CN105225018A - 基于bp神经网络的手机流量的预测方法及预测装置 - Google Patents
基于bp神经网络的手机流量的预测方法及预测装置 Download PDFInfo
- Publication number
- CN105225018A CN105225018A CN201510740940.9A CN201510740940A CN105225018A CN 105225018 A CN105225018 A CN 105225018A CN 201510740940 A CN201510740940 A CN 201510740940A CN 105225018 A CN105225018 A CN 105225018A
- Authority
- CN
- China
- Prior art keywords
- curve
- mobile phone
- neural network
- prediction
- play amount
- 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.)
- Pending
Links
Abstract
本发明提供一种基于BP神经网络的手机流量的预测方法和预测装置。所述基于BP神经网络的手机流量的预测方法包括以下步骤:采集手机流量数据;构建BP神经网络模型对采集到的手机流量数据进行仿真以获取多条预测曲线;对所述多条预测曲线进行加权平均以获取平均曲线;根据所述平均曲线获取第一目标曲线;对所述第一目标曲线进行数据融合平滑处理以获取目标曲线。本发明的手机流量的预设方法,采用BP神经网络进行多次预测,并且,对预测曲线进行数据融合平滑处理,从而提高了手机流量的预测精准度。
Description
技术领域
本发明涉及移动通信技术领域,特别是涉及一种基于BP神经网络的手机流量的预测方法及预测装置。
背景技术
随着移动通信技术的飞速发展,越来越多的用户使用智能移动终端,特别是对于年青人来说,利用智能移动终端在网络上进行通信、发布图片、购物、交友等等。而这种上网行为导致流量的迅速流失。
目前已有对手机的流量进行统计的方案,并在流量到达预设值时进行提醒。但是目前的手机流量统计方案通常只提供事后的流量提醒功能,并没有在用户使用网络之前进行个性化的流量预测。即使提供流量预测功能时,往往预测结果粗糙、稳定性差、达不到智能预测优化的效果。
因此,如何提高手机流量的预测精准度就成为本领域技术人员亟待解决的问题之一。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于BP神经网络的手机流量的预测方法及预测装置,用于解决现有技术中预测精度不高的问题。
为实现上述目的及其他相关目的,本发明提供一种基于BP神经网络的手机流量的预测方法,所述基于BP神经网络的手机流量的预测方法包括以下步骤:采集手机流量数据;构建BP神经网络模型对采集到的手机流量数据进行仿真以获取多条预测曲线;对所述多条预测曲线进行加权平均以获取平均曲线;根据所述平均曲线获取第一目标曲线;对所述第一目标曲线进行数据融合平滑处理以获取目标曲线。
于本发明的一实施例中,所述根据所述平均曲线获取第一目标曲线的步骤包括:将仿真获取的多条预测曲线分别与所述平均曲线作差以获取各条预测曲线的偏差;将偏差大于或者等于预设阈值的预测曲线去除;将偏差小于预设阈值的预测曲线做加权平均以获取所述第一目标曲线。
于本发明的一实施例中,所述对所述第一目标曲线进行数据融合平滑处理以获取目标曲线的步骤包括:获取所述第一目标曲线中的N个曲线点;将所述N个曲线点的值与期望预测值的对应分量值依次做差以获取N个残差偏移量;依次判断所述N个残差偏移量是否小于预设的门限偏移量,当残差偏移量小于预设的门限偏移量时,保留该残差偏移量对应的曲线点;对保留的曲线点进行平滑处理以获取目标曲线。
于本发明的一实施例中,所述对保留的曲线点进行平滑处理的步骤包括:对获取到的N个残差偏移量取平均值以获得平均偏移量;将所述平均偏移量乘以N以获取总误差;依次将N个残差偏移量与所述总误差相除以获取对应的误差比例;根据所述误差比例依次获取每个曲线点对应的平滑系数;将所述平滑系数与对应的曲线点的值相乘以完成平滑处理。
于本发明的一实施例中,当残差偏移量大于或者等于预设的门限偏移量时,去除该曲线点,并利用线性插补法进行该曲线点的填充。
本发明提供一种基于BP神经网络的手机流量的预测装置,所述基于BP神经网络的手机流量的预测装置包括:采集模块,用于采集手机流量数据;仿真模块,用于构建BP神经网络模型对采集到的手机流量数据进行仿真以获取多条预测曲线;加权模块,用于对所述多条预测曲线进行加权平均以获取平均曲线;第一目标曲线获取模块,根据所述平均曲线获取第一目标曲线;数据融合模块,用于对所述第一目标曲线进行数据融合平滑处理以获取目标曲线。
于本发明的一实施例中,所述第一目标曲线获取模块包括:偏差获取单元,用于将仿真获取的多条预测曲线分别与所述平均曲线作差以获取各条预测曲线的偏差;去除单元,用于将偏差大于或者等于预设阈值的预测曲线去除;平均单元,用于将偏差小于预设阈值的预测曲线做加权平均以获取所述第一目标曲线。
于本发明的一实施例中,所述数据融合模块包括:曲线点获取单元,用于获取所述第一目标曲线中的N个曲线点;残差偏移量获取单元,用于将所述N个曲线点的值与期望预测值的对应分量值依次做差以获取N个残差偏移量;判断单元,用于依次判断所述N个残差偏移量是否小于预设的门限偏移量,曲线点处理单元,用于当残差偏移量小于预设的门限偏移量时,保留该残差偏移量对应的曲线点;平滑处理单元,用于对保留的曲线点进行平滑处理以获取目标曲线。
于本发明的一实施例中,所述平滑处理单元包括:平均偏移量单元,用于对获取到的N个残差偏移量取平均值以获得平均偏移量;总误差获取单元,用于将所述平均偏移量乘以N以获取总误差;误差比例获取单元,用于依次将N个残差偏移量与所述总误差相除以获取对应的误差比例;平滑系统获取单元,用于根据所述误差比例依次获取每个曲线点对应的平滑系数;目标曲线获取单元,用于将所述平滑系数与对应的曲线点的值相乘以完成平滑处理。
于本发明的一实施例中,所述曲线点处理单元还用于当残差偏移量大于或者等于预设的门限偏移量时,去除该曲线点,并利用线性插补法进行该曲线点的填充。
如上所述,本发明的基于BP神经网络的手机流量的预测方法及预测装置,具有以下有益效果:
本发明采用智能BP神经网络算法获取第一目标曲线,并在此基础上引入数据融合平滑处理的管理方法,优化获取到目标曲线,从而大大提高了预测的精准度。在优选实施例中,利用预测曲线间的数据自检剔除误差较大的一部分曲线,再结合残差偏移门限值的设定剔除曲线中偏差较大的曲线点,将剔除点进行线性插补填充并对预测结果进行平滑处理,以进一步提高预测的精度。
附图说明
图1显示为现有技术中的BP神经网络的结构示意图。
图2显示为本发明基于BP神经网络的手机流量的预测方法于一实施例中的流程示意图。
图3显示为本发明基于BP神经网络的手机流量的预测方法的步骤S14于一实施例中的流程示意图。
图4显示为本发明基于BP神经网络的手机流量的预测方法的步骤S15于一实施例中的流程示意图。
图5显示为采用传统测方法对手机流量预测仿真示意图;
图6显示为采用本发明基于BP神经网络的手机流量的预测方法对手机流量预测仿真示意图。
图7显示为本发明基于BP神经网络的手机流量的预测装置于一实施例中的结构示意图。
图8显示为本发明基于BP神经网络的手机流量的预测装置于另一实施例中的结构示意图。
元件标号说明
2基于BP神经网络的手机流量的预测装置
21采集模块
22仿真模块
23加权模块
24第一目标曲线获取模块
25数据融合模块
241偏差获取单元
242去除单元
243平均单元
251曲线点获取单元
252残差偏移量获取单元
253判断单元
254曲线点处理单元
255平滑处理单元
S11~S15步骤
S141~S143步骤
S151~S157步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
正如背景技术中所述的,现有的手机流量预测方法往往预测结果粗糙、稳定性差、达不到智能预测优化的效果,用户的体验差。而本发明基于BP神经网络对手机流量进行多次预测以提高手机流量的预测精准度。
下面首先对BP神经网络的结构模型和基本原理进行简要说明。
具体地,BP神经网络结构模型如图1所示:Xi为输入向量,Oj为隐层输出向量,Yk为输出向量,Wij为第i个输入层到第j个隐含层之间的联接权值,Tjk为第j个隐含层到第k个输出层之间的联接权值。节点输出模型包括隐层节点输出模型和输出节点输出模型,f为非线性神经元函数,q为神经单元阀值。其中:
Oj=f(ΣWij*Xi-θj)(1)
Yk=f(ΣTjk*Oj-θk)(2)
激励函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数,一般取为(0,1)内连续取值Sigmoid函数:f(x)=1/(1+e-x)(3)
误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数,Tpi为节点的期望输出值;Opi为节点计算输出值。
Ep=1/2*Σ(Tpi-Opi)(4)
神经网络的学习过程,即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。自学习模型中h为学习因子,Фi为输出节点i的计算误差,Oj为输出节点j的计算输出,a为动量因子。
ΔWij(n+1)=η*φi*Oj+a*ΔWij(n)(5)
BP神经网络基本原理是:输入信号通过隐层点作用于输出节点,经过非线形变换,产生输出信号,网络训练的每个样本包括输入向量和期望输出量,网络输出值与期望输出值之间的偏差,通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
请参阅图2,本发明提供一种基于BP神经网络的手机流量的预测方法,所述基于BP神经网络的手机流量的预测方法包括以下步骤:
S11,采集手机流量数据;
S12,构建BP神经网络模型对采集到的手机流量数据进行仿真以获取多条预测曲线,如曲线L(1),L(2),L(3),...,L(n);
S13,对所述多条预测曲线进行加权平均以获取平均曲线L(a);
具体的加权平均公式为:
S14,根据所述平均曲线获取第一目标曲线;
具体地,参考图3,所述根据所述平均曲线获取第一目标曲线的步骤(步骤S14)包括:
S141,将仿真获取的多条预测曲线分别与所述平均曲线作差以获取各条预测曲线的偏差;
S142,将偏差大于或者等于预设阈值的预测曲线去除;
S143,将偏差小于预设阈值的预测曲线做加权平均以获取所述第一目标曲线。
例如,将获得多条预测曲线L(1),L(2),L(3),...,L(n)与平均曲线L(a)作差,查找偏差最大的曲线L(11),L(12),...,L(1j),将其剔除,保留剩下的L(1),L(2),...,L(n-j)构成新的曲线空间。最后,将新的曲线空间中含有k条对应曲线再次做数据融合加权平均,获得一条较优预测条曲线L。
S15,对所述第一目标曲线进行数据融合平滑处理以获取目标曲线。
具体地,参考图4,所述对所述第一目标曲线进行数据融合平滑处理以获取目标曲线的步骤(S15)可以包括:
S151,获取所述第一目标曲线中的N个曲线点;例如获取所述第一目标曲线L中的K个值L1,L2,L3,...,Lk。
S152,将所述N个曲线点的值与期望预测值的对应分量值依次做差以获取N个残差偏移量;
首先,取期望预测值T的k个分量T1,T2,...,Tk;
残差偏移量的计算公式为:Ei=Ti-Li(8)
其中:i取1,2,...,k。
S153,依次判断所述N个残差偏移量是否小于预设的门限偏移量;
当残差偏移量小于预设的门限偏移量时,执行步骤S154,保留该残差偏移量对应的曲线点;
接着执行步骤S155,对保留的曲线点进行平滑处理以获取目标曲线。
具体地,所述对保留的曲线点进行平滑处理的步骤包括:对获取到的N个残差偏移量取平均值以获得平均偏移量;将所述平均偏移量乘以N以获取总误差;依次将N个残差偏移量与所述总误差相除以获取对应的误差比例;根据所述误差比例依次获取每个曲线点对应的平滑系数;将所述平滑系数与对应的曲线点的值相乘以完成平滑处理。
具体地,平均偏移量的计算公式为:
其中,i取1,2,...,k。
总误差的计算公式为:E=k*M(10)
误差比例的计算公式为:
其中:Bi表示Ti与Li的残差Ei所占毛误差E的比例程度(有正负号);h为比例程度系数,取10-n,n为正整数位数,此处取n为1。
平滑系数的计算公式为:Ri=1+Bi(12)
其中:Ri表示第i个值的平滑系数,即为平滑的权重。
数据的平滑,假设有k个预测值,Li表示第i个预测值,其中:i取1,2,3,...,k。Hi表示平滑后的最终预测值。
平滑处理的计算公式为:Hi=Ri*Li(13)
继续参考图4,当残差偏移量大于或者等于预设的门限偏移量时,执行步骤S156,去除该曲线点,接着执行步骤S157,并利用线性插补法进行该曲线点的填充。
本实施例中,可以采用现有的线性插补法进行曲线点的填充,在此不再赘述。
本发明的发明人通过具体的数据进行分析与仿真,其具体分析过程如下:
以某用户2015年7月5日至8月9日(40天)作为原始数据,对该用户手机流量进行预测,手机流量的单位为兆。
参考图5,纵坐标表示该用户的手机流量,单位为兆;横坐标表示该用户的使用天数,单位为天。该用户手机流量实际监测数据如图5中的实线所示,传统预测结果如图5中的虚线所示。
参考图6,纵坐标表示该用户的手机流量,单位为兆;横坐标表示该用户的使用天数,单位为天。该用户手机流量实际监测数据如图6中的实线所示,基于本发明的预测结果如图6中的虚线所示。
通过图5和图6结果表明传统预测算法预测结果比较粗糙。而从图6中可以明显看出基于本发明预测算法的预测结果更贴近真实结果。
本发明在理论分析及实验结果的基础上以平均绝对误差(MAP),平均绝对百分误差(MAPE),以均方根误差(RMSE),均方根误差比(RMSPE)来衡量两种算法的有效性,结果如表1所示。
预测性能 | MAP | MAPE | RMSE | RMSPE |
传统算法 | 7.3889 | 0.99% | 9.4546 | 1.28% |
智能融合算法 | 6.5833 | 0.88% | 8.3583 | 1.14% |
表1
通过表1可以看出:通过本发明的预设方法,大大提高了手机流量的预测精度。
本发明的基于BP神经网络的手机流量的预测方法,采用BP神经网络对采集到的手机流量数据进行多次预测,并且,对预测结果再次进行智能数据融合平滑处理处理,从而大大提高了手机流量的预测精准度。
本发明还提供一种基于BP神经网络的手机流量的预测装置,参考图7,所述基于BP神经网络的手机流量的预测装置2包括:
采集模块21,用于采集手机流量数据;
仿真模块22,用于构建BP神经网络模型对采集到的手机流量数据进行仿真以获取多条预测曲线;
加权模块23,用于对所述多条预测曲线进行加权平均以获取平均曲线;
第一目标曲线获取模块24,根据所述平均曲线获取第一目标曲线;
数据融合模块25,用于对所述第一目标曲线进行数据融合平滑处理以获取目标曲线。
参考图8,所述第一目标曲线获取模块24包括:偏差获取单元241,用于将仿真获取的多条预测曲线分别与所述平均曲线作差以获取各条预测曲线的偏差;去除单元242,用于将偏差大于或者等于预设阈值的预测曲线去除;平均单元243,用于将偏差小于预设阈值的预测曲线做加权平均以获取所述第一目标曲线。
所述数据融合模块25包括:曲线点获取单元251,用于获取所述第一目标曲线中的N个曲线点;残差偏移量获取单元252,用于将所述N个曲线点的值与期望预测值的对应分量值依次做差以获取N个残差偏移量;判断单元253,用于依次判断所述N个残差偏移量是否小于预设的门限偏移量,曲线点处理单元254,用于当残差偏移量小于预设的门限偏移量时,保留该残差偏移量对应的曲线点;平滑处理单元255,用于对保留的曲线点进行平滑处理以获取目标曲线。
本实施例中,所述平滑处理单元可以包括:平均偏移量单元(图中未示出),用于对获取到的N个残差偏移量取平均值以获得平均偏移量;总误差获取单元,用于将所述平均偏移量乘以N以获取总误差;误差比例获取单元,用于依次将N个残差偏移量与所述总误差相除以获取对应的误差比例;平滑系统获取单元,用于根据所述误差比例依次获取每个曲线点对应的平滑系数;目标曲线获取单元,用于将所述平滑系数与对应的曲线点的值相乘以完成平滑处理。
本实施例中,所述曲线点处理单元还用于当残差偏移量大于或者等于预设的门限偏移量时,去除该曲线点,并利用线性插补法进行该曲线点的填充。
本发明的基于BP神经网络的手机流量的预测装置的具体工作原理可参考前述基于BP神经网络的手机流量的预测方法的详细描述,在此不再赘述。
综上所述,本发明基于BP神经网络的手机流量的预测方法及预测装置,通过采集大量样本数据的基础上,利用智能BP神经网络实现手机流量的多次预测,得到初步预测结果,剔除偏差较大的预测结果并进行数据加权平均的数据融合处理,获得较优的预测结果。再结合期望预测值与预测值的残差所占总体偏差的大小进行门限设置技术及数据平滑融合处理技术,获得最优预测结果。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于BP神经网络的手机流量的预测方法,其特征在于,所述基于BP神经网络的手机流量的预测方法包括以下步骤:
采集手机流量数据;
构建BP神经网络模型对采集到的手机流量数据进行仿真以获取多条预测曲线;
对所述多条预测曲线进行加权平均以获取平均曲线;
根据所述平均曲线获取第一目标曲线;
对所述第一目标曲线进行数据融合平滑处理以获取目标曲线。
2.根据权利要求1所述的基于BP神经网络的手机流量的预测方法,其特征在于:所述根据所述平均曲线获取第一目标曲线的步骤包括:
将仿真获取的多条预测曲线分别与所述平均曲线作差以获取各条预测曲线的偏差;
将偏差大于或者等于预设阈值的预测曲线去除;
将偏差小于预设阈值的预测曲线做加权平均以获取所述第一目标曲线。
3.根据权利要求1所述的基于BP神经网络的手机流量的预测方法,其特征在于,所述对所述第一目标曲线进行数据融合平滑处理以获取目标曲线的步骤包括:
获取所述第一目标曲线中的N个曲线点;
将所述N个曲线点的值与期望预测值的对应分量值依次做差以获取N个残差偏移量;
依次判断所述N个残差偏移量是否小于预设的门限偏移量;
当残差偏移量小于预设的门限偏移量时,保留该残差偏移量对应的曲线点;
对保留的曲线点进行平滑处理以获取目标曲线。
4.根据权利要求3所述的基于BP神经网络的手机流量的预测方法,其特征在于,所述对保留的曲线点进行平滑处理的步骤包括:
对获取到的N个残差偏移量取平均值以获得平均偏移量;
将所述平均偏移量乘以N以获取总误差;
依次将N个残差偏移量与所述总误差相除以获取对应的误差比例;
根据所述误差比例依次获取每个曲线点对应的平滑系数;
将所述平滑系数与对应的曲线点的值相乘以完成平滑处理。
5.根据权利要求3所述的基于BP神经网络的手机流量的预测方法,其特征在于:当残差偏移量大于或者等于预设的门限偏移量时,去除该曲线点,并利用线性插补法进行该曲线点的填充。
6.一种基于BP神经网络的手机流量的预测装置,其特征在于,所述基于BP神经网络的手机流量的预测装置包括:
采集模块,用于采集手机流量数据;
仿真模块,用于构建BP神经网络模型对采集到的手机流量数据进行仿真以获取多条预测曲线;
加权模块,用于对所述多条预测曲线进行加权平均以获取平均曲线;
第一目标曲线获取模块,根据所述平均曲线获取第一目标曲线;
数据融合模块,用于对所述第一目标曲线进行数据融合平滑处理以获取目标曲线。
7.根据权利要求6所述的基于BP神经网络的手机流量的预测装置,其特征在于,所述第一目标曲线获取模块包括:
偏差获取单元,用于将仿真获取的多条预测曲线分别与所述平均曲线作差以获取各条预测曲线的偏差;
去除单元,用于将偏差大于或者等于预设阈值的预测曲线去除;
平均单元,用于将偏差小于预设阈值的预测曲线做加权平均以获取所述第一目标曲线。
8.根据权利要求6所述的基于BP神经网络的手机流量的预测装置,其特征在于:所述数据融合模块包括:
曲线点获取单元,用于获取所述第一目标曲线中的N个曲线点;
残差偏移量获取单元,用于将所述N个曲线点的值与期望预测值的对应分量值依次做差以获取N个残差偏移量;
判断单元,用于依次判断所述N个残差偏移量是否小于预设的门限偏移量,
曲线点处理单元,用于当残差偏移量小于预设的门限偏移量时,保留该残差偏移量对应的曲线点;
平滑处理单元,用于对保留的曲线点进行平滑处理以获取目标曲线。
9.根据权利要求8所述的基于BP神经网络的手机流量的预测装置,其特征在于,所述平滑处理单元包括:
平均偏移量单元,用于对获取到的N个残差偏移量取平均值以获得平均偏移量;
总误差获取单元,用于将所述平均偏移量乘以N以获取总误差;
误差比例获取单元,用于依次将N个残差偏移量与所述总误差相除以获取对应的误差比例;
平滑系统获取单元,用于根据所述误差比例依次获取每个曲线点对应的平滑系数;
目标曲线获取单元,用于将所述平滑系数与对应的曲线点的值相乘以完成平滑处理。
10.根据权利要求8所述的基于BP神经网络的手机流量的预测装置,其特征在于:所述曲线点处理单元还用于当残差偏移量大于或者等于预设的门限偏移量时,去除该曲线点,并利用线性插补法进行该曲线点的填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510740940.9A CN105225018A (zh) | 2015-11-04 | 2015-11-04 | 基于bp神经网络的手机流量的预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510740940.9A CN105225018A (zh) | 2015-11-04 | 2015-11-04 | 基于bp神经网络的手机流量的预测方法及预测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105225018A true CN105225018A (zh) | 2016-01-06 |
Family
ID=54993974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510740940.9A Pending CN105225018A (zh) | 2015-11-04 | 2015-11-04 | 基于bp神经网络的手机流量的预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105225018A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778918A (zh) * | 2017-01-22 | 2017-05-31 | 北京飞搜科技有限公司 | 一种应用于手机端的深度学习图像识别系统及实现方法 |
CN107689227A (zh) * | 2017-08-23 | 2018-02-13 | 上海爱优威软件开发有限公司 | 一种基于数据融合的语音降噪方法及系统 |
CN110244658A (zh) * | 2019-06-04 | 2019-09-17 | 浙江工业大学 | 一种基于改进bp神经网络提高裁床插补位置精度的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
CN103716180A (zh) * | 2013-12-04 | 2014-04-09 | 国网上海市电力公司 | 基于网络流量实际预测的网络异常预警方法 |
CN103870887A (zh) * | 2014-03-07 | 2014-06-18 | 国家电网公司 | 基于改进型自适应滤波法的城市电网短时负荷预测方法 |
CN104793263A (zh) * | 2015-05-05 | 2015-07-22 | 中国海洋石油总公司 | 一种测井曲线自动分层取值和评价方法 |
-
2015
- 2015-11-04 CN CN201510740940.9A patent/CN105225018A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
CN103716180A (zh) * | 2013-12-04 | 2014-04-09 | 国网上海市电力公司 | 基于网络流量实际预测的网络异常预警方法 |
CN103870887A (zh) * | 2014-03-07 | 2014-06-18 | 国家电网公司 | 基于改进型自适应滤波法的城市电网短时负荷预测方法 |
CN104793263A (zh) * | 2015-05-05 | 2015-07-22 | 中国海洋石油总公司 | 一种测井曲线自动分层取值和评价方法 |
Non-Patent Citations (1)
Title |
---|
刘小东,黄洪琼: "《一种数据融合BP 神经网络的船舶流量预测算法》", 《微型机与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778918A (zh) * | 2017-01-22 | 2017-05-31 | 北京飞搜科技有限公司 | 一种应用于手机端的深度学习图像识别系统及实现方法 |
CN106778918B (zh) * | 2017-01-22 | 2020-10-30 | 苏州飞搜科技有限公司 | 一种应用于手机端的深度学习图像识别系统及实现方法 |
CN107689227A (zh) * | 2017-08-23 | 2018-02-13 | 上海爱优威软件开发有限公司 | 一种基于数据融合的语音降噪方法及系统 |
CN110244658A (zh) * | 2019-06-04 | 2019-09-17 | 浙江工业大学 | 一种基于改进bp神经网络提高裁床插补位置精度的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN109492814B (zh) | 一种城市交通流量预测方法、系统及电子设备 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN110427466A (zh) | 用于问答匹配的神经网络模型的训练方法和装置 | |
CN108304355B (zh) | 一种基于sarima-wnn模型预测弹性云计算资源的方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN109523021B (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN104536412B (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN114330671A (zh) | 一种基于Transformer时空图卷积网络的交通流预测方法 | |
CN109902801A (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
CN112529184B (zh) | 融合领域知识与多源数据的工业过程优化决策方法 | |
CN106933649A (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及系统 | |
CN107766929A (zh) | 模型分析方法及装置 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
CN106327357A (zh) | 一种基于改进概率神经网络的负载识别方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN106529185A (zh) | 一种古建筑位移的组合预测方法及系统 | |
CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
CN105225018A (zh) | 基于bp神经网络的手机流量的预测方法及预测装置 | |
CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
CN109635938A (zh) | 一种自主学习脉冲神经网络权值量化方法 | |
CN111723523A (zh) | 一种基于级联神经网络的河口余水位预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160106 |