键值数据库由于其优秀的性能被广泛用于各种分布式存储系统中,而实现键值数据库的负载均衡性,有利于提高系统的稳定和效率。在现有的商业数据库中,数据的访问负载呈现周期性变化的规律,而传统的负载均衡策略在这种场景下具有调度的滞后性。随着深度学习技术的发展,数据预测技术越来越成熟,如果能准确地对未来一段时间内的负载做出预测,并结合负载均衡技术,将热点数据提前做出均衡处理,将有效地提高集群的整体性能。在此思想的基础上,设计并实现一种基于智能预测的负载均衡技术。该技术分为两个模块:预测模块和调度模块。预测模块以集群历史数据为基础训练模型,从而预测集群未来一段时间的负载曲线;调度模块每次在做均衡调度时,从预测模块中获取集群未来一段时间内的负载预测曲线,设定高负载阈值,通过阈值计算下个周期内的低负载时刻区间,再设计一种具有热度衰减特征的热度统计算法,以计算出集群热度最高的Top-K个Region（调度的最小单位）作为调度的热点Region。在计算结果的基础上生成调度计划,调度计划以低负载时刻区间作为调度时机,热点Region作为调度内容。改进后的负载均衡技术能够对集群中的热点数据提前作出均衡处理,且每次调度都在低负载时刻进行,最大程度地降低调度本身对集群性能的影响。基于开源的TiKV代码,采用LSTM（Long Short-Term Memory）模型,实现了系统原型,并在负载周期性变化的场景下做了充分的测试。测试表明,在预测方面,负载曲线的真实值和预测值的拟合度在93%～97%之间;在调度方面,基于智能预测负载均衡调度下的集群平均QPS峰值是改进前的1.24倍,平均查询延迟降低158～288毫秒。