CN104270281B - 一种Web Service QoS组合预测方法 - Google Patents

一种Web Service QoS组合预测方法 Download PDF

Info

Publication number
CN104270281B
CN104270281B CN201410447471.7A CN201410447471A CN104270281B CN 104270281 B CN104270281 B CN 104270281B CN 201410447471 A CN201410447471 A CN 201410447471A CN 104270281 B CN104270281 B CN 104270281B
Authority
CN
China
Prior art keywords
model
time series
parameter
sequence
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410447471.7A
Other languages
English (en)
Other versions
CN104270281A (zh
Inventor
张鹏程
刘宗磊
朱跃龙
冯钧
万定生
庄媛
周宇鹏
肖艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201410447471.7A priority Critical patent/CN104270281B/zh
Publication of CN104270281A publication Critical patent/CN104270281A/zh
Application granted granted Critical
Publication of CN104270281B publication Critical patent/CN104270281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种Web Service QoS组合预测方法，用时间序列预测模型从统计学角度进行数据分析，线性非线性时间序列分别建立ARIMA模型或者SETAR模型，预测未来QoS属性值；同时通过GM(1，1)模型模拟出整个QoS属性值发展趋势，对即使有数据缺失的情况，亦可建立高效的灰色预测模型进行预测；再采用递阶遗传算法优化后的径向基神经网络作为模型平台，以时间序列预测模型和GM(1，1)的预测结果作为神经网络的输入源，以递阶遗传算法训练径向基神经网络的参数。通过将不同预测模型进行适当地组合，形成所谓的组合预测方法，综合利用各种方法提供的有用信息，有利于提高输入质量，使得组合预测模型在效率、质量上优于单一模型，产生更好的预测结果。

Description

一种Web Service QoS组合预测方法
技术领域
本发明涉及一种Web Service QoS组合预测方法，特别是一种基于递阶遗传算法(hierarchical genetic algorithm,HGA)和径向基(Radial Basis Function,RBF)神经网络的Web Service QoS组合预测方法，使用时间序列模型与GM(1，1)模型进行数据预处理，以遗传算法优化RBF神经网络。
背景技术
随着互联网的发展，网络中出现了越来越多可以被利用的Web Service。然而WebService是通过动态的Internet网络提供服务，因此Web Service的服务质量必能很好地保持稳定，会随着网络环境、服务器负载等因素的变化而变化，从而会出现周期性，短暂性的服务质量变化的情况。预测QoS服务属性值可以帮助软件密集型系统在QoS违反发生前预防发生。
目前，许多方法倾向于使用差分自回归移动平均模型(AutoregressiveIntegrated Moving Average,ARIMA)预测QoS属性值，然而传统的预测方法在预测精度上有着比较大的差异。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种以递阶遗传算法优化径向基神经网络，结合时间序列模型与灰色预测模型的预测Web Service QoS属性值(以响应时间为例)的组合方法。不同的模型又有不同的建模机制和出发点，通过同一问题使用不同的预测方法，则提取不同的有用信息。将不同预测模型进行适当地组合，形成所谓的组合预测方法，有利于综合各种方法提供的有用信息，提高预测的精度。
技术方案：一种基于递阶遗传算法和径向基神经网络的Web Service QoS组合预测方法，包括：
确定时间序列预测模型：通过统计学方法对Web Service的响应时间(ResponseTime，RT)数据进行特征分析，确定使用线性模型ARIMA或者非线性自激励门限回归模型(Self-ExcitingThresholdAuto-Regressive，SETAR)。
构建灰色预测模型：通过使用GM(1，1)模型将某些有缺失的响应时间数据看做灰色量，对原始数据进行处理变换为生成数，从而形成一个可信的预测过程。
基于递阶遗传算法的径向基预测方法：以时间序列模型和GM(1，1)的输出作为模型输入源，用递阶遗传算法训练RBF网络，同时实现网络参数和隐节点的优化。
所述确定时间序列预测模型中，根据原始数据的线性非线性特征选择不同的时间序列模型进行预测。具体步骤包括：
数据预处理：白噪声检验，若为纯随机序列则无意义；检验数据是否正太分布，当非正太分布式进行近似转换；稳定性检测，对于非平稳序列，可以逐次作差分直至转换为平稳序列；可逆性检测；
模型识别：通过序列的自相关系数(Autocorrelation function,ACF)和偏自相关系数(Partial Autocorrelation Function,PACF)确定参数p(过去平稳观测值数)和q(过去的错误数)；
非线性检测；使用Hansen test来检测数据的非线性。以模式识别步骤的参数p和延迟参数dp作为输入，根据Hansen test的输出结果选择时间序列模型；Hansentest是B.Hansen在Testing for linearity中提到的方法；
延迟参数与阈值的识别：在Hansen test的输出结果中，选择一组最大的统计值的延迟参数和阈值；
指定模型；
模型估计：分别以最大可能性估量(MLE)和条件最小二乘法(CLS)评估ARIMA和SETAR模型；
模型检验与选择最佳模型：显著性检验；检验可逆性与平稳性是否满足；残差随机性检验。当以上检验不满足时，重新返回指定模型步骤，建立新的模型；
模型预测。
所述灰色预测模型中，即使某些数据信息缺失，依然可以采用GM(1，1)模型构建可信的预测过程，具体步骤包括：
数据的检验与处理；建立模型；检验预测值，其中又分残差检验与级比偏差值检验两步；模型预测。
所述基于递阶遗传算法的径向基预测方法中，以时间序列模型与GM(1，1)模型预测值为输入源，用递阶遗传算法处理对参数集进行编码的个体，通过对染色体解码，求得RBF神经网络的隐节点数、隐含层中心值、基宽和输出的线性权值，构建RBF神经网络。模型预测并通过新的数据及时修正模型。
有益效果：与现有的技术相比，本发明所提供的基于递阶遗传算法和径向基神经网络的Web Service QoS组合预测方法，将不同预测模型进行适当地组合，形成所谓的组合预测方法，综合各种方法提供的有用信息，提高了预测的精度。
附图说明
图1为本发明实施例的整体框架图；
图2为本发明实施例的时间序列预测方法流程图；
图3为本发明实施例的灰色预测方法流程图；
图4为本发明实施例的遗传算法优化径向基神经网络方法流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本实施例提供的Web Service QoS组合预测方法包含了三个主要部分：时间序列预测方法、灰色预测方法和遗传算法优化径向基神经网络方法。
确定时间序列预测模型：通过统计学方法对Web Service的响应时间数据进行特征分析，确定使用线性模型ARIMA或者非线性自激励门限回归模型。
构建灰色预测模型：通过使用GM(1，1)模型将某些有缺失的响应时间数据看做灰色量，对原始数据进行处理变换为生成数，从而形成一个可信的预测过程。
基于递阶遗传算法的径向基预测方法：以时间序列模型和GM(1，1)的输出作为模型输入源，用递阶遗传算法训练RBF网络，同时实现网络参数和隐节点的优化。
如图2所示，时间序列模型预测步骤如下：
步骤101，输入原始时间序列E＝(e1,e2,…,er,…,en)，er表示响应时间，n表示序列长度；
步骤102，对时间序列进行白噪声检验；
步骤103，若为白噪声序列，则为无意义的纯随机序列，结束预测过程；
步骤104，若不是白噪声序列，则检验序列是符合正太分布；
步骤105，若序列不符合正太分布，则进行近似转换；
步骤106，若序列符合正态分布，则进行平稳性检验；
步骤107，若为非平稳时间序列，则对序列做差分处理，直至平稳，求得平稳化处理次数i；
步骤108，若为平稳时间序列，则进行可逆性检验；
步骤109，若序列不可逆，则不能保证模型有唯一解，结束预测过程；
步骤110，若序列可逆，则进入模式识别步骤，通过序列的ACF和PACF求解参数p和q的值；
步骤111，使用Hansen test来检测数据的非线性。以模式识别步骤的参数p和延迟参数dp作为输入，根据Hansen test的输出结果选择时间序列模型；
步骤112，若为非线性时间序列，则在Hansen test的输出结果中，选择最大的统计值一组的延迟参数和阈值，并进入下一步骤；
步骤113，线性时间序列则使用上述步骤求得的参数p和q、延迟参数dp，建立ARIMA模型，非线性时间序列则建立SETAR模型；
步骤114，评估模型，分别以使用MLE和CLS评估ARIMA和SETAR模型；
步骤115，对模型进行显著性检验；检验可逆性与平稳性是否满足；残差随机性检验。若不满足则回到步骤113，否则进入下一步；
步骤116，选择最佳模型；
步骤117，进行响应时间预测。
如图3所示，灰色预测方法的步骤如下：
步骤201，设置参考数据x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，式中n为数据个数；
步骤202，计算数列的级比
步骤203，检验所有级比λ(k)是否都在可覆容盖内；
步骤204，若不落在可覆容盖内，则取适当的常数c，作平移变换
y(0)(k)＝x(0)(k)+c,k＝1,2,…,n；
求数列y(0)＝(y(0)(1),y(0)(2),…,y(0)(n))的级比
步骤205，若落入可覆容盖内，则建立预测模型GM(1，1)，得到预测值
且式中a为发展系数，b为灰作用量；
步骤206，残差检验：设残差为ε(k),则
若ε(k)<0.2，则达到一般要求；若ε(k)<0.1，则达到较高要求。
步骤207，级比偏差值检验：计算出级比λ(k)，再用发展系数a求出相应的级比偏差
若ρ(k)<0.2，则达到一般水平；若ρ(k)<0.1，则达到较高的要求。
步骤208，模型预测响应时间。
如图4所示，基于递阶遗传算法的径向基神经网络算法如下：
步骤301，将时间序列模型与灰色预测模型传入的数据进行归一化处理；
步骤302，设置运行参数，种群大小N，初始隐节点数phn，进化最大代数max，交叉率pc，变异率pm；
步骤303，随机生成N个染色体作为初始种群，并分成两个子种群，编码成二级的递阶结构。控制基因采用二进制编码，参数基因采用实数编码；
步骤304，对每个染色体解码。控制基因为1时，与其对应的参数基因有效；控制基因为0时，与其对应的参数基因无效。上级子种群中为1的个体数为隐节点数，下级子种群中的三个个体为RBF网络的中心，方差和权值，赋予步骤311构建RBF网络。对每个染色体建立基于AIC(Akaike’s information criterion)准则的适应值，其函数如下：
式中，nc为隐节点数，bt为待定系数，表示第i个输入样本对应的网络输出，yi为期望输出，N为样本容量；
步骤305，根据适应值采用赌轮盘选择法选择和复制个体，生成新的种群；
步骤306，在两个子种群中，分别将选出的个体两两配对；
步骤307，对两个双亲串以交叉率pc进行交叉，控制基因串采用单点交叉，参数基因串采用算数交叉；
步骤308，对染色体以变异率pm进行变异操作，控制基因采用翻转变异，参数基因采用均匀变异；
步骤309，判断是否满足最大进化代数，若满足则进入步骤312，若不满足，则返回步骤304；
步骤310，设置RBF神经网络最大训练次数M和训练精度Er；
步骤311，接收步骤304传来的数值作为RBF网络的隐节点数，中心，方差和权值；
步骤312，接收步骤309传来的数据，对每个染色体解码，构造RBF神经网络；
步骤313，训练RBF神经网络；
步骤314，判断网络模型是否达到精度要求，若满足则进入步骤316，若不满足则进入步骤315；
步骤315，判断训练是否达到最大次数，若已超过，则结束训练过程，若没有超过则返回步骤312重新构建RBF网络；
步骤316，利用训练好的RBF网络进行响应时间的预测，并对预测结果进行反归一化；
步骤317，利用新数据形成新的样本集，回到步骤313，修正RBF网络继续进行响应时间预测。

Claims (4)

1.一种Web Service QoS组合预测方法，其特征在于：包括以时间序列模型与灰色预测模型分别处理数据，提取数据特征；基于递阶遗传算法的径向基预测方法；
确定时间序列预测模型：进行Web Service的QoS属性值特征的分析，确定使用线性模型ARIMA或者非线性模型SETAR；
构建灰色预测模型：通过使用GM(1，1)模型将QoS属性值某些有缺失的数据看做灰色量，对原始数据进行处理变换为生成数，从而形成一个可信的预测过程；
基于递阶遗传算法的径向基预测方法：以时间序列模型和GM(1，1)的输出作为模型输入源，用递阶遗传算法训练RBF网络，同时实现网络参数和隐节点的优化；
确定时间序列预测模型步骤如下：
步骤101，输入原始时间序列E＝(e1,e2,…,er,…,en)，er表示响应时间，n表示序列长度；
步骤102，对时间序列进行白噪声检验；
步骤103，若为白噪声序列，则为无意义的纯随机序列，结束预测过程；
步骤104，若不是白噪声序列，则检验序列是符合正太分布；
步骤105，若序列不符合正太分布，则进行近似转换；
步骤106，若序列符合正态分布，则进行平稳性检验；
步骤107，若为非平稳时间序列，则对序列做差分处理，直至平稳，求得平稳化处理次数i；
步骤108，若为平稳时间序列，则进行可逆性检验；
步骤109，若序列不可逆，则不能保证模型有唯一解，结束预测过程；
步骤110，若序列可逆，则进入模式识别步骤，通过序列的ACF和PACF求解参数p和q的值；
步骤111，使用Hansen test来检测数据的非线性；以模式识别步骤的参数p和延迟参数dp作为输入，根据Hansen test的输出结果选择时间序列模型；
步骤112，若为非线性时间序列，则在Hansen test的输出结果中，选择最大的统计值一组的延迟参数和阈值，并进入下一步骤；
步骤113，线性时间序列则使用上述步骤求得的参数p和q、延迟参数dp，建立ARIMA模型，非线性时间序列则建立SETAR模型；
步骤114，评估模型，分别以使用MLE和CLS评估ARIMA和SETAR模型；
步骤115，对模型进行显著性检验；检验可逆性与平稳性是否满足；残差随机性检验；若不满足则回到步骤113，否则进入下一步；
步骤116，选择最佳模型；
步骤117，进行响应时间预测；
基于递阶遗传算法的径向基神经网络算法如下：
步骤301，将时间序列模型与灰色预测模型传入的数据进行归一化处理；
步骤302，设置运行参数，种群大小N，初始隐节点数phn，进化最大代数max，交叉率pc，变异率pm；
步骤303，随机生成N个染色体作为初始种群，并分成两个子种群，编码成二级的递阶结构；控制基因采用二进制编码，参数基因采用实数编码；
步骤304，对每个染色体解码；控制基因为1时，与其对应的参数基因有效；控制基因为0时，与其对应的参数基因无效；上级子种群中为1的个体数为隐节点数，下级子种群中的三个个体为RBF网络的中心，方差和权值，赋予步骤311构建RBF网络；对每个染色体建立基于AIC准则的适应值，其函数如下：
式中，nc为隐节点数，bt为待定系数，表示第i个输入样本对应的网络输出，yi为期望输出，N为样本容量；
步骤305，根据适应值采用赌轮盘选择法选择和复制个体，生成新的种群；
步骤306，在两个子种群中，分别将选出的个体两两配对；
步骤307，对两个双亲串以交叉率pc进行交叉，控制基因串采用单点交叉，参数基因串采用算数交叉；
步骤308，对染色体以变异率pm进行变异操作，控制基因采用翻转变异，参数基因采用均匀变异；
步骤309，判断是否满足最大进化代数，若满足则进入步骤312，若不满足，则返回步骤304；
步骤310，设置RBF神经网络最大训练次数M和训练精度Er；
步骤311，接收步骤304传来的数值作为RBF网络的隐节点数，中心，方差和权值；
步骤312，接收步骤309传来的数据，对每个染色体解码，构造RBF神经网络；
步骤313，训练RBF神经网络；
步骤314，判断网络模型是否达到精度要求，若满足则进入步骤316，若不满足则进入步骤315；
步骤315，判断训练是否达到最大次数，若已超过，则结束训练过程，若没有超过则返回步骤312重新构建RBF网络；
步骤316，利用训练好的RBF网络进行响应时间的预测，并对预测结果进行反归一化；
步骤317，利用新数据形成新的样本集，回到步骤313，修正RBF网络继续进行响应时间预测。
2.如权利要求1所述的Web Service QoS组合预测方法，其特征在于：在确定时间序列预测模型中，可根据原始数据的线性非线性特征选择不同的时间序列模型进行预测；具体步骤包括：
数据预处理：白噪声检验，若为纯随机序列则无意义；检验数据是否正太分布，当非正太分布式进行近似转换；稳定性检测，对于非平稳序列，可以逐次作差分直至转换为平稳序列；可逆性检测；
模型识别：通过序列的自相关系数(ACF)和偏自相关系数(PACF)确定参数p和q；
非线性检测；使用Hansen test来检测数据的非线性；以模式识别步骤的参数p和延迟参数dp作为输入，根据Hansen test的输出结果选择时间序列模型；
延迟参数与阈值的识别：在Hansen test的输出结果中，选择最大的统计值一组的延迟参数和阈值；
指定模型；
模型估计：分别以最大可能性估量(MLE)和条件最小二乘法(CLS)评估ARIMA和SETAR模型；
模型检验与选择最佳模型：显著性检验；检验可逆性与平稳性是否满足；残差随机性检验；当以上检验不满足时，重新返回指定模型步骤，建立新的模型；
模型预测。
3.如权利要求1所述的Web Service QoS组合预测方法，其特征在于：在构建灰色预测模型中，即使某些数据信息缺失，依然可以采用GM(1，1)模型构建可信的预测过程，具体步骤包括：数据的检验与处理；建立模型；检验预测值，其中又分残差检验与级比偏差值检验两步；模型预测。
4.如权利要求1所述的Web Service QoS组合预测方法，其特征在于：在基于递阶遗传算法的径向基预测模型中，以时间序列模型与GM(1，1)模型预测值为输入源，用递阶遗传算法处理对参数集进行编码的个体，通过对染色体解码，求得RBF神经网络的隐节点数、隐含层中心值、基宽和输出的线性权值，构建RBF神经网络；模型预测并通过新的数据及时修正模型。
CN201410447471.7A 2014-09-03 2014-09-03 一种Web Service QoS组合预测方法 Active CN104270281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410447471.7A CN104270281B (zh) 2014-09-03 2014-09-03 一种Web Service QoS组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410447471.7A CN104270281B (zh) 2014-09-03 2014-09-03 一种Web Service QoS组合预测方法

Publications (2)

Publication Number Publication Date
CN104270281A CN104270281A (zh) 2015-01-07
CN104270281B true CN104270281B (zh) 2017-09-19

Family

ID=52161775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410447471.7A Active CN104270281B (zh) 2014-09-03 2014-09-03 一种Web Service QoS组合预测方法

Country Status (1)

Country Link
CN (1) CN104270281B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104753718B (zh) * 2015-02-25 2018-02-13 重庆大学 基于非负聚合的缺失服务吞吐率补足方法和装置
CN105046045B (zh) * 2015-06-05 2018-06-19 河海大学 一种基于贝叶斯组合的Web服务QoS预测方法
CN104966228B (zh) * 2015-06-15 2018-05-25 昆明理工大学 一种基于arima与lssvm模型的cpi组合预测方法
CN105071961B (zh) * 2015-07-30 2018-12-14 中国人民解放军信息工程大学 一种Web服务的服务质量预测方法和装置
CN105391729A (zh) * 2015-11-30 2016-03-09 中国航天科工集团第二研究院七〇六所 基于模糊测试的web漏洞自动挖掘方法
CN106357437B (zh) * 2016-08-31 2019-07-12 河海大学 一种基于多元时间序列的Web Service QoS预测方法
CN107422272B (zh) * 2017-07-07 2019-12-31 淮阴工学院 一种电动汽车动力电池soc智能化检测装置
CN108053054B (zh) * 2017-11-22 2020-09-01 中国农业大学 一种河流水质预测方法
CN108230043A (zh) * 2018-01-31 2018-06-29 安庆师范大学 一种基于灰色神经网络模型的产品区域定价方法
CN108537581B (zh) * 2018-03-27 2021-05-04 四川大学 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN108594793A (zh) * 2018-04-17 2018-09-28 电子科技大学 一种改进的rbf飞控系统故障诊断网络训练方法
CN108964969B (zh) * 2018-05-07 2021-12-07 中国铁路总公司 混合神经网络和ar模型的高速铁路信号系统流量预测方法
CN109859804A (zh) * 2019-01-10 2019-06-07 中国石油大学(华东) 一种基于神经网络的桑黄发酵实验数据优化及预测方法
CN109934397A (zh) * 2019-03-05 2019-06-25 中国农业科学院农业信息研究所 一种农产品产量预测方法及系统
CN110149237B (zh) * 2019-06-13 2021-06-22 东北大学 一种Hadoop平台计算节点负载预测方法
CN111881058B (zh) * 2020-08-07 2023-09-22 北京神舟航天软件技术有限公司 一种软件工程质量预测方法
CN113344257B (zh) * 2021-05-21 2022-06-03 武汉大学 一种国土空间云平台中图层分析响应时间的预测方法
CN115140685B (zh) * 2022-05-16 2024-02-13 安徽合力股份有限公司 一种叉车数据驱动稳定控制方法
CN114997070B (zh) * 2022-07-15 2022-11-11 合肥中科迪宏自动化有限公司 控制图模式识别模型的训练方法及控制图模式识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629341A (zh) * 2012-04-13 2012-08-08 浙江大学 一种基于用户地理位置信息的Web服务QoS在线预测方法
CN103647673A (zh) * 2013-12-24 2014-03-19 博元森禾信息科技（北京）有限公司 Web服务的服务质量QoS预测方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629341A (zh) * 2012-04-13 2012-08-08 浙江大学 一种基于用户地理位置信息的Web服务QoS在线预测方法
CN103647673A (zh) * 2013-12-24 2014-03-19 博元森禾信息科技（北京）有限公司 Web服务的服务质量QoS预测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于时间序列分析的Web Service QoS预测方法》;华哲邦等;《计算机科学与探索》;20121214;第218-225页 *
《基于灰色径向基函数网络的区域物流能力组合预测》;周泰等;《公路交通科技》;20100115;第27卷(第1期);第149-153页 *

Also Published As

Publication number Publication date
CN104270281A (zh) 2015-01-07

Similar Documents

Publication Publication Date Title
CN104270281B (zh) 一种Web Service QoS组合预测方法
Ak et al. An interval-valued neural network approach for uncertainty quantification in short-term wind speed prediction
Jalali Varnamkhasti et al. A genetic algorithm with fuzzy crossover operator and probability
CN106960358A (zh) 一种基于农村电子商务大数据深度学习的金融欺诈行为量化检测系统
CN106529820A (zh) 一种运营指标的预测方法及系统
Sari et al. Backpropagation on neural network method for inflation rate forecasting in Indonesia
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
Guo et al. Hybrid optimization algorithm of particle swarm optimization and cuckoo search for preventive maintenance period optimization
Soleimani et al. Artificial neural network application in predicting probabilistic seismic demands of bridge components
Prasanna et al. An analysis on stock market prediction using data mining techniques
CN114580545A (zh) 一种基于融合模型的风电机组齿轮箱故障预警方法
Salmasnia et al. A robust intelligent framework for multiple response statistical optimization problems based on artificial neural network and Taguchi method
CN111860971A (zh) 道岔转辙机剩余寿命预测方法及装置
Hu et al. Radial basis function neural network with particle swarm optimization algorithms for regional logistics demand prediction
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
Wang Analysis of bank credit risk evaluation model based on BP neural network
CN109697531A (zh) 一种物流园区腹地物流需求预测方法
CN117333011A (zh) 一种火灾风险评估方法、装置、设备及介质
Gao et al. Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network
Yu GDP Economic forecasting model based on improved RBF neural network
CN116316699A (zh) 一种大电网频率安全态势预测方法、装置及存储介质
López-Martín et al. Support vector regression for predicting the productivity of higher education graduate students from individually developed software projects
Kotenko et al. Formation of Indicators for Assessing Technical Reliability of Information Security Systems
CN115630979A (zh) 日前电价的预测方法、装置、存储介质及计算机设备
Mu et al. An improved effective approach for urban air quality forecast

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant