性伸缩方案中,设计并实现监控模块、负载预测模块以及弹性伸缩模块,并且通过两组实验对比,验证本文所提基于负载预测的弹性伸缩方案在进行弹性伸缩时性能优于Kubernetes内置的HPA伸缩策略。