随着云块存储系统业务日益复杂,用户数量不断攀升,负载动态性也随之越来越强。为了避免资源浪费和服务质量下降,需要对资源进行动态按需调度,负载预测的准确性与实时性则直接决定了资源调度效果。考虑到云块存储系统的数据迁移时间粒度是小时级别,现有负载预测方法无法适应长期的动态负载变化,同时也无法兼顾长期预测准确度和模型计算开销。针对上述问题,首先对大量真实的工作负载进行深入观察和分析,发现工作负载主要在趋势性、周期性和波动性上存在差异,进而挖掘这些特性所包含的负载特征与预测算法之间的关联性。通过大量实验,验证了统计学习方法相比神经网络更适合用于平稳性强和周期性强的工作负载,神经网络相比统计学习方法更适合用于波动性强和周期性弱的工作负载。基于工作负载观察和分析的结论,提出了一种自适应工作负载预测策略（Adaptive Workload Prediction,AWP）,该策略使用工作负载特征对工作负载进行聚类,划分为两种类型,并针对不同类型的工作负载采用合适的负载预测方法,以此结合了统计学习方法的低计算开销和神经网络方法的高预测准确度,最终达到了预测准确度和计算开销之间的平衡,且更好支持长期预测。为了验证该预测策略的有效性,采用国内某知名云服务供应商的真实工作负载,将AWP和常见的统计学习方法及神经网络预测算法进行对比,并使用均方误差（Mean Squared Error,MSE）和R~2来评估工作负载预测误差和时间序列拟合程度。当预测步长为小时或天级别时,AWP相较于统计学习方法平均降低了38.9%到46.5%的MSE,平均提高了60.4%到223.8%的R~2;相较于神经网络平均降低了6.3%到9.1%的MSE,平均提高了15.8%到17.8%的R~2,并节省了57.2%到75.8%的训练时间。