CN105703954A - 一种基于arima模型的网络数据流预测方法 - Google Patents
一种基于arima模型的网络数据流预测方法 Download PDFInfo
- Publication number
- CN105703954A CN105703954A CN201610152956.2A CN201610152956A CN105703954A CN 105703954 A CN105703954 A CN 105703954A CN 201610152956 A CN201610152956 A CN 201610152956A CN 105703954 A CN105703954 A CN 105703954A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- sigma
- flow
- arima
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Algebra (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于ARIMA模型的网络数据流预测方法,具体包括以下步骤:步骤S1:数据预处理:去除网络流中的冗余数据,错误数据以及缺失数据;步骤S2:特征提取:提取包括包长与包到达间隔时间的常用流量特征,通过PCA与信息增益降低维数;将n个特征生成个特征子集,通过CFS和最优优先搜索生成特征候选集;步骤S3:流量聚类:使用GMM聚类方法,将网络流分成若干应用类别,构建流量预测框架实现短期预测;步骤S4:分析预测:针对任意一应用类别的流量数据,取一组连续的网络流量时间序列进行ARIMA差分自回归滑动平均模型的分析。本发明可实现对互联网流量数据的有效分析和预测,网络管理者可以根据规律,制定相应调度和管理策略。
Description
技术领域
本发明涉及软件自定义网络环境领域,具体涉及一种基于ARIMA模型的网络数据流预测方法。
背景技术
目前,随着互联网日益发展和普及,网络流量数据正以惊人速度不断增长并呈现多样化,给网络运营与管理带来巨大压力与挑战,为优化网络资源配置,减轻网络拥塞,合理分配带宽,确保业务的QoS服务质量,提出基于ARIMA模型的网络数据流预测方法,它能够有效规划网络。
发明内容
有鉴于此,本发明的目的是提供一种基于ARIMA模型的网络数据流预测方法,以实现对互联网流量数据的有效分析和预测,网络管理者可以根据规律,制定相应调度和管理策略。
本发明采用以下方案实现:一种基于ARIMA模型的网络数据流预测方法,具体包括以下步骤:
步骤S1:数据预处理:去除网络流中的冗余数据,错误数据以及缺失数据;
步骤S2:特征提取:提取包括包长与包到达间隔时间的常用流量特征,通过PCA与信息增益降低维数;将n个特征生成2n个特征子集,通过CFS和最优优先搜索生成特征候选集;
步骤S3:流量聚类:使用GMM聚类方法,将网络流分成若干应用类别,构建流量预测框架实现短期预测;
步骤S4:分析预测:针对任意一应用类别的流量数据,取一组连续的网络流量时间序列X={x1,…,xt}进行ARIMA差分自回归滑动平均模型的分析,其中xt为第t个时间段内的网络通信量。
进一步地,所述步骤S3具体包括以下步骤:
步骤S31:建立高斯混合模型:高斯混合模型定义为用k个单高斯密度函数线性叠加的线性模型:
其中,πi指第i个高斯的权重因子,所以N(x;μi,∑i)是均值为μi和协方差为∑i的高斯概率密度函数。
步骤S32:使用最大似然法做参数估计,使样本点在估计的概率密度函数上的概率值最;m个样本集X的log似然函数如下:
其中,X={x1,…,xm},Θ=(θ1,…,θk)T,θj=(πj,μj,∑j);
步骤S33:通过EM算法优化参数并计算结果。
进一步地,所述EM算法优化参数,找到最佳模型参数,使得(2)式期望最大,具体包括以下步骤:
步骤S331:初始化均值μi,协方差∑i,及权值因子πi;
步骤S332:估计隐含类别变量:
步骤S333:更新参数:
评估函数P(X|Θ),如果不满足收敛准则,则返回步骤S332;若收敛,则改进优化GMM参数。
进一步地,所述步骤S4具体包括以下步骤:
步骤S41:若所述流量数据的时间序列具有周期性,则以周期为时间长度进行差分处理;
步骤S42:若所述数据流量的时间序列不具周期性,则进行平稳处理:对数据进行d次差分使其成为平稳序列wj,计算方法:
其中,αj是样本矩阵中j时刻的列向量,k是αj向量序列号,μj是j列数据差分后的均值。
步骤S43:建立ARIMA(p,d,q)模型:得到平稳序列后,所述数据流量的时间序列采用ARIMA(p,d,q)模型进行分析预测;其中,p为自回归阶数,q为移动平均阶数,d表示平稳化过程中差分的阶数;采用单位根检验法确定d值,根据序列的自相关性AC和偏相关性PAC确定p,q的取值,对AIC值进行分析,确定p,q取值,确定模型:
AIC=lnσ2+2(p+q)/n(9)
其中,σ2是噪音方差,n为数据长度。
ARIMA(p,d,q)模型形式如下:
wt=φ1wt-1+…+φpwt-p+σ+μt+…+θqμt-q(10)
其中,φi是模型自回归系数,θi为滑动平均系数,{μt}是白噪声序列,δ是常数。
步骤S44:参数估计:利用极大似然法进行参数估计,估计模型中自回归部分和滑动平均部分参数是否具有统计意义;
步骤S45:模型假设检验:检验残差序列是否为白噪声序列;
步骤S46:采用检验合格的模型进行预测:时间序列Xt在t时期第h步预测值公式:
其中,
与现有技术相比,本发明的基于ARIMA模型的网络数据流预测方法,实现对互联网流量数据的有效分析和预测,网络管理者可以根据规律,制定相应调度和管理策略。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施提供一种基于ARIMA模型的网络数据流预测方法,如图1所示,具体包括以下步骤:
步骤S1:数据预处理:互联网海量数据中存在的脏数据将影响算法的效率及结果,数据预处理将有利于后期的分析;预处理采用libpcap设计专用的数据集清洗程序,将网络流中的冗余数据,错误数据,缺失数据去除,得到一致性的数据;
步骤S2:特征提取:提取能代表网络应用本质区别的流特征,能提高聚类的精度,编写脚本提取提取包括包长与包到达间隔时间的常用流量特征,通过PCA与信息增益降低维数;将n个特征生成2n个特征子集,通过CFS和最优优先搜索生成特征候选集,选择相关性较大的特征;
步骤S3:流量聚类:使用GMM聚类方法,将网络流分成若干应用类别,构建流量预测框架实现短期预测;
步骤S4:分析预测:针对任意一应用类别的流量数据,取一组连续的网络流量时间序列X={x1,…,xt}进行ARIMA差分自回归滑动平均模型的分析,其中xt为第t个时间段内的网络通信量。
在本实施例中,所述步骤S3具体包括以下步骤:
步骤S31:建立高斯混合模型:高斯混合模型定义为用k个单高斯密度函数线性叠加的线性模型:
其中,πi指第i个高斯的权重因子,所以N(x;μi,Σi)是均值为μi和协方差为Σi的高斯概率密度函数。
步骤S32:使用最大似然法做参数估计,使样本点在估计的概率密度函数上的概率值最;m个样本集X的log似然函数如下:
其中,X={x1,…,xm},Θ=(θ1,…,θk)T,θj=(πj,μj,Σj);
步骤S33:通过EM算法优化参数并计算结果。
在本实施例中,所述EM算法优化参数,找到最佳模型参数,使得(2)式期望最大,具体包括以下步骤:
步骤S331:初始化均值μi,协方差Σi,及权值因子πi;
步骤S332:估计隐含类别变量:
步骤S333:更新参数:
评估函数P(X|Θ),如果不满足收敛准则,则返回步骤S332;若收敛,则改进优化GMM参数。
使用GMM聚类方法,能有效将网络流分成若干应用类别。针对某些重要的应用,可以构建流量预测框架,实现短期预测。
在本实施例中,所述步骤S4具体包括以下步骤:
步骤S41:若所述流量数据的时间序列具有周期性,则以周期为时间长度进行差分处理;
步骤S42:若所述数据流量的时间序列不具周期性,则进行平稳处理:对数据进行d次差分使其成为平稳序列wj,计算方法:
其中,αj是样本矩阵中j时刻的列向量,k是αj向量序列号,μj是j列数据差分后的均值。
步骤S43:建立ARIMA(p,d,q)模型:得到平稳序列后,所述数据流量的时间序列采用ARIMA(p,d,q)模型进行分析预测;其中,p为自回归阶数,q为移动平均阶数,d表示平稳化过程中差分的阶数;采用单位根检验法确定d值,根据序列的自相关性AC和偏相关性PAC确定p,q的取值,对AIC值进行分析,确定p,q取值,确定模型:
AIC=lnσ2+2(p+q)/n(9)
其中,σ2是噪音方差,n为数据长度。
ARIMA(p,d,q)模型形式如下:
wt=φ1wt-1+…+φpwt-p+σ+μt+…+θqμt-q(10)
其中,φi是模型自回归系数,θi为滑动平均系数,{μt}是白噪声序列,δ是常数。
步骤S44:参数估计:利用统计技术,如利用极大似然法进行参数估计,估计模型中自回归部分和滑动平均部分参数是否具有统计意义;
步骤S45:模型假设检验:检验残差序列是否为白噪声序列;
步骤S46:采用检验合格的模型进行预测:时间序列Xt在t时期第h步预测值公式:
其中,
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (4)
1.一种基于ARIMA模型的网络数据流预测方法,其特征在于:具体包括以下步骤:
步骤S1:数据预处理:去除网络流中的冗余数据,错误数据以及缺失数据;
步骤S2:特征提取:提取包括包长与包到达间隔时间的常用流量特征,通过PCA与信息增益降低维数;将n个特征生成2n个特征子集,通过CFS和最优优先搜索生成特征候选集;
步骤S3:流量聚类:使用GMM聚类方法,将网络流分成若干应用类别,构建流量预测框架实现短期预测;
步骤S4:分析预测:针对任意一应用类别的流量数据,取一组连续的网络流量时间序列X={x1,…,xt}进行ARIMA差分自回归滑动平均模型的分析,其中xt为第t个时间段内的网络通信量。
2.根据权利要求1所述的一种基于ARIMA模型的网络数据流预测方法,其特征在于:所述步骤S3具体包括以下步骤:
步骤S31:建立高斯混合模型:高斯混合模型定义为用k个单高斯密度函数线性叠加的线性模型:
其中,πi指第i个高斯的权重因子,所以N(x;μi,∑i)是均值为μi和协方差为∑i的高斯概率密度函数。
步骤S32:使用最大似然法做参数估计,使样本点在估计的概率密度函数上的概率值最;m个样本集X的log似然函数如下:
其中,X={x1,…,xm},Θ=(θ1,…,θk)T,θj=(πj,μj,∑j);
步骤S33:通过EM算法优化参数并计算结果。
3.根据权利要求2所述的一种基于ARIMA模型的网络数据流预测方法,其特征在于:
所述EM算法优化参数,找到最佳模型参数,使得(2)式期望最大,具体包括以下步骤:
步骤S331:初始化均值μi,协方差∑i,及权值因子πi;
步骤S332:估计隐含类别变量:
步骤S333:更新参数:
评估函数P(X|Θ),如果不满足收敛准则,则返回步骤S332;若收敛,则改进优化GMM参数。
4.根据权利要求1所述的一种基于ARIMA模型的网络数据流预测方法,其特征在于:所述步骤S4具体包括以下步骤:
步骤S41:若所述流量数据的时间序列具有周期性,则以周期为时间长度进行差分处理;
步骤S42:若所述数据流量的时间序列不具周期性,则进行平稳处理:对数据进行d次差分使其成为平稳序列wj,计算方法:
其中,αj是样本矩阵中j时刻的列向量,k是αj向量序列号,μj是j列数据差分后的均值。
步骤S43:建立ARIMA(p,d,q)模型:得到平稳序列后,所述数据流量的时间序列采用ARIMA(p,d,q)模型进行分析预测;其中,p为自回归阶数,q为移动平均阶数,d表示平稳化过程中差分的阶数;采用单位根检验法确定d值,根据序列的自相关性AC和偏相关性PAC确定p,q的取值,对AIC值进行分析,确定p,q取值,确定模型:
AIC=lnσ2+2(p+q)/n(9)
其中,σ2是噪音方差,n为数据长度。
ARIMA(p,d,q)模型形式如下:
wt=φ1wt-1+…+φpwt-p+σ+μt+…+θqμt-q(10)
其中,φi是模型自回归系数,θi为滑动平均系数,{μt}是白噪声序列,δ是常数。
步骤S44:参数估计:利用极大似然法进行参数估计,估计模型中自回归部分和滑动平均部分参数是否具有统计意义;
步骤S45:模型假设检验:检验残差序列是否为白噪声序列;
步骤S46:采用检验合格的模型进行预测:时间序列Xt在t时期第h步预测值公式:
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610152956.2A CN105703954A (zh) | 2016-03-17 | 2016-03-17 | 一种基于arima模型的网络数据流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610152956.2A CN105703954A (zh) | 2016-03-17 | 2016-03-17 | 一种基于arima模型的网络数据流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105703954A true CN105703954A (zh) | 2016-06-22 |
Family
ID=56221926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610152956.2A Pending CN105703954A (zh) | 2016-03-17 | 2016-03-17 | 一种基于arima模型的网络数据流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105703954A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330745A (zh) * | 2016-08-24 | 2017-01-11 | 重庆大学 | 流量策略选择方法和流量策略选择装置 |
CN106599487A (zh) * | 2016-12-16 | 2017-04-26 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
CN106933691A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市彬讯科技有限公司 | 一种针对季节性时序数据序列中异常点的识别方法及系统 |
CN107305611A (zh) * | 2016-04-22 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN108632164A (zh) * | 2018-08-17 | 2018-10-09 | 四川新网银行股份有限公司 | 基于时间序列预测的开放平台网关智能流控方法 |
CN108805202A (zh) * | 2018-06-11 | 2018-11-13 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
CN109063885A (zh) * | 2018-05-29 | 2018-12-21 | 国网天津市电力公司 | 一种变电站异常量测数据预测方法 |
CN109190455A (zh) * | 2018-07-18 | 2019-01-11 | 东南大学 | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 |
CN109727455A (zh) * | 2019-03-05 | 2019-05-07 | 湖北汇程信息技术有限公司 | 一种交通信息的处理方法 |
CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
CN110298132A (zh) * | 2019-07-05 | 2019-10-01 | 国家电网有限公司 | 一种水轮发电机组轴承摆度趋势预测方法 |
CN110417607A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 一种流量预测方法、装置及设备 |
CN111190045A (zh) * | 2019-12-27 | 2020-05-22 | 国网北京市电力公司 | 电压异常预测方法及装置、电子设备 |
CN111242204A (zh) * | 2020-01-07 | 2020-06-05 | 东北电力大学 | 一种运维管控平台故障特征提取方法 |
CN113393673A (zh) * | 2021-08-17 | 2021-09-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 交通信号调度计划和时段优化方法及装置 |
CN113904948A (zh) * | 2021-11-12 | 2022-01-07 | 福州大学 | 基于跨层的多维参数的5g网络带宽预测系统及方法 |
CN114979010A (zh) * | 2022-05-13 | 2022-08-30 | 东南大学 | 基于决策树的tcp拥塞控制算法的主动选择系统及方法 |
CN116611552A (zh) * | 2023-05-12 | 2023-08-18 | 中国人民解放军92493部队试验训练总体研究所 | 一种基于目标监测数据的船舶交通流量预测方法及系统 |
CN117609814A (zh) * | 2024-01-24 | 2024-02-27 | 广东奥飞数据科技股份有限公司 | 一种sd-wan智能流量调度优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394311A (zh) * | 2008-11-12 | 2009-03-25 | 北京交通大学 | 一种基于时间序列的网络舆情预测方法 |
US20090138301A1 (en) * | 2007-11-28 | 2009-05-28 | Xia Sharon Wan | System And Method to Facilitate Inventory Forecasting for Network-Based Entities |
CN102088709A (zh) * | 2010-11-30 | 2011-06-08 | 哈尔滨工业大学 | 基于聚类和arima模型的话务量预测方法 |
-
2016
- 2016-03-17 CN CN201610152956.2A patent/CN105703954A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090138301A1 (en) * | 2007-11-28 | 2009-05-28 | Xia Sharon Wan | System And Method to Facilitate Inventory Forecasting for Network-Based Entities |
CN101394311A (zh) * | 2008-11-12 | 2009-03-25 | 北京交通大学 | 一种基于时间序列的网络舆情预测方法 |
CN102088709A (zh) * | 2010-11-30 | 2011-06-08 | 哈尔滨工业大学 | 基于聚类和arima模型的话务量预测方法 |
Non-Patent Citations (1)
Title |
---|
张冉等: "ARIMA模型在网络流量预测中的应用研究", 《计算机仿真》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305611B (zh) * | 2016-04-22 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 |
CN107305611A (zh) * | 2016-04-22 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 |
CN106330745A (zh) * | 2016-08-24 | 2017-01-11 | 重庆大学 | 流量策略选择方法和流量策略选择装置 |
CN106330745B (zh) * | 2016-08-24 | 2019-08-02 | 重庆大学 | 流量策略选择方法和流量策略选择装置 |
CN106599487A (zh) * | 2016-12-16 | 2017-04-26 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
CN106599487B (zh) * | 2016-12-16 | 2019-10-25 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
CN106933691B (zh) * | 2017-03-09 | 2020-11-10 | 深圳市彬讯科技有限公司 | 一种针对季节性时序数据序列中异常点的识别方法及系统 |
CN106933691A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市彬讯科技有限公司 | 一种针对季节性时序数据序列中异常点的识别方法及系统 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN110417607A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 一种流量预测方法、装置及设备 |
CN109063885A (zh) * | 2018-05-29 | 2018-12-21 | 国网天津市电力公司 | 一种变电站异常量测数据预测方法 |
CN108805202A (zh) * | 2018-06-11 | 2018-11-13 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
CN108805202B (zh) * | 2018-06-11 | 2021-07-30 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
CN109190455A (zh) * | 2018-07-18 | 2019-01-11 | 东南大学 | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 |
CN109190455B (zh) * | 2018-07-18 | 2021-08-13 | 东南大学 | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 |
CN108632164A (zh) * | 2018-08-17 | 2018-10-09 | 四川新网银行股份有限公司 | 基于时间序列预测的开放平台网关智能流控方法 |
CN109727455A (zh) * | 2019-03-05 | 2019-05-07 | 湖北汇程信息技术有限公司 | 一种交通信息的处理方法 |
CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
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 |
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN110298132A (zh) * | 2019-07-05 | 2019-10-01 | 国家电网有限公司 | 一种水轮发电机组轴承摆度趋势预测方法 |
CN111190045A (zh) * | 2019-12-27 | 2020-05-22 | 国网北京市电力公司 | 电压异常预测方法及装置、电子设备 |
CN111242204A (zh) * | 2020-01-07 | 2020-06-05 | 东北电力大学 | 一种运维管控平台故障特征提取方法 |
CN113393673A (zh) * | 2021-08-17 | 2021-09-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 交通信号调度计划和时段优化方法及装置 |
CN113904948A (zh) * | 2021-11-12 | 2022-01-07 | 福州大学 | 基于跨层的多维参数的5g网络带宽预测系统及方法 |
CN113904948B (zh) * | 2021-11-12 | 2023-11-03 | 福州大学 | 基于跨层的多维参数的5g网络带宽预测系统及方法 |
CN114979010A (zh) * | 2022-05-13 | 2022-08-30 | 东南大学 | 基于决策树的tcp拥塞控制算法的主动选择系统及方法 |
CN116611552A (zh) * | 2023-05-12 | 2023-08-18 | 中国人民解放军92493部队试验训练总体研究所 | 一种基于目标监测数据的船舶交通流量预测方法及系统 |
CN116611552B (zh) * | 2023-05-12 | 2024-04-26 | 中国人民解放军92493部队试验训练总体研究所 | 一种基于目标监测数据的船舶交通流量预测方法及系统 |
CN117609814A (zh) * | 2024-01-24 | 2024-02-27 | 广东奥飞数据科技股份有限公司 | 一种sd-wan智能流量调度优化方法及系统 |
CN117609814B (zh) * | 2024-01-24 | 2024-05-07 | 广东奥飞数据科技股份有限公司 | 一种sd-wan智能流量调度优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105703954A (zh) | 一种基于arima模型的网络数据流预测方法 | |
CN109726744B (zh) | 一种网络流量分类方法 | |
CN108900432B (zh) | 一种基于网络流行为的内容感知方法 | |
CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
Briggs et al. | Audio classification of bird species: A statistical manifold approach | |
CN111275521A (zh) | 一种基于用户评论与满意层面嵌入的商品推荐方法 | |
CN105787104A (zh) | 用户属性信息的获取方法和装置 | |
CN112001422B (zh) | 一种基于深度贝叶斯学习的图像标记估计方法 | |
CN104702465A (zh) | 一种并行网络流量分类方法 | |
CN109978020B (zh) | 一种基于多维特征的社交网络账号马甲身份辨识方法 | |
De Angelis et al. | Mining categorical sequences from data using a hybrid clustering method | |
CN110110792A (zh) | 一种基于增量学习的多标签数据流分类方法 | |
Manikandan et al. | Real time traffic flow prediction and intelligent traffic control from remote location for large-scale heterogeneous networking using tensorflow | |
CN103176961B (zh) | 一种基于潜在语义分析的迁移学习方法 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
CN102629341A (zh) | 一种基于用户地理位置信息的Web服务QoS在线预测方法 | |
CN112597141A (zh) | 一种基于舆情分析的网络流量检测方法 | |
CN105609116A (zh) | 一种语音情感维度区域的自动识别方法 | |
CN107452403A (zh) | 一种说话人标记方法 | |
CN111079827B (zh) | 一种铁路数据状态评估方法及系统 | |
CN113793227B (zh) | 一种用于社交网络事件的类人智能感知与预测方法 | |
CN116756347B (zh) | 一种基于大数据的语义信息检索方法 | |
CN113486174A (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
CN107909090A (zh) | 基于测度学习半监督的钢琴乐谱难度识别方法 | |
CN102509121A (zh) | 一种基于类别分布的自然场景分类排序方法 |
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: 20160622 |